→ moonlind: 如果是這樣 7476那邊有幾個劫爭是對李有利的 李也不爭? 03/10 22:42
推 bcqqa7785: 如果沒有3-2呢@_@ 03/10 22:45
推 jhjhs33504: 好像有點道理... 03/10 23:00
這篇文章不但解釋了第一盤的結果，也點出了第二盤 小李的策略
第一盤 小李有意要測試 阿法狗，卻在中盤最放心的時候被突襲，因而兵敗。
第二盤 小李打算誘使 阿法狗 進入大型劫爭，但阿法狗就是不上當，該退時穩穩地退讓，
同時別地再圈更多。(小李因此被大家看為過於保守)
以上兩盤，都是小李針對 阿法狗 所精心設計的考題，一般人看不出來也是當然
也難怪一堆人說，小李這兩盤下得不像是小李下的。
不知小李這樣的對應，會不會一開始就被 google 料中?
所以才特地為小李講解 阿法狗 的原理與策略。
接下來，小李就要回到他擅長的風格，虐殺 阿法狗了。
以上
※ 引述《tlm (Netherlands)》之銘言：
: 原文出處 http://goo.gl/O7B9ot 簡體中文 內文附圖
: ------------------------------------------------------------------------------
: 【引言】
: 這必將是載入史冊的一天。
: 人機圍棋巔峰大戰第一局，人類輸了。
: 賽前的預測，棋界絕大多數認為李世石必勝，科技界則大約是兩派各半。
: 認為李世石必勝的一方並非全都是出於傲慢無知，更多人不能相信的只是—這麼快。科
: 技界也有很多人了解算法之後認為AlphaGo還不足以戰勝人類。從去年10月的五盤棋譜，
: 到谷歌公開的論文，人們認為圍棋AI仍然存在弱點，存在不能在這麼短的時間內解決的
: 問題，而這些問題將會導致AI在巔峰對決中失利。
: 然而，
: 李世石輸了。
: ------------------------------------------------------------------------------
: 關於這盤棋，會有很多解讀。不止在今天，甚至在數十年之後，這盤棋還可能會被拿出來
: 研究，從棋譜上，更從人機不同的思維上。不論未來回看這盤棋的是人類還是真正有了自
: 我意識的AI，想必都會有與當下的我們不同的感受。而我們有義務把我們的感受和思考記
: 錄下來，讓後人知道當時的人究竟是如何理解這盤棋，他們有哪些錯誤的認識、可笑的想
: 法，又有哪些深刻的洞察。
: 我們來看看，今天這盤棋，究竟發生了什麼。這盤棋可能將是有史以來職業棋手最難以統
: 一意見的對局，以下觀點是我個人見解，只是在圍棋AI時代毫無預兆迅猛而來時，一名棋
: 手盡可能理性的分析和思考。
: 【一、李世石的針對性策略】
: 從棋譜來看，我認為李世石在這盤棋前後主要使用了一個試探，和兩個策略。
: 1 ）試探：從未出現過的佈局
: 李世石第7手，沒有按常規佈局在上邊連片，而選擇走在右邊。李世石自己在職業比賽中
: 從未使用過這一開局，甚至整個職業圍棋界，沒有人見過這一開局。
: 李世石不按常規佈局，顯然是對電腦的一種試探。在去年10月AlphaGo對樊麾的五盤棋中，
: 所有開局都是常規佈局，雖然那五盤的開局在今天已經不是主流，但都是曾經流行一時
: 的佈局。
: 避開流行佈局，甚至避開曾經流行過的已經被淘汰的佈局，選擇一個從未出現過的佈局。
: 李世石在考驗AlphaGo在佈局階段的應變能力。我們知道AlphaGo的深度學習基於大量已有
: 對局的數據，那麼，面對一個棋譜庫裡從未見過的佈局，AlphaGo你將如何應對？
: AlphaGo給出了完美的回答。
