围棋的未来在何方？——人机大战对围棋文化的影响研讨会
会议时间： 2016年2月16日9：00～13：00
主办单位： 国学网、光明日报
参会嘉宾：林建超（中国围棋协会副主席）
邱运华（首都师范大学副校长）
梁 枢（光明日报国学版主编）
尹小林（首都师范大学电子文献研究所所长）
韩立新（清华大学哲学系主任、清华大学围棋文化交流与研究基金会主席）
孙茂松（清华大学计算机系主任）
干春松（北京大学哲学系教授、儒学研究院副院长）
王 元（《围棋天地》副主编）
程广云（首都师范大学哲学系主任）
刘知青（北京邮电大学软件学院教授、围棋软件开发者）
邓瑞全（北京师范大学易学文化研究院副院长）
方 铭（北京语言大学孔子与儒家文化研究所所长）
尹小林：
我先介绍一下在座的各位嘉宾。
林将军是中国围棋协会副主席，大家都认识，他在《围棋天地》发表的《围棋与国家》已经上了全国高考语文试卷，是围棋文化的领头人。
邱运华老师是首都师范大学副校长，喜欢围棋，特别支持围棋活动。
梁枢先生是《光明日报》国学版主编。
韩立新老师是清华大学哲学系教授，也是清华大学围棋文化交流与研究基金会的理事长。他们已经在日本、韩国搞了一些围棋文化交流活动，可能以后还会在欧洲、美国搞活动。
干春松老师是北京大学哲学系教授，研究领域是中国哲学和中国传统文化。
程广云老师是首都师范大学哲学系主任，也爱好下围棋。
方铭老师是北京语言大学孔子与儒家文化研究所所长。
邓瑞全老师是北京师范大学中国易学文化研究院常务副院长。
刘知青老师是北京邮电大学软件学院教授，这两天他一直在电视网络上讲解人机大赛。他本人就是搞围棋软件开发的。
王元先生是《围棋天地》的副主编，职业八段，是在座中围棋水平最高的。
孙茂松老师是清华大学计算机系原系主任，现在是书记。
非常荣幸能够邀请到各位来座谈，这次我们人数不多，但都是各个领域的高人。我们前任校长曾经有个愿望，他说我们应该办教职工的围棋比赛，办北京市大学生的围棋活动，还应该出版一些围棋古谱，尽量使我们学校有文化一点。
今天这个话题我觉得特别有意义，这是一个面向未来的崭新话题。原来国学网也主办过一些活动，比如《中国历代围棋古谱集成》，是面向过去的整理；“国学杯”是面向业余棋界的比赛，等等。而本次座谈会则是面向未来的一个活动，这是非常有意义的。能在这里来听一听各位的高见，我觉得是非常幸福的一件事情。
各位嘉宾，我先把这次活动的缘起做一个简单陈述，然后大家自由发言。
这次人机大赛的意义，已经远超主办方的设想。记得去年十一月份去韩国参加围棋活动，大家还在讨论围棋软件，去年在中国搞了一个计算机围棋大赛，当时最好的围棋软件的水平，职业棋手要让五到六个子，所以许多人认为五十年之内计算机下不过职业棋手，甚至有人说这辈子都见不到计算机在围棋上战胜职业棋手的这一天。今年二月，樊麾战败这件事一出来，围棋界就炸锅了，樊麾是职业二段，计算机5：0全胜。后来就是三月李世石与AlphaGo大赛，它的影响已经超出了围棋界，超出了科技界，更大程度上也是一个文化事件。今天我们这个会议的范围很小，但是有围棋、科技、文化三个方面的代表。
这几天我看了大赛的棋谱和一些媒体的报道，有三点感受。
第一个感受是强者至上。在围棋界，谁的水平高，谁就拥有更多发言权。此前计算机软件水平不高，没有多少发言权。这一次AlphaGo软件出来以后，职业棋手就开始谦虚了。
现在讨论比较多的，把计算机叫做围棋上帝。从某种意义上讲，计算机就是代表上帝和人在下棋，我的第一个感受就是计算机太强大了。
第二个感受是大道至简。最大的道理是最简单的。今天我们还请了《周易》方面的专家，《周易》的“易”与对弈的“弈”是同音的，在古汉语里面，同音往往同义。当围棋这么复杂的游戏可以简化到用二进制来表述的时候，它就与《周易》相通了。
原先我们认为围棋变化太多，无法计算，但是当我们找到一种算法时，情况就变了。前两天一个搞计算机的朋友跟我透露了一个信息，他说现在AlphaGo已经找到一种基于图像的算法，直接计算棋形的面积，计算双方棋子的面积。大道至简，最复杂的东西用最简洁的方法来表示，这就是计算机的基本原理。
