谷歌alphago和李世石的比賽棋譜吸引了不少的圍棋愛好者，通過觀察此次AlphaGo圍棋VS李世石的棋譜，可以看出，人工智能還是比較強大的，下面來一起看下谷歌alphago和李世石的比賽棋譜精彩對局吧。
比賽采用5局3勝制，最終比賽獲勝方將獲得獎金100萬美元。李世石在本輪戰敗后，只有剩下3局全部獲勝才能以3:2總比分戰勝AlphaGo，而AlphaGo下一局只需獲勝即可宣布戰勝李世石。
剩余賽程如下（北京時間中午12點開賽）：
第三場比賽：3月12日（周六）
第四場比賽：3月13日（周日）
第五場比賽：3月15日（周二）
終盤畫面，有網友說黑棋像個“死”字
在剛剛結束的人機圍棋大戰中，李世石再一次輸給了谷歌的AlphaGo。目前來看，總體形勢不容樂觀，有可能李世石會連敗五局。而機智的網友們馬上開始發揮P圖本領，通過棋譜來對可憐的小李子進行嘲諷。
▲這張圖說AlphaGo在嘲諷小李子是一個弱雞。
▲這兩張棋譜寫著李世石今天一定會輸，因為寫著今天我死。
網友嘲諷歸嘲諷，但是李世石的實力還是毋庸置疑的。作為韓國最強棋手，李世石九段還是具有很大的實力的。希望小李子調整好心態，勇敢地面對接下來的三場對AlphaGo的比賽。
AlphaGo贏了，但我找到了它的兩個“弱點”
谷歌人工智能（AI）程序AlphaGo圍棋逆轉戰敗李世乭九段的消息讓人頗為震驚，大呼“最后的驕傲”也喪失了。確實，在很多事情上，人工智能都能夠代替人類來完成。但就今天這局“世紀圍棋”之戰來說， 勝負在棋盤之外。或者說，AlphaGo的勝利并沒有神奇到可以說“人工智能戰勝人類”。
一、計算力強勢碾壓
在AlphaGo的系統上，開發團隊使用了更大的計算機網絡——包括170個GPU和1200個標準CPU。結合蒙特卡洛搜索算法，AlphaGo能夠看到的可能性走法清晰而全面，純計算的方式同時避免了失誤的可能。計算機一分鐘的計算量（實戰中AlphaGo前期步時約1分鐘），人腦也許需要半小時甚至更多。
而據搜狗CEO表示，如今AlphaGo的配置已有了極大的改善，其中GPU達到2000以上。也就是說，AlphaGo擁有了這個先決的優勢條件，在走子上的表現也不足為奇。在Alphago之前，也已經有多種純計算軟件戰勝棋力高強的人類選手。
從今天的對局來看，AlphaGo（執白）非常擅長近身肉搏，可見其局部計算之精密。
二、不懂大局謀劃，形勢判斷仍未突破
AlphaGo和李世乭今天的對局中，前期李世乭使用大規模布局的作戰方式，形勢上偶有領先。但是，形勢屬虛，在后來近身肉搏的過程中，AlphaGo比李世乭要兇猛。比如下圖，黑棋在左下方定型時，白子回到上方挑事，非常頑強，所以黑子才會被白子挖走一塊又一塊。
但是，這樣說明計算機程序對于布局還沒學會。布局變數比應著要多，形勢要虛，判斷依賴棋感。在這一點上，AlphaGo仍然體現出了電腦的弱點。古力九段表示，AlphaGo對厚勢（外勢）的判斷沒有搞清楚。
而恰好，李世乭的強項和弱項都和AlphaGo的特性對上了。“中國圍棋第一人”柯潔九段分析稱：“李世乭的強項是后半盤的翻盤能力，布局則是李世乭最差的地方，判斷力也不是太好，這對于AlphaGo來說是個重大利好，因為計算機一般來說也是強在后半盤。”
三、AlphaGo在進取，但更多的是反應
到了中盤，盡管黑方已經定勢，但AlphaGo非常進取，以致黑方未能坐實優勢。這是AlphaGo表現優秀的一面。因為按理說，要破這種形勢需要找到最優的妙手，可見AlphaGo的蒙特卡洛搜索算法的準確度有了極大的提高。
不過， AI目前只能在特定場景下，遵循規則產生特定的結果。在此對局中，AlphaGo雖然執白屬后手，但基本無法搶得先手，也很少能夠主導局面形勢的變化，更多的是順著對方走，直到對手失誤。
曹大元九段在對局結束時表示，AlphaGo的表現令人吃驚，但人工智能與人類本質上還沒有分出勝負。就弈棋而言，低手比棋譜，強手比計算，高手比棋理。
我們不能否認AlphaGo在人工智能上取得的突破，人工智能的復雜性和艱巨性不言而喻，它的每一小步都意味著人類科學邁出的一大步，即便它還是這么“蠢”，我們仍為它歡欣鼓舞。
圖片來源：弈客直播
本人作為一名圍棋愛好者，就此發表了一些個人見解，不喜勿噴，也歡迎交流。
【AlphaGo分析】
AlphaGo簡介
AlphaGo去年10月擊敗歐洲冠軍
谷歌曾于2014年以4億歐元收購人工智能公司DeepMind。由DeepMind研發的AlphaGo項目已有兩年歷史，AlphaGo曾在去年戰勝了歐洲圍棋冠軍樊麾(職業二段)。