: 白8掛角正常，黑9二間高夾最為激烈。白10，這一手……非常出色。
: 通常情況下，在右上白8遭遇二間高夾的時候，白10是“不存在”的一手，它不在任何定
: 式之中。面對黑9，白棋有諸多定式選擇，卻沒有白10這一手。
: 然而，我認為白10是好手。
: 白10的好處在於使黑7變成效率低下的一手，雖然在右上局部白棋稍稍虧損，但加上黑7的
: 低效，白棋一點也不吃虧。
: AI竟然會通盤考慮！傳統的圍棋AI，會根據已有棋譜來走定式，定式是經過長期檢驗的局
: 部雙方可以接受的定型。然而定式的弊端就在於，不同的周圍環境，不同的周圍環境，定
: 式的適用性有所不同。從這盤棋來看，黑9夾擊之後，白棋如果選擇面對二間高夾最常用
: 的“妖刀”定式，即走在15位，反而將使黑7的位置成為絕對的好點，黑7的效率將會大大
: 提升。
: 實戰白棋選擇了一個定式裡沒有的、局部稍虧的、卻使得黑7這個遙遠棋子的效率變低的
: 下法，非常清楚地證明了兩點：
: ‧電腦不依靠背譜來下棋
: ‧電腦的考慮基於全局而非局部。
: 當然，第一點其實在對樊麾的棋譜中已經可以看出來。在對樊麾的常規開局中，AI出現了
: 數次不同於“譜著”的下法。其中有一盤出現“大雪崩”定式，電腦選擇的次序是定式和
: 棋譜裡沒有的，而且是從邏輯上不如譜著的。注意，這裡強調是邏輯上不如譜著，而不是
: 在經驗上。即，AI當時的次序是“絕對弱於”譜著，只可能虧沒可能便宜，雖然選點是正
: 確的，但在我們看來是“次序錯誤”。這體現出，AlphaGo不依賴於定式和譜著，但也暴
: 露出AI在邏輯上的不足，反應在棋盤上就可能會出現次序錯誤。這一點，也是棋手普遍不
: 看好AI能戰勝李世石的一個原因。
: 但這一問題在這盤棋我們並沒有看到。起碼，沒有非常明顯地顯現出來（後面會提到一個
: 細微的類似問題）。
: 而第二點則是這盤棋AI開局給我們秀出的能力。他輕易擺脫了李世石設下的定式圈套，以
: 全局的視野作出了定式中不存在的選擇。
: 如果說第一點是我們在AlphaGo對樊麾時已經能夠看到的情況，那麼第二點則是這局棋在
: 佈局階段對人類試探的完美答覆。如果只依靠大量棋譜堆砌出來的局部圖像識別，AI做不
: 出這樣的選擇。
: 2 ）策略一：開放式複雜局面
: 李世石第一次試探得到了AI的完美答覆，然後李世石使用了他的一個重要策略。從局後來
: 看，正是這一策略導致了李世石局面的被動，但在賽前，我們並未想到這一點。
: 我們不知道李世石在賽前有沒有接受人工智慧領域專家對AlphaGo算法的分析，但從李世
: 石採取的策略來看，他顯然有非常強的針對性。
: 我們知道，深度學習在圍棋盤上的主要作用是大量剪枝，通過價值網路和策略網路，將搜
: 索的空間大幅減小，形成“棋感”。在這個基礎上，再輔以傳統的蒙地卡羅演算法做搜索
: 計算，最終確定落子的選擇。圍棋中存在一些封閉的計算空間，比如局部的“死活題”，
: 對於AI而言可以通過窮舉來遍歷每一個選點，從而完成計算，得出落子點。但圍棋中更難
: 的部分是開放式的複雜局面，每一處的不同選擇都會波及到其它地方，所謂“牽一髮而動
: 全身”。而這種局面頭緒繁多，可供思考的選點很多，不同選點之後變化的深度和廣度都
: 很大，並且往往一個細微的計算失誤會導致整局棋的徹底失敗。對於職業棋手而言，這種
: 局面正是最難把握的局面之一。
: 賽前有人猜測，AlphaGo的剪枝面對開放性複雜局面的效用將會降低，而搜索的深度、廣
: 度和準確度要求，又使得AI不能依靠蒙地卡羅演算法達到精確結果，因此這很可能是基於
: 深度學習和蒙地卡羅的圍棋AI的一個弱點。
: 不論李世石是否了解到這些，總之他使用了一個策略：迅速導入開放式複雜局面。