第三个感受是弱势平衡。世界上不能只有强者，弱者是和强者共存共生的。比如王元老师是职业八段，我是业余3段，如果他让到五六个子的时候，我们双方力量就平衡了。实际上我们的文化也好，围棋也好，周易也好，中医也好，都在讲平衡。这次人机大战很大程度上是在逼迫我们去思考历史、现代和未来，我们需要从文化的角度上去思考这次人机大赛的意义。
我先讲这些，抛砖引玉，主要是听大家的发言。
一
上海日报有一个退休的高级记者叫胡新梅，曾经做过多年的围棋报道。前年的时候找到我，我写过一本《现代计算机围棋技术》，讲得其实就是AlphaGo一些基本方法，还有一些创新放在后面。他看这本书以后觉得非常有意思，就说我们来做一个对话吧。他是从文化、围棋的背景，我是在人工智能的背景，这样做了一个对话录。那本书里面，我们做了一个大胆预测，我说计算机围棋会在五到十五年之内战胜顶尖职业棋手。这个可能是当时最大胆的预测了，没有人相信这个预测。去年十一月份的时候举办首届计算机围棋锦标赛，我们几个当时也做了一个沙龙讨论，去预测什么时间能到达这个点。普通的研究人员也都是认为十五到二十年，那是在去年十一月份。其实去年十月份AlphaGo已经战胜樊麾了，但当时还没有公布，这件事公布是在今年一月二十八日，他们的文章在顶级科学杂志《Nature》上发表，公布了这个事实。这远远超出像我从事这个行业的一个最乐观的估计，所谓乐观的估计还是显得悲观了，不是五到十五年，而是五到十五个月已经完成这个事情了，这是科技的一个重大突破，当然它对围棋也有一个深远的影响。我想我就先说这么多，也请各位教授专家从文化角度更深地去解读这个事情。
首先呢，《Nature》那篇文章非常重要，我仔细读过它，那篇文章指出了一个很明确的方向，但是它没有公布细节。细节也没有办法公布，如果公布细节的话，那就不是十页纸，而是要占一百页纸了。它不公布细节，所以别人要复制那些细节还是需要一定的工作量，我们的团队其实已经开始复制这些技术当然有些细节，有些参数都是要重新去摸索，我觉得田渊栋还需要摸索一些细节。要掌握这个技术，即使公布了方向，就像知道要这样做才能爬到珠穆朗玛峰，但你按着方法去爬，也不是十天半月能够做出来的东西。
那么这个团队，我们可以看到，是非常大的一个团队。他们发表论文就有二十几位作者，都是长期从事计算机工作的博士专家，最前沿的学者。可以想象它的工程师团队人数，乘以二或乘以三都是有可能的。而且他们做了两年，主要人员都有十多年的计算机围棋研究背景，有十多年的积累。罗马不是一天建成的，怎么也不可能说十五天就可以完成复制，这是不太现实的，我不大相信这个论文一出来，十五天就能够把它复制，里面有很多细节还需要摸索和积累。
阴谋论总是有的，但我看他们的论文，非常有说服力。而且，世界上能够这样战胜李世石的，应该是没有的。在现场它不可能去作弊，它下棋的方法也不是人的方法，它做了很多像我们看到的交换，我们看来都是俗手，这些小细节不是最优，但它仍然可以碾轧李世石。李世石唯一一盘的翻盘，只是计算机在那个时候犯了一个错误，而这个错误其实是它使用技术的一个特征。它使用这种技术，其实就是有这个错误，是算法本身的缺陷，只是说平常这个东西没有这么复杂，没有这么大的压力，没有显现出来。当时是一个很复杂的死活计算问题，计算机就把它算错了，这个弱点恰恰说明这是一个软件，是一个计算机。而且它的强项也是计算机的强项，不是人的强项。整个过程应该还是一个非常有说服力的技术的展现。
韩立新：
自从谷歌这个论文发表之后，很多人就要去进行模拟验证，根据它提供的突破点去编程，弄出来的程序都达到了业余五六段的水平。这些在过去都是不可想象的，当然我估计也不是那么简单，可能前期也有做过研究，但是能达到这个水平是有可能的，不见得能够怀疑科学。
五六年前，微软有一个华人学者，是清华出去的，负责微软的语音识别项目。他是湖南人，兼湖南大学的教授，当时天河一号应该在湖南大学放了一套系统，他就想做点事情，与我商量说能不能做个围棋软件。当时我觉得围棋太复杂了，业界共识都一样，太复杂了。当时确实没有好办法，它的搜索空间太大了。我大概算了算，纵横19道，361点，每个点都有白子、黑子、无子三种可能，这就是3361。算下来一盘棋有10172种可能。
