人工智能改变了人类理解围棋的方式

围棋最奇妙的地方，也许就在于它看起来规则极少，却能够产生几乎无穷无尽的变化。一个十九路棋盘只有361个交叉点，黑白双方轮流落子，规则本身远没有现代电子游戏复杂。然而一旦棋子真正落在棋盘上，局面便会迅速膨胀到人类难以穷尽的程度。

几千年来，人类棋手只能依靠棋谱、师承、经验和直觉，一代一代地摸索围棋的规律。直到人工智能真正进入围棋之后，人类第一次拥有了一个不会疲倦、不会受情绪影响，而且能够反复分析海量棋局的“对手”。它带来的最大变化，并不只是机器赢了人，而是人类突然发现，自己过去认为理所当然的很多围棋判断，其实只是长期经验形成的习惯。

2016年3月，谷歌旗下DeepMind开发的AlphaGo与韩国棋手李世石进行五番棋比赛。最终AlphaGo以4比1获胜，只有第四局李世石取胜。那一局中，李世石下出的第78手成为整场比赛最著名的瞬间之一。AlphaGo此前没有按照人类熟悉的方式应对，而李世石的一手“神之一手”迫使局面发生变化，也让人们看到，人类棋手依然能够在机器分析之外找到极具创造性的着法。

但真正震撼围棋界的，并不只是比分。

因为AlphaGo的出现，让棋手第一次面对一个完全不同于人类思考习惯的围棋世界。

传统棋手学习围棋，很大程度上依赖棋谱和经验。一个棋手可能花费十几年甚至几十年研究定式，知道某个局面应该在哪里应手，知道某种形状通常意味着什么，也知道哪些变化在人类实战中更容易成立。这种知识并不是简单的背诵，而是经过大量实战积累形成的判断能力。

AI出现以后，棋手突然发现，“通常这样下”并不等于“必须这样下”。

定式尤其如此。

定式并不是错误的东西。恰恰相反，它是几百年甚至更长时间棋手不断实践之后形成的局部知识体系。问题在于，定式成立的前提是棋盘上的其他位置也处于相应状态。一旦全局环境发生变化，同一个局部变化的价值也可能发生改变。

过去棋手往往先学习一个标准答案，再学习什么时候可以偏离。AI则反过来提醒人类：标准答案本身就依赖条件。

这使围棋学习发生了一个非常重要的变化。

棋手不再只是问“这个局面应该下在哪里”，而越来越开始问“为什么这里下这一步，AI的判断会发生变化”。

这两个问题看起来只差一点，实际上代表了两种完全不同的学习方式。

AlphaGo的技术基础也并不是简单的“计算力大，所以能够算赢人类”。它使用深度神经网络结合蒙特卡洛树搜索。神经网络负责评估局面和选择更有希望的着法，树搜索则进一步探索候选变化。也就是说，机器并不是把棋盘上所有可能变化全部算完，而是利用模型不断缩小搜索范围，再对重要分支进行深入分析。

这也是围棋AI真正厉害的地方。

围棋的可能局面数量远远超过人类能够直接计算的范围。如果单纯依靠暴力穷举，即使计算机速度极快，也很难解决这个问题。AlphaGo真正改变的是机器处理复杂问题的方式：它不再试图把所有可能性全部看完，而是通过学习形成一种“哪些地方值得计算”的能力。

这与人类高手其实存在某种有趣的相似之处。

顶尖棋手也不会把棋盘上的每一个变化都计算到底。他们会根据棋形、厚薄、先后手、全局配置和经验，迅速排除大量不值得考虑的变化，然后把注意力集中在少数关键位置。

区别在于，人类的这种判断来自长期经验，而AI则可以通过神经网络训练形成完全不同的统计性判断。

2017年，升级后的AlphaGo与中国棋手柯洁进行了三番棋比赛，最终以3比0获胜。这一次对人类棋界的冲击比2016年更加深刻。因为柯洁当时已经是世界顶尖棋手之一，他面对的不是一个刚刚证明自己能够战胜高手的实验性系统，而是一个已经迅速进化的围棋AI。

随后出现的AlphaGo Zero更加令人震撼。它不再依赖人类棋谱作为主要学习起点，而是通过自我对弈不断强化自己的棋力。之后的AlphaZero进一步将这种思路推广到国际象棋、将棋等棋类。到了这个阶段，AI已经不只是“学习人类高手下过的棋”，而是在一定程度上开始自己探索棋类游戏中的规律。