: 這裡不做過於具體的技術分析。李世石第23手靠，和第27手擋，將局面導向了開放式複雜
: 局面。原本李世石有更為柔和的選擇，但他選擇了最為強硬的下法。我們看到，AI的白24
: 、26、28是非常敏銳的戰鬥嗅覺，完全沒有避戰。
: 從我的經驗來看，這個戰鬥是由黑方挑起的，而黑方挑起戰鬥的時機並不成熟。在勢均力
: 敵的對局中，我們往往會試圖在認為有超過50%成功率的時機選擇戰鬥，只是棋手有力戰
: 派和穩健派的分別，力戰派對於戰鬥的判斷會更為樂觀一些。
: 李世石是偏力戰的棋手。但在本局中，這一開戰時機仍然是過早了，可以說是立足未穩時
: 衝向了敵營。我相信在對手是人的情況下李世石通常不會如此選擇，他會尋找一個更合適
: 的時機展開戰鬥，而且他本身就是一個極為擅長尋找戰機的大師。
: 但是他選擇了不等佈局結束，直接開戰。
: 至此，形成了六七塊棋互相糾纏的局面，頭緒非常之多。這是典型的開放式複雜局面。
: 仔細觀察可以看到，AI是有機會避開這種局面的。
: 白42手可以選擇在1位這裡貼吃，選擇吃掉中間兩子，棄掉上邊三子形成轉換，如此便會
: 避免複雜的戰鬥局面，形勢也並不落後。
: 但實戰白棋選擇把上邊三子跳出，形成混戰局面。這是更強的下法。
: 那麼，在進入開放性複雜局面之後，AlphaGo的表現如何呢？
: 答案是，非常好。
: 下午我在新浪和俞斌老師一起做現場直播時，同步進行至此，俞斌老師表示擔心白棋上邊
: 二路立一個先行搜刮，趁黑立足未穩先賺取利益。話音未落我們就看到AlphaGo下出了這
: 一步。
: 這步靠，本身似乎是“不成立”的，因為黑棋可以輕易地徵吃白棋。這一步是業餘棋手絕
: 難想到的下法，因為白棋右上自身正處於防守狀態，順著往下貼是本能下法。然而AI下出
: 這一步，在防守時反手一擊，包含了棄子整形、試問應手等諸多人類理解的含義。
: 誠然，黑棋可以很輕易地吃掉白棋靠出來的這個棋子，但代價是黑1的俗手打吃和白4的先
: 手便宜。職業棋手能夠很容易地看出白棋送一個子整形是有所便宜的，但AI也能輕鬆地做
: 出這一判斷，並且在防守時有此“意識”，真的很神奇。
: 當然，對於跨斷送吃這步棋究竟是否“好”，棋界並不能給出十分確定的統一答案。但是
: AI下出這步棋，仍然是對其能力的展現，起碼認為AI不會主動棄子、不會防守反擊的論斷
: 可以休矣。
: 棋局至此，其間的進程在這裡不做技術細節上的評論。簡而言之，面對開放式複雜局面，
: 白棋處理得井然有序，該棄的棄，該取的取。李世石的第一策略宣告失敗。
: 這證明了，基於深度學習和蒙地卡羅的圍棋AI面對“開放性複雜局面”時的能力並未如設
: 想般下降，反而應對得法，在李世石挑起不利戰鬥的情況下取得了局面的領先。
: 李世石或許意識到了這一策略並未奏效，於是迅速調整，進入了第二策略。
: 3 ）策略二：膠著的細棋局面
: 事實證明AlphaGo並不懼怕複雜的戰鬥格局，於是李世石選擇及時收手，試圖將局面導向
: 細棋。
: 細棋局面下，要求雙方在每一處細小的地域爭奪上都盡量做到極致，一兩處的失誤雖然不
: 會造成大片傷亡，但常常足以致負。
: 第77手，這是李世石第二策略的開始。這手棋宣告停戰，進入膠著的細棋狀態，比拼後半
: 盤的功力。如果不選擇停戰，李世石可以考慮直接在左下掛角，引誘白中腹兩子逃出，進
: 而繼續戰鬥。
: 但李世石認為第一策略的試探已經完畢，沒有奏效，因此選擇了第二策略。
: 接下來的棋局，我們轉換一下視角，從AlphaGo的角度來探究。
: 【二、AlphaGo的爭議著法】
: 關於AlphaGo在此局的表現，棋界比較一致的觀點是從佈局到中盤的激戰白棋下得很好，