林建超：
这是沈括在一千年前记载在《梦溪笔谈》里的，其实理论上还要比这个数字大得多。沈括当年不能掌握的，一个是组合的方法，第二个是满空间的算法，第三个是黑白双方运行，而且他不知道重复提子，这些东西当年都没有计算在内，所以一个点不是三种可能，是更多种可能。拿现代的高等数学来计算，由数学博士生导师、计算机专家组成一个组算了三个月。沈括的那种算法就太简单了，那是一千多年前中国人的智慧，在当时是全世界最高水平。现在来说，由于围棋技术的发展和围棋实战经验的积累，使大家认识到围棋里有更多规律性的东西，所以不是那么简单的。
孙茂松：
反正很复杂，我算了算这个复杂的不得了。而且这里面还有一个问题，你必须把人类下得比较好的棋盘给它送进去，做机器学习，才有可能。但是中国大学里面你要去做这个工程是很困难的，几千万棋盘要送进去。所以当时真是没有好办法，大学没有这个工程能力。谷歌它肯定有这个工程队伍，才能把几千万个棋盘给送进去。再一个国内科学体制下没有办法拿到这个经费，做个围棋的你给我三千万，没有结合国家重大需求也拿不到。所以当时就没敢做。但是到最近两三年的时候，卷积神经网络出来，当时我的第一直觉就是：围棋可以做了。因为卷积神经网络这几年在语音识别、图像识别上的进展是突飞猛进。这个网络模型本身很简单，稍微讲一讲可能半个小时就搞明白了，但是它的参数很多。语音识别现在做到什么程度，它的错误现在大概在9%，以前要高得多。图像识别，现在国际上有一个公开的图像识别比赛，当然用计算机来比。大概就是任意给你图像，你把它分到一千类里的一种。人的错误率大概是5.1%，但机器大概能做到3.5%。这个是现在包括谷歌，包括微软，包括百度在激烈竞争的一个领域，也是用卷积神经网络。这个卷积神经网络，就是输入一张图片，一个最简单的图片，64*64的一个点阵，比围棋要复杂的多，围棋不就是19×19么？而且围棋就是黑子、白子、无子三种可能，它不是。
刘知青：
我再补充一下。如果简单的说围棋有多少种状态，沈括就算出来了，但围棋不仅仅是个状态，它还是个过程，“劫”就是一个过程问题。当你把它看作时一个过程的时候，复杂度就远远超出沈括的计算了。
孙茂松：
图像识别，机器来看，就是一个格子上面有点，点上有黑白，到底是什么东西，机器也不知道。但我最后要告诉机器，我要让机器说出来这是一个人、一个麦克风或者一个杯子，我们叫语义宏构化，这个任务也含有挑战性。因为一个杯子可以千奇百怪，某种意义上来说，这个任务可能比围棋还要难。
韩立新：
不好意思打断你一下，是不是说在图像识别这个技术上，人工智能已经比人类高？
孙茂松：
对。别的我不敢讲，它这个是很科学的考量任务。把物品分一千类，然后给一张照片，你可以把它归到杯子那类，也可以说是别的，给五个答案去选。这个条件下，现在机器做的要比人好。因为一千类，有很多东西其实人可能不认识，比如问这个花是什么花，你可能不认识，机器有大数据的能力，就会做的比较好。
反正不管怎么样，以前做这类任务都是很差的，像语音识别，倒退十五年，识别的准确率几乎是零，到现在能做到只有9%的误差。所以卷积神经网络这个东西一出来，这个模型是一个通用模型，并不是只针对某个任务，拿这个图像数据去训练，它就能把图像识别做好，拿语音的去实验，就能把语音识别做好，用围棋数据去训练，就能把围棋做好。
所以用卷积神经网络去做策略，这个算法很简单，只要有机器，跑一下就出来了。它根据整个盘面去计算，所以可以掌握所谓的“大势”。但这个大的局面，它自己其实并不知道，它就是靠算法，最后整个神经网络算法，就变成一个函数。网络本身可能很复杂，但整个结构非常非常简单。输出是什么呢？输出就是下一步棋，你落在哪个格子里。它就去算这个概率。刚开始所有的参数都是随机给，但当前这个盘面，黑白这个是定势，对吧？这个是有的，所有的参数往上算，算到最后那个输出端，然后它去算落在每一个格上的概率。刚开始它不准，靠数据去重新反向训练神经网络，最后只要给个棋盘，我保证下边落在人类专家放的那个位置的概率是最大。这个训练很简单，但是国内为什么做不了，因为没有那么大的计算能力，谷歌有这个能力。这一块其实就是机器学习最近若干年发展的一个必然趋势。