于是，一个非常重要的问题出现了：如果AI不需要完全依赖人类棋谱，那么过去数百年甚至上千年形成的围棋知识，到底意味着什么？

答案并不是“过去的棋谱都错了”。

恰恰相反，人类棋谱仍然是理解围棋历史的重要财富。但AI让我们意识到，人类传统知识往往是在有限经验和有限计算能力下形成的。很多着法之所以成为“常识”，可能是因为它在绝大多数人类实战中都有效，而不是因为它在所有可能局面中都是最优。

这也是AI给围棋带来的真正思想冲击。

过去，人类容易把“高手经验”理解成接近真理的东西。AI出现以后，我们越来越清楚地看到，经验是一种压缩过的知识，它非常有价值，但它仍然有边界。

围棋中的厚势、实地、外势、先手、弃子、转换，也因此获得了新的理解。

例如人类过去可能会说，一块棋“很厚”，所以应该把它的力量利用起来；AI则能够通过大量变化告诉棋手，在某一个具体局面中，这块所谓的“厚势”究竟值多少，应该立即转换，还是继续保持。它不会简单地告诉你“厚就是好”，而是把“厚”放回整个棋盘的关系之中。

这并不意味着AI已经把围棋中的“形”“气”“势”全部数学化了。

恰恰相反，AI让人们更加意识到，这些传统概念本身是对复杂棋局经验的高度概括。现代围棋AI可以通过胜率、目数差、局面评估、候选着法等方式给出量化反馈，但这些数字并不能完全替代围棋语言。

一个棋手看到“胜率下降几个百分点”，和看到一块棋从厚变薄、一个先手被转换成后手，其理解仍然是不同的。

这也是为什么AI没有让围棋变得简单，反而让围棋显得更加深。

过去人们认为自己已经掌握了很多规律；AI出现以后，却不断告诉人类，还有大量规律没有被发现。

更有意思的是，AI还改变了围棋的审美。

过去棋手喜欢评价一手棋“漂亮”“厚重”“轻灵”“妙手”。AI则让一些过去在人类看来非常奇怪的着法进入主流视野。三三侵入、肩冲、非常早的局部战斗以及过去被认为“不自然”的落子，在特定全局条件下可能获得新的价值。

这并不是说AI让所有传统围棋美学失去了意义，而是把围棋审美的范围扩大了。

人类习惯于从人的经验出发判断什么叫漂亮，而AI展示的是另一种可能性：一手棋可以在人类直觉上显得奇怪，却在整个棋盘的长期变化中非常有效。

于是，围棋第一次成为一种真正意义上的“人机共同研究对象”。

今天的职业棋手使用AI，并不是简单地让电脑替自己下棋，而是让AI帮助自己发现盲点。棋手可以把自己的实战棋谱交给程序分析，找出判断发生偏差的位置，再研究不同变化；也可以通过AI进行大量训练，反复检验自己对于某种棋形的理解。

这种学习方式改变了传统师徒制，却不会完全消灭师徒制。

因为AI能够告诉棋手某一步棋的胜率变化，却未必能够像一个优秀老师那样，根据学生的思维习惯解释为什么他总是在某一类局面中犯错。真正高水平的围棋教育，很可能因此变成三者结合：人类老师负责理解、AI负责探索、棋手自己负责把知识转化为棋感。

更深一层看，AI对围棋的影响其实已经超出了围棋本身。

围棋过去常常被看成人类智慧的象征。一个人可以在有限时间里，通过观察一个极其复杂的局面，寻找最有价值的选择。人类曾经以为，这种能力本身就是机器很难复制的“智慧”。

AlphaGo改变了这种认识。

机器并没有复制人类的大脑，却能够在一个复杂领域中产生远超绝大多数人的决策能力。这提醒我们，所谓“智慧”可能并不只有一种形式。

人类擅长通过语言、经验、因果解释和生活世界理解问题；机器则可以通过海量数据、概率模型和搜索，在另一个方向上发现人类长期没有注意到的结构。

而围棋恰好提供了一个非常纯粹的实验场。

棋盘只有361个交叉点，规则明确，没有现实世界那么多模糊变量，却又复杂到人类无法穷尽。因此，当AI在这里突破人类之后，人们才第一次如此清楚地看到：我们以为自己理解一个系统，并不意味着我们已经理解了这个系统的全部可能性。

围棋并没有因为人工智能的胜利而失去意义。

相反，它变得更加值得研究。

过去，人类通过围棋认识自己；今天，人类又通过AI重新认识围棋。棋盘上的黑白两色没有改变，十九路棋盘没有改变，落子规则也没有改变，但人类看棋盘的眼睛已经改变了。

也许这才是AlphaGo留给围棋最重要的遗产。

它没有结束人类探索围棋的时代，而是结束了人类以为自己已经大致知道围棋应该怎么下的时代。

从此以后，棋盘依然只有361个交叉点，但在这些黑白棋子之间，人类看到的世界，比过去更大了。