: 分歧點主要在對AlphaGo在後半盤的表現。
: 1 ） 緩手？
: 第一個焦點是第80手。上一手黑棋剛在下邊掛角，白棋正常的下法是在左邊跟著守一步。
: 但實戰白棋選擇脫先，在左上補了一手。
: 黑棋上一步沒有選擇在左上馬上行動，是認為這樣直接作戰並沒有把握。實戰先在下邊掛
: 角，穩住實地，再作圖謀。
: 面對左下掛角，局部跟著應一個是最常見的下法。但黑棋在確保了下邊的地域之後，左上
: 可能會選擇現在2位迂迴，如果白棋毫不退讓，那麼6位再戰出相當嚴厲。如果白棋退讓，
: 黑棋可以得到左上的角地。這裡具體的定型變化並不容易得出結論，存在不少分支。
: 實戰白棋選擇了脫先補左上，左下黑棋得到“雙飛燕”作為補償。至此，對棋局的判斷出
: 現分歧。做直播的棋手中，有一些認為此時已經是黑棋優勢，白棋上一步補棋是大緩手。
: 也有人認為白上一步雖然緩，但形勢還是白棋不錯。
: 上一步究竟是不是緩手？我們這裡先不做結論，往下看。
: 2 ） 惡手？
: 下一個焦點在第86手。
: 白86斷，又是棋譜裡沒有的下法。不過對局至此，我們對此已經並不驚訝。這步斷的意圖
: 對人而言很好理解，由於黑棋右邊很厚，白棋想通過棄子整形，使黑棋的厚勢變得重複、
: 效率低下。從人的角度來看，這是白棋最明顯的意圖。
: 實戰結果，棋手普遍認為左下白棋虧損，並且是嚴重虧損。這是因為，黑棋圍住了一大塊
: 空，白棋實地受損。
: 普遍推薦的變化是這樣，白棋在確保自身安全的同時盡可能縮小黑棋的地域。有人認為，
: 這樣的進行白棋比實戰“便宜一個貼目”，也就是六七目。如果是這樣，實戰白棋的選擇
: 虧損嚴重。
: 但是，這個圖存在一定的風險，關於這個風險我們留到後面來說。
: 【三、載入史冊的一手！】
: 左下定型結束，人類棋手普遍產生樂觀情緒：李世石優勢，AI也不過如此嘛。
: 然而，接下來的AlphaGo的一步棋成為了此局最為閃耀的明星。
: 白102，右邊三路點！
: 這一手必將載入圍棋的史冊，與古今諸多妙手共同譜寫燦爛的篇章！
: 在未來的AI棋譜中，必將留下非常多震撼人心的妙手：它們或許比這一手更加精妙，或許
: 比這一手更加深奧，但它們都無法取代這一手在圍棋歷史中的位置！
: 此手完全出乎了李世石的預料，他面對這一手進行了全局唯一一次長考，仍然遭受重創。
: 在直播時，也有職業高手在白棋下出這一步之前已經預測到這一手。但是，對於人而言這
: 裡有一件非常有趣又苦惱的事情：對局者對於對方這種著法的預計往往不如觀戰者。
: 這是因為，觀戰者可以很輕鬆地站在雙方的立場來思考棋局，為雙方尋找最強的著法；而
: 對局者更多時候是在思考自己的著法，相較而言會容易忽略對方隱蔽的強手。李世石如果
: 預料到這一手，或許會在之前找機會刺一下作為防備。但作為對局者很難有如此周密的行
: 為，尤其在面對AI的時候，更難想到電腦會有如此強的手段。
: 更有趣的是，這一手包含了相當大的計算量，有不少需要計算的分支，如果是人來下，即
: 使能想到這一步，離真正算清楚並下出來還有不小的距離。也就是說，即使人類看到這一
: 步，也要通過大量時間的計算來驗證這一步是否成立。然而，電腦下出這一步，並不比其
: 他的著法用時更長，相反比後面一些人類看來簡單甚至必然的著法用時更短。
: 我們不禁要問：AI真的都算清楚了嗎？
: AI 、真、的、都、算、清、楚、了、嗎？？
: 實戰的結果是這樣，白棋右邊先手割下黑棋三子，回到左上守角。順便提一句，這裡守角
: 的手法值得注意，大量棋譜以及多數棋手的第一感都會走在旁邊一路，但只要仔細看一下
: 就會發現，此局面下實戰AlphaGo的選點更好。
: 棋局至此，我認為已經是白棋稍優的局面，但也有人認為仍是細棋。
