alphago之父哈萨比斯是一个绝顶聪明的人，他从4岁开始下象棋，很快成为天才少年。8岁时就思考人脑如何完成复杂的任务。在本场比赛开始前的开幕式上，哈萨比斯就为此次比赛定了调。他说，“alphago的本质是人类利用电脑发现新知识，人们利用哈勃望远镜发现新的宇宙空间一样。就像我们的最终目的不是输赢，因为不管如何，最终的胜利终将属于人类。让我们一起寻找围棋的真谛。”

为什么计算机下围棋非常困难？这是因为其复杂程度让穷举搜索都难以解决，这个难题包括两个方面，一是“不可能”写出评估程序以决定输赢，另一个是搜索空间太过庞大。更困难的是围棋不像象棋等游戏靠计算，而是靠直觉。围棋中没有等级概念，所有棋子都一样，围棋是筑防游戏，因此需要盘算未来。你在下棋的过程中，是棋盘在心中，必须要预测未来。小小一个棋子可撼动全局，牵一发动全身。很多艺术都是主观，alphago把围棋看做了一个客观的艺术，每一步都会分析有什么影响围棋“妙手”如受天启。

alphago学习了3000万步人类棋谱，走棋风格也近似于人。而alphago2.0脱离了机器对人模仿，走棋风格也将完全脱离人的定式。在与柯洁的比赛中，会不断出现我们意想不到的走棋，而且这些走棋在教科书中会被认为是低级错误或者完全不可理喻，但凡一个正常的棋手都不会这么玩，但凡一个新手这么玩都会被点拨这样不对。而alphago2.0会不断制造这样的局面，关键他还是对的。我们会津津乐道，alphago是什么棋风。但可以这样推理：但凡有流派和风格，就还有局限性。只有当所有流派合一看不出流派的时候，才到达致高境界。alphago 2.0便会是这么一台机器，没有风格，稳如磐石，比人更能避免陷入局部利益的狭隘计算，进而表现为能够走出看似难以理解但是实则韵味无穷的落子，只因每一步都是朝着全局获胜的目标前进的。

alphago 1.0是巧妙地混合了蒙特卡洛树搜索+监督学习+增强学习三种算法。根据公开资料推测，此次alphago2.0的技术原理与之前有着巨大不同：

1. 放弃了监督学习，没有再用人的3000万局棋谱进行训练。这本是alphago最亮眼的算法，也是今天主流机器学习不可避免的核心条件：依赖于优质的数据，在这个特定问题下就这么被再次突破了。

2. 放弃了蒙特卡洛树搜索，不再进行暴力计算。理论上，算法越笨，就越需要暴力计算做补充。算法越聪明，就可以大大减少暴力计算。从alphago 2.0的“马甲”master的历史行为看，走棋非常迅速，约在每10秒钟就走棋一步，如此速度很可能是放弃了暴力的计算。

3. 极大地强化了增强学习的作用，之前敲边鼓的算法，正式成为扛把子主力。想想看有多励志：两台白痴机器，遵守走棋和获胜规则，从随机走棋开始日夜切磋，总结经验，不断批评和自我批评，一周后终成大器。

在这样的算法下，alphago 2.0对计算资源开销极小，把当前棋局输入神经网络，电流流过，输出就是最佳的走棋方案。我猜测如此算法下，有可能仅仅依靠一个gpu工作，每一步棋消耗的能源接近人的大脑。

deepmind已经在尝试让alphago有“举一反三”的能力，这种触类旁通的能力才是人类更为擅长的，这里就要用到迁移学习领域的技术。deepmind的愿景是研究何为ai，然后再用智能解决所有问题，即怎样提出有效的建议去解决问题，最终希望建立通用人工智能。也许就是因为这种进步，deepmind将开始探索人工智能在医疗等各个行业领域的应用。

以alphago为代表的人工智能应用，在这场认知革命里只是一个小小里程碑。工业革命实现了体力工作自动化解放了体力劳动者，认知革命将知识工作自动化解放脑力劳动者。人机合作可以达到1+1＞2的效果，人类的智慧将被人工智能放大。人工智能和alphago都是工具，就像哈勃望远镜一样，可以推进人类文明的进步。无数其他领域也将遭到组合轰炸，强人工智能也是我们探索的最好工具，比如将ai用到材料设计、新药研制上，还有现实生活中的应用，如医疗、智能手机、教育等。

以上是网络信息转载，信息真实性自行斟酌。