围棋与现代人工智能之间的奇妙关系

十九条横线，十九条竖线，361个交叉点，黑白两色棋子。围棋看起来规则简单得近乎朴素，却成为人工智能发展史上最著名的挑战之一。2016年，谷歌旗下DeepMind开发的AlphaGo以4比1击败韩国顶尖棋手李世石，世界第一次如此直观地看到：一台机器不仅能够计算围棋，而且能够在这个人类积累了数千年经验的棋盘上，走出人类棋手事先没有想到的选择。

那场对局真正震动围棋界的，并不只是比分。

围棋之所以难，是因为棋盘上的每一步都不是孤立的。一个棋子落下以后，会改变周围棋子的气、连接、厚薄、地势、先后手以及未来可能形成的战斗。棋局越往后发展，局面之间的关联越复杂。国际象棋中价值相对明确的棋子，在围棋中并不存在固定不变的价值。一颗棋子现在看起来可能毫无用处，几十手以后却可能成为决定胜负的关键。

传统棋手解决这个问题的方法，是数千年积累下来的棋理、棋谱、定式和经验。

人工智能选择了一条完全不同的道路。

AlphaGo采用深度神经网络与蒙特卡洛树搜索等技术，让机器不必把所有可能的变化全部穷举，而是利用神经网络判断哪些落子更有希望，再把计算资源集中到更加值得分析的局面上。它既能够从大量人类棋谱中学习，也能够通过自我对弈进一步训练自己的判断能力。

这也是为什么AlphaGo最初出现时，围棋界受到的冲击如此之大。

过去很多棋手认为某些走法“不像人类”，并不是因为它们一定违反围棋规则，而是因为这些走法与长期形成的经验体系不完全一致。AlphaGo却一次次展示出另一种可能：人类认为奇怪的棋，有时恰恰可能是全局效率更高的棋。

2016年李世石与AlphaGo的第五盘比赛已经结束多年，但这场五番棋仍然是人工智能史上的经典事件。尤其是第二盘中的第37手，因为其位置和战略意义远远超出了当时许多职业棋手的直觉，被围棋界广泛讨论。它后来常被称为“神之一手”。

更有意思的是，AlphaGo并没有停留在“模仿人类高手”的阶段。

2017年公开的AlphaGo Zero进一步改变了人们对机器学习围棋的认识。与早期AlphaGo大量利用人类棋谱不同，AlphaGo Zero主要通过自我对弈学习围棋。它从围棋规则出发，在不断与自己的不同版本对局中建立判断能力。

这件事的重要性远远超过“机器又赢了一盘棋”。

如果一台机器只能学习人类棋谱，那么人们仍然可以说，它只是把几千年的人类经验重新计算了一遍。但如果机器可以从规则和自我对弈中逐渐发现大量人类过去没有系统认识到的策略，那么问题就变成了另一件事情：围棋是否存在大量被人类经验遮蔽的可能性？

答案显然是肯定的。

AI出现以后，职业棋手开始重新审视过去很多被视为理所当然的判断。例如过去常说的“金角银边草肚皮”，确实反映了角部相对容易围空、边上次之、中央直接围地困难等经验规律，但它从来不是一条不可违反的数学定律。AI可以进一步计算具体局面中的厚薄、外势、实地、先手和攻击潜力，于是一个看起来不符合传统经验的落子，在特定全局结构下完全可能成为更好的选择。

定式的变化也非常明显。

过去的定式往往需要棋手大量背诵。一个局部变化被反复研究之后，就形成一套相对稳定的应对体系。但AI告诉棋手，定式并不是一张永远有效的答案表。同一个局部变化放在不同的全局环境中，价值可能完全不同。

因此，今天的职业棋手学习定式，越来越不是单纯背诵“这一手之后应该走哪里”，而是理解为什么这一手在这个局面里成立。如果右边已经形成厚势，那么左上角的一个普通选择可能拥有完全不同的战略价值；如果全局需要先手，那么一个局部看起来稍微吃亏的变化，也可能因为抢到全局主动权而成为更好的选择。

AI实际上把围棋从“记答案”进一步推向了“理解条件”。

这种变化也重新解释了围棋中的一个核心思想：棋子从来不是孤立存在的。

传统围棋讲“气”，是指棋子或棋群能够继续连接、逃生和生存所依赖的相邻交叉点；讲“厚势”，强调棋群的潜在影响力；讲“先手”，强调迫使对手回应而获得主动；讲“全局”，则要求棋手不能只盯着眼前的一块棋。