: 實戰黑棋123手以下明顯虧損，如圖尖頂活角優於實戰。但此圖究竟誰勝，還需要深入的
: 仔細研究。我個人的意見是，白棋稍優，並且我猜測AlphaGo也認為能贏。
: 黑123以下在目數上虧損了接近一個貼目，使得棋局直接失去了懸念。最終雙方盤面接近
: ，李世石無法貼目，投子認負。
: 我們驚異於AlphaGo的表現，驚嘆於李世石的敗北。對於接下來的比賽，很關鍵的一個問
: 題是，AlphaGo究竟有沒有失誤？
: 【四、AlphaGo 的“失誤”】
: 這盤棋AlphaGo有沒有失誤？
: 令人欣慰，從人的眼光來看，我們可以找到AlphaGo的明顯失誤。這種失誤不是指那種基
: 於人類經驗而認為的失誤（經驗有可能會騙人），而是可以通過邏輯分析來確認的失誤。
: 1 ）“失誤”一：
: 白136手吃。對於職業棋手而言很容易判斷，應該吃在一路，比實戰便宜大約1目。
: 2 ）“失誤”二：
: 白142手擋，對於職業棋手而言，這也是一個很容易確認的明顯虧損。
: 白棋正確的下法是1位跳，這樣將來留下了5、7、9吃兩子救回三子的下法，從目數上分析
: 明顯優於實戰（大約1-2目）。即使白棋不在5位扳，走8位先手粘掉也優於實戰一點點。
: 這兩處“失誤”都是在局部，沒有任何與外界的關聯性，屬於封閉式的失誤，其虧損可以
: 用邏輯推理的方式證明。相較於AI展示出來的水平，似乎這兩個失誤是“不應該”的。
: 基於此，又有棋手表示：“這都看不到，AI不過如此啊”。
: 前面“惡手”裡講到的左下角白棋的問題，也有人看做是第三個失誤。但那個失誤的性質
: 與這兩個不同，我們對那個失誤的認定在很大程度上還是基於經驗的，雖然也包含了邏輯
: 推理，但並不完全。在我看來，按照笛卡爾的理論，對這那失誤的認定是可懷疑的。
: 但這兩個失誤卻不可懷疑。既然如此，我為什麼要在標題裡給“失誤”打引號呢？
: 這引出了一個非常有趣的話題：在棋盤上，失誤的定義是什麼？
: 3 ）不同的“失誤”定義
: 對於我們棋手而言，什麼是棋盤上的失誤？假如我們把基於經驗認定的失誤都排除在外，
: 只留下基於邏輯推理認定的失誤，那麼失誤意味著：A在邏輯上優於B，而我選擇了B。
: 在這個意義上，只要我們找到了“可確認的更優下法”，就認為我們出現了失誤。
: 但是，對於AI而言，失誤是否意味著相同的事情？我們怎麼理解AI出現了在我們看來低於
: 其水準的失誤？
: 這就涉及到AI的算法問題。假如AI有一天窮盡了圍棋，那麼只要它有一步不踏在最優解集
: 合裡，就是失誤。但是，現在的AI還遠無法窮盡圍棋。
: AlphaGo的算法運用了神經網路加蒙地卡羅，蒙地卡羅演算法的一個特點是：不求最優。
: 蒙地卡羅演算法給出的是搜索之後的勝率評估，然後AI會根據這個勝率來選擇落子點。也
: 就是說，AlphaGo本來就不追求最強最優的下法，它只是追求在它看來勝率最高的下法。
: 那麼，回到前面那兩個“失誤”，之所以打上引號，是因為在AlphaGo看來，或許這根本
: 不是失誤！
: 雖然在我們人類看來，邏輯上明顯A優於B，但AI在那時認為兩者的勝率相似，從獲勝的角
: 度來說，兩者沒有區別！甚至A之後的犯錯機率高於B，從而導致它認為B的勝率高於A！
: 如果兩條路同樣能通往勝利，在AI的意義上，你還能說它是失誤嗎？
: 或許能！
: 但是前提條件是人類利用這種“失誤”擊敗了它！否則，在AI的意義上我們無法指責那是
: 它的失誤。
: 再回過頭看前面，白棋左上的補棋和左下損目搶得先手，真的是可以確認的壞棋嗎？
: 左上的補棋，證明AI認為補棋的勝率優於走左下，這一判斷很可能是建立在AI對右邊那手
