AlphaGo 十周年：人工智能的转折点 | Thore Graepel & Pushmeet Ko

外来客 • 2026-08-18 21:10:54

声明：本文为对公开内容的摘要整理，未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议；观点与版权归原作者及原平台所有。如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：10 years of AlphaGo: The turning point for AI | Thore Graepel & Pushmeet Kohli）

AlphaGo 战胜李世石标志着人工智能从模仿人类数据转向超越人类认知的转折点，通过结合直觉与计算、自我博弈及强化学习，AI 不仅在围棋领域取得突破，更在数学、生物等科学难题中展现出发现新知识、解决长期停滞问题的潜力，确立了“超越人类智能”的现实性。

从模仿到超越的质变：AlphaGo 的胜利证明了机器能发现人类未知的策略，标志着 AI 从依赖人类数据的“捷径”转向通过环境交互探索未知空间。这一过程模拟了人类博弈中的直觉与计算，实现了从“快思考”（价值网络/直觉）与“慢思考”（策略网络/规划）的结合。
AlphaZero 的范式突破：AlphaZero 进一步验证了去除人类数据、仅靠规则与自我对弈（强化学习）能产生更优解。它先复现人类定式，随后发现更优解并弃用旧模式，其棋风看似无序但具备深远前瞻性，突破了人类知识的局限。
算法与数学领域的突破：搜索算法如 AlphaTensor 将矩阵乘法等数学问题转化为博弈，发现了比 1969 年 Strassen 算法更高效的矩阵乘法方式，解决了长期停滞的算法瓶颈。AlphaProof 则能解决开放数学问题并提供可验证证明，即使证明过程超出人类理解范围，其正确性仍可被确认。
大语言模型的新路径：虽然大语言模型基于人类数据存在局限，但通过强化学习正重新探索超越人类认知的路径。科学发现需平衡“可验证性”与“可解释性”，AI 生成的证明即使人类无法完全理解，只要可验证即具价值。

历史性对局背景：2016 年 3 月，AlphaGo 在韩国首尔以 4-1 击败 18 届世界冠军李世石。其中第 37 手被评论家视为人类几乎不会选择的“神之一手”，成为 AI 超越人类直觉的标志性时刻。
早期内部测试：Thore Graepel 入职首日即败给早期版本，展示了系统的早期潜力。团队曾与欧洲冠军樊麾进行 10 局测试，AlphaGo 以 10-0 全胜，确立了挑战李世石的信心。
人类最后的辉煌：在对局中，李世石在第 4 局第 78 手找到 AlphaGo 的弱点并获胜，被视为人类在机器面前最后的辉煌时刻，也揭示了早期 AI 模型的局限性。
后续影响与社区反应：围棋社区兴趣激增，AI 领域意识到模型可超越训练数据分布。这一突破为蛋白质折叠等科学难题解决奠定基础，引发了对 AI 在化学、生物、数学等领域发现新知识潜力的广泛讨论。

蛋白质结构预测：AlphaFold 虽能预测蛋白质结构，但缺乏人类可完全复现的底层理论解释，凸显了科学沟通与解释的重要性。这提示我们在追求预测准确性的同时，不能忽视对底层机制的理解。
验证器与幻觉剔除：引入“验证器”（verifier）机制以剔除幻觉，借鉴卡尔·波普尔“猜想与反驳”理论。在代码等可验证领域，这种机制效果显著，确保了 AI 输出的可靠性。
可验证性与可解释性的平衡：AlphaProof 的应用表明，即使证明过程超出人类理解范围，只要其正确性可被确认，即具有科学价值。这要求未来 AI 系统需在产生新颖洞察与保持人类可解释性之间找到平衡，以最大化科学影响力。
角色转变：数学家和科学家的角色从“解题者”转变为“问题定义者”，负责精准表述问题并引导 AI 优化方向。这种转变强调了人类在定义问题和评估结果中的核心作用。

AI 革命的转折点：AlphaGo 的胜利不仅是游戏领域的突破，更确立了“超越人类智能”并非科幻而是现实。它展示了 AI 在多个学科中作为发现工具的巨大潜力。
智能跃迁的关键路径：从 AlphaGo 到 AlphaZero 的演进表明，摆脱对人类经验的依赖，通过自我博弈探索未知空间，是 AI 实现真正智能跃迁的关键路径。这一路径强调环境交互和强化学习的重要性。
科学发现的新范式：当前 AI 发展正从依赖人类数据的“捷径”回归到通过环境交互和强化学习探索新知的路径。科学发现需平衡“可验证性”与“可解释性”，AI 生成的证明即使人类无法完全理解，只要可验证即具价值。
未来挑战与方向：未来 AI 系统需在产生新颖洞察与保持人类可解释性之间找到平衡，以最大化科学影响力。同时，需继续探索如何在不同领域应用 AI 的验证机制，确保其在复杂科学问题中的可靠性和有效性。