劉知青
5月16日， 北郵教授劉知青在廈門大學翔安校區圖書館舉行“圍棋與人工智慧”講座， 介紹人工智慧圍棋中的深度卷積神經網路機器學習方法，
劉知青表示， 即使AlphaGo與柯潔對決的版本進步很多， 但仍存在致命弱點。 在與李世石對決之前， 我就和大多數人觀點不一樣， 認為李世石會 輸。 這次大家都不看好柯潔， 但我就持不同看法， 以子之矛攻子之盾， AlphaGo自己與自己下棋， 肯定有一方會輸。 我們也在訓練人工智慧網路， 認為問題是 存在的。 柯潔應該也知道對手有弱點。 我有信心看到柯潔給AlphaGo很大壓力， 希望能暴露出AlphaGo的問題。 如《荀子·儒效》所說的百聞不如一 見：不聞不若聞之， 聞之不若見之， 見之不若知之， 知之不若行之， 學至於行之而止矣。
烏鎮圍棋峰會後， 穀歌DeepMind團隊應該會披露更多資訊， 目前我們僅能通過一年前戰勝李世石的版本所披露的資訊來分析， 與柯潔對決的版本 一定有更多提升。 圍棋對於電腦主要有兩大技術困難， 落子選點和形勢判斷。 AlphaGo核心技術突破包括：使用深度學習卷積神經網路理解圍棋的落子選點 與形勢判斷；結合蒙特卡洛樹搜索技術進行博弈樹的搜索以選擇雙方最佳落子變化。
AlphaGo以策略網路用於圍棋落子選點：給定圍棋盤面作為輸入， 策略網路輸出落子選點的概率分佈。 以數學函數方式類比人的大腦 神經元構建， AlphaGo的中間層用了13個卷積神經網路層構建， 而最前沿的人工智慧在中間層用了多達150層來計算。
AlphaGo以價值網路用於圍棋形勢判斷：給定圍棋盤面作為輸入， 價值網路輸出勝率的估計。 價值網路由13個卷積神經網路層所構建， 通過3000萬盤圍棋對弈樣例資料， 使用增強型機器學習演算法所訓練。
1959年Arthur Samuel曾說， Gives “computers the ability to leearn without being explicitly programmed， ” 讓電腦自己去學習。 機器學習是人工智慧最前沿的研究方法， 人工智慧的研究經歷了從“推理”到“知識”再到“學習”的發展過程。 機器學習已廣泛應用於諸多 領域：資料採擷、電腦視覺、自然語言處理、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫辨識、戰略遊 戲和機器人等。
展望未來， 機器智慧高速發展。 機器學習將促使機器智慧以指數級發展， 會產生更多新型智慧形態， 會在不同智慧形態上達到前所未見水準。 人類與機器 將更緊密結合在一起， 機器會為人類提供更強大的智慧支援。 人類為機器智慧的進步提供驅動力。 未來機器是否具有自我驅動力， 將是徹底改變未來場景的未知數。
隨後的提問環節， 有學生詢問， AlphaGo也會自我對局， 從輸棋中不斷進步， 如何以子之矛攻子之盾？
劉知青：圍棋理論上存在最優解的話， 無論AlphaGo多強大， 都還未達到那個程度。 以子之矛攻子之盾， 總是會有一方要輸的， 我有直覺， 因做過研究，
問：AlphaGo、絕藝、DeepZenGo的棋風不同是什麼原因？
黃子忠：從我這個棋迷來看， 三個軟體的投入不一樣， 不是一個級別。
劉知青：子忠說的很對。 絕藝投入非常多， 而穀歌收購DeepMind投入更多。 三者技術路線一樣， 但技術差別可以很大， 比如都選用15萬盤資料， 但可能選擇的資料參數不同， 到最後實踐過程中會有巨大差別。
問：最近德州撲克人工智慧也打敗了人類牌手， 與AlphaGo孰優孰劣？
劉知青：相當於蘋果和梨的比較。 德州撲克與圍棋都是局部有限級的內容， 圍棋是全部資訊公開， 德州撲克是不完全資訊公開， 但也有概率分佈， 能知道 牌的總數， 不可能有5張A， 可以通過數學模型和蒙特卡洛樹搜索來解決。 智慧有不同的智慧，不必直接比較。AlphaGo使用神經網路識別圍棋圖像，是有廣 泛應用意義，比如今後識別心電圖圖像，所以我更看好圍棋AlphaGo。
問：AlphaGo如應用到象棋，是否能強過現有象棋軟體？
劉知青：本質上涉及到圍棋與象棋的不同。象棋幾乎是邏輯判斷遊戲，比如我目標就是最終的將軍。圍棋不僅是邏輯，很大方面是形象思維過程，識別圖片的好 壞，這在象棋方面非常弱。下圍棋與下象棋時，人類大腦活動掃描出來是很不一樣。神經網路説明我們從形象思維方面來識別圍棋，如直接將AlphaGo應用到 象棋，發揮可能反而不如現有象棋軟體。智慧有不同形態，人工智慧不是萬能的，現在的人工智慧強在圖像識別。
問：有個識別顏色的人工智慧軟體，但似乎只在膚色方面非常敏感？
劉知青：不太熟悉這個人工智慧軟體，不過很有可能是在訓練時，對人類膚色比較敏感，其他顏色的資料訓練沒那麼多。另外，就是卷積資料核方面可能 對人類膚色參數設置不同。可能今後還需要在神經網路方面調整資料集。AlphaGo在圍棋某些方面可能更敏感，有些方面可能會弱一些，這就有可能是 AlphaGo的弱點所在。
（李新舟）
智慧有不同的智慧，不必直接比較。AlphaGo使用神經網路識別圍棋圖像，是有廣 泛應用意義，比如今後識別心電圖圖像，所以我更看好圍棋AlphaGo。問：AlphaGo如應用到象棋，是否能強過現有象棋軟體？
劉知青：本質上涉及到圍棋與象棋的不同。象棋幾乎是邏輯判斷遊戲，比如我目標就是最終的將軍。圍棋不僅是邏輯，很大方面是形象思維過程，識別圖片的好 壞，這在象棋方面非常弱。下圍棋與下象棋時，人類大腦活動掃描出來是很不一樣。神經網路説明我們從形象思維方面來識別圍棋，如直接將AlphaGo應用到 象棋，發揮可能反而不如現有象棋軟體。智慧有不同形態，人工智慧不是萬能的，現在的人工智慧強在圖像識別。
問：有個識別顏色的人工智慧軟體，但似乎只在膚色方面非常敏感？
劉知青：不太熟悉這個人工智慧軟體，不過很有可能是在訓練時，對人類膚色比較敏感，其他顏色的資料訓練沒那麼多。另外，就是卷積資料核方面可能 對人類膚色參數設置不同。可能今後還需要在神經網路方面調整資料集。AlphaGo在圍棋某些方面可能更敏感，有些方面可能會弱一些，這就有可能是 AlphaGo的弱點所在。
（李新舟）