林建超：
谷歌的硬计算能力并不领先。在超算能力上，中国实际上在十几年前就拿到了世界冠军。美国人现在领先的并不是硬计算能力。
孙茂松：
实际上是机器学习方法理论的突破，如果没有机器学习理论上的突破，即使把中国最强大的计算机拿过来，你在原有的框架来做，它现在也下不过四段五段。它这个搜索能力实际上是需要在现有的基础上，比如现在搞个计算机，比现有的计算机计算速度快一万倍，也丝毫不解决问题
实际上算法突破，理论突破是必须的。你看蒙特卡洛搜索，其实都是这些年的理论贡献，但真正怎么把东西给做出来，这个事情还是不容易。像FaceBook技术团队很强大，它的老板也是做机器学习的几大巨头之一，但它就是做不过谷歌。所以这个应该不存在作弊问题，因为它这个模型一旦训练完之后，它在运行的时候，人无法控制，除非是彻头彻尾的，赤裸裸的作弊。训练之后，设计者都不知道它下一步会下出什么样的棋。所以理论上不存在作弊的可能性，而且以谷歌在学术上的声誉，应该不会做这种事。
尹小林：
我想问一下，AlphaGo在每次运行时，有没有可能调参数？比如前三盘我用100%的运算能力，后两盘调到90%或95%，就是一盘棋下完了以后，下一盘可以调整一些参数来改变棋力？
刘知青：
这是完全有可能的。AlphaGo调参数来测试人的棋力，我觉得是完全有可能的。其实它有单机版，也有分布式版，这两个水平不一样。谷歌把AlphaGo跟李世石的比赛看作是对其自身技术的一个测试，而不是一个纯粹意义上的比赛。李世石相当于AlphaGo的一个高级测试员，主要是去测试这个机器的能力。
孙茂松：
参数确实可以设。比如蒙特卡洛搜索，原来采样是1%，我这回调的第一点，采样0.1%，速度就快。再一个它单机上就可以算了，实际上是它搜索的能力会降低。但这个模型一旦训练出来之后，基本上就不会改了。模型也是花了几个月好不容易训练出来的，局部一改，会变成什么样完全没办法估计。
所以实际上这个东西可以做，能做的不错，我们可以事先就估计到，但能做的这么好，确实没有想到。机器出来以后，弄个四段五段，这个可能性我们觉得是有的，但是能和人类顶尖高手，特别是在整个布局和局部绞杀那一块儿，能够考虑的那么细，这个我真是没有想到。
另外说它有BUG，我认为不是BUG的概念。第四盘输了，有人就说有BUG，其实是它系统本身在评估的过程中就可能出现这个问题。就比如它这个搜索，随机搜索就真的是随机搜索。最后在若干步骤里面的正确解好像就只有20%的概率点，反正不是100%，它那一块儿本身就有可能出问题。正好遇到靠随机搜索搞出的解不是最理想那种状况，就可能会出问题。
勾股定理的发明人毕达哥拉斯说：“数字是宇宙的统治者。”围棋几乎没有规则，全是靠计算，最终结果全是一组一组的数。所以AlphaGo输棋不是BUG，是其模型本身的性质，可能出昏招，也可能出奇招。搜索空间这么大，人类棋手实际上形成了一种人类高级智慧所确定的搜索范围，搜索空间大大缩小。而AlphaGo则是全空间搜索，有可能出一些人类无法想像匪夷所思的奇招，有可能触碰到人类惯性思维的盲区，对我们下棋会有所启发。
这个模型除了围棋，还可以做很多事。比如我的学生运用类似模型研发程序，训练计算机作古诗。试举一例，上句古人诗云“江上西风一棹归”，下句计算机续曰“夕阳不见客舟低”。再举一例，上句古人诗云“又听西风堕叶声”，下句计算机续曰“万事尽随天籁起”，又续云“天涯游子不胜情，江山满眼愁多少，剩有心事绪未成”，意境、平仄、韵律都还不错。这个古诗程序是在五十万首古诗的数据基础上，运用回归神经网络（Recurrent Neural Network）研发的。回归神经网络适合做语言，而卷积神经网络适合做图像。只要提供充分的训练数据，这些训练数据其实是人类知识的体现，加上优秀的算法，人工智能围棋的水平提升是必然的。
计算机固然可以做很多事，但若让计算机到厨房炒菜，想必就很困难了，因为环境太过复杂。围棋则相对简洁，棋盘纵横十九道，色分黑白，输入输出都非常确定，特别适合计算机做大量运算。归根结底，计算机体现了人的智慧。