: 點的認識之上。甚至大家公認的左下白棋虧損，也可能是基於對右邊那手點的認識，希望
: 在左下搶一個先手，並且在勝率上認為這是沒有問題的。
: 而李世石對形勢的判斷顯然是基於沒注意右邊那手點。
: 【五、AlphaGo 的“弱點”】
: 這麼說，難道AlphaGo真的就不可戰勝了？不一定。從這盤棋中，我們可以看出AlphaGo的
: 弱點。問題在於，這幾個弱點是否足以影響人機對決的勝負？
: 1 ）邏輯缺失
: 雖然上一章我認為對AI失誤的認定需要謹慎，但在另一個層面上，這還是說明了AlphaGo
: 的弱點。
: 深度學習加蒙特卡洛，AlphaGo在剪枝和搜索這兩方面的能力在這盤棋中已經得到證明，
: 人類下棋同樣依靠剪枝和搜索，並不能在這兩點占得上風。
: 但是，AlphaGo的算法缺乏邏輯能力。這一點實際上在10月對陣樊麾時已經有所體現，在
: 這一局的兩處“失誤”則體現更為明顯。
: 蒙地卡羅演算法使它並不是根據“邏輯上A優於B”來做選擇，而是根據AB各自的勝率來做
: 決策。
: 在準確性上，機率不如邏輯。
: AI基於邏輯缺失而導致的“失誤”，是否可能成為人類棋手的突破口？
: 2 ）逃避劫爭？
: AI面對複雜劫爭時的糟糕表現，是蒙地卡羅時期固有的頑疾。去年在北京奪冠的圍棋AI，
: 在對陣連笑時甚至不能理解循環劫，不停地找劫來回提，使局面一塌糊塗。這是因為，基
: 於機率，循環劫也總有打贏的可能性。這也是第一個弱點的延伸，如果基於邏輯，會明白
: 這是不可能的事情。
: 使用的深度學習的AI能否避免這個問題？目前我還沒有看到。不過，似乎AI有刻意逃避劫
: 爭的傾向。
: 回到有爭議的左下角，棋手普遍認為白棋如圖是最強的下法，但是AlphaGo可能擔心劫爭。
: 黑6開劫是最強的下法，在右邊點一手找劫，接下來可能形成轉換，白棋是否肯定便宜？
: 粗粗一看，不能確定。
: 另一處有趣的是最後的官子。
: 此時白棋勝勢已定，在做最後的定型。黑棋左下先手搜刮，白棋需要做活。
: 實戰白棋選擇的是1、3做活，並非最強手。
: 最強手是白1，成連環劫活，目數優於實戰。
: 但是，無論是出於不考慮最強手，還是出於對劫爭的逃避，實戰白棋沒有這樣選擇。
: 這麼看來，起碼AlphaGo還沒有顯示出它有應對複雜劫爭的能力。
: 那麼，劫爭是否會是AlphaGo的一個命門呢？
: 在我目前看來，AlphaGo最可能的弱點只有這兩個。
: 【六、人類可能的策略】
: 基於對AlphaGo弱點的分析，我認為李世石接下來可選擇的策略並不是很多。
: 1，我最期待的策略是，李世石按照人類研究很深的套路開局，因為AI並不會背套路。即
: 使不能憑此佔優勢，也要盡可能保持局面的均勢。在這個條件下，AI或許會在一些簡單的
: 局部因邏輯缺失而有所虧損，人類牢牢把握住這些微小的利益，最終取得小勝。不過，這
: 似乎並不是李世石常用的風格。
: 2，另一個策略是在局面選擇中盡可能製造劫爭，即製造對方不開劫就不利的局面。當然
: AlphaGo目前沒展現出複雜劫爭的能力並不能證明它沒有這種能力，因此這種策略是存在
: 風險的，太過刻意是不行的，還要考慮局面的自然和均衡。
: 【七、結語】
: 如果我們只用人類思考圍棋的方式來理解AI，或許我們將永遠都不知道是怎麼輸的。
: 如果我們只用人類思考圍棋的方式來理解AlphaGo，或許我們將永遠都不知道是怎麼輸的。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 61.230.220.204
※ 文章網址: https://www.ptt.cc/bbs/GO/M.1457620774.A.D8D.html