去年10月5日-10月9日，谷歌AlphaGo在比賽中以5：0的比分完勝了歐洲冠軍。除了戰勝人類外，AlphaGo還與其他的圍棋程序對戰，獲得了500場勝利。
AlphaGo原理簡介
傳統的人工智能方法是將所有可能的走法構建成一棵搜索樹 ，但這種方法對圍棋并不適用。此次谷歌推出的AlphaGo，將高級搜索樹與深度神經網絡結合在一起。這些神經網絡通過12個處理層傳遞對棋盤的描述，處理層則包含數百萬個類似于神經的連接點。
其中一個神經網絡“決策網絡”(policy network)負責選擇下一步走法，另一個神經網絡“值網絡”(“value network)則預測比賽勝利方。谷歌方面用人類圍棋高手的三千萬步圍棋走法訓練神經網絡，與此同時，AlphaGo也自行研究新戰略，在它的神經網絡 之間運行了數千局圍棋，利用反復試驗調整連接點，這個流程也稱為鞏固學習(reinforcement learning)。通過廣泛使用Google云平臺，完成了大量研究工作。
AlphaGo在與人的對弈中用了“兩個大腦”來解決問題：“決策網絡”和“值網絡”。通俗來說就是，一個大腦用來決策當前應該如何落子，另一個大腦來預測比賽最終的勝利方。
值得一提的是，李世石也是第一次與機器對戰，所以他無法像和人類對戰那樣，先研究對方的棋譜和下棋風格。李世石所能做的就是和自己對弈。谷歌AlphaGo也是通過這種方式鍛煉自己，真正做到了“人工智能”。
關于這盤棋，會有很多解讀。不止在今天，甚至在數十年之后，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，讓后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，究竟發生了什么。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后主要使用了一個試探，和兩個策略。
1）試探：從未出現過的布局
棋譜復盤人機大戰
李世石第7手，沒有按常規布局在上邊連片，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。
李世石不按常規布局，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，所有開局都是常規布局，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布局。
避開流行布局，甚至避開曾經流行過的已經被淘汰的布局，選擇一個從未出現過的布局。李世石在考驗AlphaGo在布局階段的應變能力。我們知道AlphaGo的深度學習基于大量已有對局的數據，那么，面對一個棋譜庫里從未見過的布局，AlphaGo你將如何應對？
AlphaGo給出了完美的回答。
棋譜復盤人機大戰
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的好處在于使黑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于，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夾擊之后，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里沒有的、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
電腦的考慮基于全局而非局部。
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出現了數次不同于“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里沒有的，而且是從邏輯上不如譜著的。注意，這里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“絕對弱于”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不依賴于定式和譜著，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并沒有看到。起碼，沒有非常明顯地顯現出來（后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，那么第二點則是這局棋在布局階段對人類試探的完美答復。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。
