2016年3月15日，轰动全球的围棋“人机大战”落下帷幕。Google DeepMind的阿尔法狗甫登擂台就先声夺人连下三城，第4盘机器出bug送出一局后，第5盘恢复正常的电脑再次以优异的表现取胜，从而以四胜一负的绝对优势横扫李世石九段。可以毫不夸张地说，围棋这个“人类智慧的最后堡垒”已在“人工智能”的凌厉攻势下宣告沦陷。
石破天惊的闲庭信步
阿尔法狗不仅赢了棋，而且赢得漂亮，甚至赢得轻松惬意。不信的话，请看下图中标出的那一步。
这步棋是此次比赛第3盘的第148手。3月12日那天，这一子落到棋盘上，网络实时转播间里，复旦出身的讲解员立刻用了“藐视”这个词。
当时的形势，是李世石在局面落后的逼迫下放出“胜负手”，在棋盘下方的白棋大阵里“翻江倒海般折腾”。李世石挑起的激烈劫争在证伪“不打劫密约”谣传的同时，把棋局推到了风口浪尖。以笔者粗浅的围棋水平判断，这个大劫的价值不少于80目，可谓一劫定胜负。就在大劫迫在眉睫，几近炮火纷飞的时刻，阿尔法狗却悠悠然飘到棋盘上方，下了一步价值不小(考虑到后面可能的演变，大致是在25~40目之间)但是怎么说也不在“战线”上的棋。“人工智能”的这个选择理性吗？可以是，但有一个条件：那就是下出这一手的人(或者计算机)认定下方的大劫即便让对方多走一步照样是铁定打赢。而且，你必须对自己的计算力信心满满，对于算定了所有的可能没有丝毫的怀疑，坚定地相信计算和判断没有一丁点的错漏。既然这是一个反正赢定了的赌注，腾出手来顺个大官子级别的便宜，也就是符合逻辑的选择了。这样一个理性选择的逻辑，倘若对面坐着个业余选手，自然是许多棋手都敢用的；但当对面坐着的是李世石，还有多少棋手敢用80目以上的决定胜负的大劫去赌？可是阿尔法狗就敢！而且实战下来，在局部“让先”了一步，平淡从容应对无误的阿尔法狗依然稳健地掌控全局，将李世石竭尽全力的疯狂反扑一一化解。双方战至176手，李世石再也无力反击，投子认输。围棋的世界里，恰如其分，如此一手棋就是12段高手对9段的丝毫不带遮掩的藐视。或者，用喜欢武侠的朋友熟悉的方式再类比一下：记得黑木崖上东方不败就凭一根绣花针，一边挑开宝剑震飞长鞭，一边好整以暇地称赞“好剑法，好剑法”那一幕吗？就是跟那差不多，区别嘛就是这回东方不败赢了。
“可以一战”的“大局观”计算机学得会吗？
随着棋局的推进，从开战之前的不屑一顾到“机器人接管世界”的一片恐慌，历史上多次出现的人类面对陌生事物的本能表现再次浮出水面。
然则，对于了解神经元网络等等“人工智能”是怎么一回事的人来说，计算机下围棋从“业余选手让
14子”到能够
PK一位世界冠军的历程，在更大程度上，是一个资源整合路径设计的杰作。
在此，首先要旗帜鲜明地把话说清楚：很多人理解的那个“人工智能”是根本不存在的。计算机计算，那个东西永远不会思考。所谓人工智能，只不过是通过精心设计的模式路径把计算机的计算功能组织起来，使其整合之后在特定领域的外在表现貌似有“智能”，而已。譬如，在每一步平均几十个变化的国际象棋领域，使用棋局“评分”优化但今天看来仍是简单暴力的“剪枝”路径搜索，结合超级计算机“深蓝”的高速运算，早在
1997年的番棋较量当中便已掀翻世界棋王卡斯帕罗夫。
然而在长达数十年的探索当中，机器下出的围棋却长期停留在“弱智”水平。虽然，早年的“姜昆在最角上下了一子，电脑长考之后认输了”的笑话级早已过去，但直到几年前，仍是即便业余初段也能“一眼看出是机器下的棋”。问题出在哪里呢？
就在围棋牵涉的计算量实在是太大了。面对一张空盘，尽可海阔天空。国际象棋每步几十个变化，总共走个几十回合；而围棋每手可以多达数百个变化，一盘棋很正常地下到二百多甚至三百手以上。再考虑每手棋下面同等数量级的变化与再变化，倘若暴力硬算，指数级上升的计算量是无论如何吃不下来的
----外在表现就是计算机不停地长考长考长考，就是不落子。
人脑的计算力远不如电脑，但却并不耽误下围棋。这是因为棋手会根据经验、判断乃至个人喜好，把绝大多数“无用”的变化过滤出去，只对很小一部分变化进行计算，并从中筛选一个相对的最优解。要让计算机学会下围棋，就必须复制人类思维的这个过程。只是，九段高手布局时认为应当落在右上星位还是下方大场，或是战斗中选择在左边转换还是朝中央打入，凭着的往往就是“可以一战”抑或“略占便宜”的“感觉”
----高尚些就是“大局观”。一些大局观特别出众的棋手，有时甚至计算环节都省了，照着“感觉良好”的那个点“啪”的就拍下去了。这个来无踪去无影的颇有虚幻色彩的“感觉”，计算机几十年也没学会。
没有至关重要的“感觉”，又无法承担天文数字的计算量，计算机别无它法，只得依赖事先的程序设定，粗暴武断地强行缩减搜索空间
----这里的具体办法千奇百怪，但本质上都是这么回事
----计算量是控制住了，但代价可想而知：在一个受到人为限制，而且每每是无理的严重不靠谱限制下的空间里优化，出来的不是现实世界里的最优解不用说是常态了。
阿尔法
狗的革命性突破，就是找到了
“感觉”的路径：神经元网络深度学习。