AI并没有证明这些传统概念等同于某一种现代数学公式，也没有把传统围棋哲学全部“科学化”。但它确实通过大量计算，让棋手更加清楚地看到这些概念之间是如何相互影响的。

一块棋究竟值多少，不能只看它眼前占了多少目。

它可能影响未来几十手的战斗，可能限制对方的发展空间，也可能让自己的另一块棋获得攻击机会。于是，“价值”从一个局部数字变成了整个棋盘上的关系网络。

这恰恰是AI给围棋带来的重要变化。

过去棋手更多依靠经验判断这种复杂关系，现在则可以借助AI把大量候选变化放在一起分析。人类的直觉没有消失，但直觉开始接受一种新的训练：为什么我觉得这一步好？AI为什么认为另外一步更好？如果AI连续几次给出违反传统感觉的选择，棋手就必须回到棋局本身，寻找自己的判断到底错在什么地方。

这使AI从一个“陪练机器人”变成了一种新的研究工具。

今天的职业棋手可以让AI反复分析同一个局面，可以查看不同候选手之间的胜率变化，可以研究一个局部战斗为什么会影响几十手之后的全局结果。过去需要大量职业棋手长期研究才能形成的某些认识，如今可以通过计算工具迅速得到大量候选答案。

但这并不意味着棋手只需要盯着AI推荐的第一选择。

因为围棋不仅是一个胜率数字。

如果一个棋手知道某一步胜率最高，却不知道为什么最高，那么当局面稍微改变时，他仍然可能不会下。真正有价值的训练，是通过AI发现新的问题，然后由人类重新理解这些变化。

这一点也解释了为什么人工智能并没有让围棋失去意义。

如果围棋只是寻找一个唯一正确答案，那么AI出现以后，人类确实可能越来越像是在参加一场机器已经算完答案的考试。但真正的围棋不是这样。职业棋手仍然需要判断复杂局面，需要控制时间，需要在陌生变化中保持稳定，需要理解对手的意图，也需要把机器分析转化为自己的棋感。

AI可以告诉你某一步可能更强，却不能简单替你完成整个人类棋手的学习过程。

更有意思的是，AI还改变了围棋美学。

过去人类棋手形成了一套关于“好棋”的审美。厚重、协调、自然、气势、棋形优美，这些词语都来自长期的人类经验。但AI出现以后，一些以前被认为“不像好棋”的落子被证明具有很高效率。

这让棋手开始重新认识一个问题：所谓“漂亮”，究竟是因为它符合我们的习惯，还是因为它真的在整个棋盘上实现了更高效率？

这并不是说AI把围棋变得冰冷了。

恰恰相反，它让人类看到的棋盘变得更大了。

过去一个职业棋手可能认为自己已经掌握了相当丰富的棋理，但AI不断告诉人类：还有更多没有被发现的变化，还有更多过去没有认真考虑过的战略选择。

这和望远镜改变天文学有一点相似。望远镜并没有创造宇宙，却让人类看到原来肉眼看不到的世界。AI也没有创造围棋，它只是把人类原本很难探索的棋局空间打开了一部分。

围棋与人工智能之间最有意思的关系，也正在这里。

围棋曾经被认为是测试机器智能的终极游戏之一，因为它的搜索空间巨大，局面评价复杂，而且很多决定依赖整体判断。AI最终突破围棋之后，人们真正获得的并不只是一个世界冠军级别的棋手，而是一种新的认识方式。

人类过去通过棋谱、师承和经验不断压缩知识，把前人的判断变成自己的棋感。AI则可以通过神经网络、搜索和自我对弈，在巨大的可能性空间中重新寻找规律。

两条道路最后在同一块棋盘上相遇。

这也是为什么围棋在人工智能时代反而获得了新的生命力。过去年轻棋手学习的是前辈留下来的棋谱；今天他们还可以研究AI如何重新评价这些棋谱。过去一个定式可能被认为已经研究得相当透彻；今天AI可能突然告诉你，这个定式在某些全局条件下还有另一种完全不同的下法。

于是，围棋没有因为人工智能而结束，反而进入了一个新的探索阶段。

黑白棋子仍然只有两种颜色，棋盘仍然只有361个交叉点，规则也没有发生根本变化。但人类对于这361个交叉点之间关系的理解，却因为人工智能而不断扩大。

这或许才是AlphaGo留给人类最有价值的启示。

机器并没有替人类证明围棋已经被彻底理解，恰恰相反，它证明的是：即使经过几千年的研究，人类仍然可能只看见了这块棋盘的一部分。

当人类棋手重新坐到棋盘前，面对一颗黑子和一颗白子时，棋盘还是那个棋盘。

改变的是我们知道自己原来还有多少东西没有看懂。

而这，也许正是围棋与人工智能之间最奇妙的一场对话。