AlphaGo之父：關(guān)于圍棋 人類3000年來犯了1個(gè)錯(cuò)

　　世界圍棋冠軍柯潔即將迎戰(zhàn)阿爾法狗。

　　澎湃新聞現(xiàn)場聆聽了AlphaGo（阿爾法狗）之父在劍橋大學(xué)歷時(shí)45分鐘的演講，干貨滿滿，請不要漏掉任何一個(gè)細(xì)節(jié)：

　　非常感謝大家今天能夠到場，今天，我將談?wù)勅斯ぶ悄?，以及DeepMind近期在做些什么，我把這場報(bào)告命名為“超越人類認(rèn)知的極限”，我希望到了報(bào)告結(jié)束的時(shí)候，大家都清晰了解我想傳達(dá)的思想。

　　1.你真的知道什么是人工智能嗎？

　　對(duì)于不知道DeepMind公司的朋友，我做個(gè)簡單介紹，我們是在2010年于倫敦成立了這家公司，在2014年我們被谷歌收購，希望借此加快我們?nèi)斯ぶ悄芗夹g(shù)的腳步。我們的使命是什么呢？我們的首要使命便是解決人工智能問題；一旦這個(gè)問題解決了，理論上任何問題都可以被解決。這就是我們的兩大使命了，聽起來可能有點(diǎn)狡猾，但是我們真的相信，如果人工智能最基本的問題都解決了的話，沒有什么問題是困難的。

　　那么我們準(zhǔn)備怎樣實(shí)現(xiàn)這個(gè)目標(biāo)呢？DeepMind現(xiàn)在在努力制造世界上第一臺(tái)通用學(xué)習(xí)機(jī)，大體上學(xué)習(xí)可以分為兩類：一種就是直接從輸入和經(jīng)驗(yàn)中學(xué)習(xí)，沒有既定的程序或者規(guī)則可循，系統(tǒng)需要從原始數(shù)據(jù)自己進(jìn)行學(xué)習(xí)；第二種學(xué)習(xí)系統(tǒng)就是通用學(xué)習(xí)系統(tǒng)，指的是一種算法可以用于不同的任務(wù)和領(lǐng)域，甚至是一些從未見過的全新領(lǐng)域。大家肯定會(huì)問，系統(tǒng)是怎么做到這一點(diǎn)的？

　　其實(shí)，人腦就是一個(gè)非常明顯的例子，這是可能的，關(guān)鍵在于如何通過大量的數(shù)據(jù)資源，尋找到最合適的解決方式和算法。我們把這種系統(tǒng)叫做通用人工智能，來區(qū)別于如今我們當(dāng)前大部分人在用的僅在某一領(lǐng)域發(fā)揮特長的狹義人工智能，這種狹義人工智能在過去的40-50年非常流行。

　　IBM 發(fā)明的深藍(lán)系統(tǒng)（Deep Blue）就是一個(gè)很好的狹義人工智能的例子，他在上世紀(jì)90年代末期曾打敗了國際象棋冠軍加里卡斯帕羅夫（Gary Kasporov） 。如今，我們到了人工智能的新的轉(zhuǎn)折點(diǎn)，我們有著更加先進(jìn)、更加匹配的技術(shù)。

　　1997年5月，IBM與世界國際象棋冠軍加里卡斯帕羅夫?qū)Q。

　　2.如何讓機(jī)器聽從人類的命令？

　　大家可能想問機(jī)器是如何聽從人類的命令的，其實(shí)并不是機(jī)器或者算法本身，而是一群聰明的編程者智慧的結(jié)晶。他們與每一位國際象棋大師對(duì)話，汲取他們的經(jīng)驗(yàn)，把其轉(zhuǎn)化成代碼和規(guī)則，組建了人類最強(qiáng)的象棋大師團(tuán)隊(duì)。但是這樣的系統(tǒng)僅限于象棋，不能用于其他游戲。對(duì)于新的游戲，你需要重新開始編程。在某種程度上，這些技術(shù)仍然不夠完美，并不是傳統(tǒng)意義上的完全人工智能，其中所缺失的就是普適性和學(xué)習(xí)性。我們想通過“增強(qiáng)學(xué)習(xí)”來解決這一難題。在這里我解釋一下增強(qiáng)學(xué)習(xí)，我相信很多人都了解這個(gè)算法。

　　首先，想像一下有一個(gè)主體，在AI領(lǐng)域我們稱我們的人工智能系統(tǒng)為主體，它需要了解自己所處的環(huán)境，并盡力找出自己要達(dá)到的目的。這里的環(huán)境可以指真實(shí)事件，可以是機(jī)器人，也可以是虛擬世界，比如游戲環(huán)境；主體通過兩種方式與周圍環(huán)境接觸；它先通過觀察熟悉環(huán)境，我們起初通過視覺，也可以通過聽覺、觸覺等，我們也在發(fā)展多感覺的系統(tǒng)；

　　第二個(gè)任務(wù)，就是在此基礎(chǔ)上，建模并找出最佳選擇。這可能涉及到對(duì)未來的預(yù)期，想像，以及假設(shè)檢驗(yàn)。這個(gè)主體經(jīng)常處在真實(shí)環(huán)境中，當(dāng)時(shí)間節(jié)點(diǎn)到了的時(shí)候，系統(tǒng)需要輸出當(dāng)前找到的最佳方案。這個(gè)方案可能或多或少會(huì)改變所處環(huán)境，從而進(jìn)一步驅(qū)動(dòng)觀察的結(jié)果，并反饋給主體。

　　簡單來說，這就是增強(qiáng)學(xué)習(xí)的原則，示意圖雖然簡單，但是其中卻涉及了極其復(fù)雜的算法和原理。如果我們能夠解決大部分問題，我們就能夠搭建普適人工智能。這是因?yàn)閮蓚€(gè)主要原因：首先，從數(shù)學(xué)角度來講，我的合伙人，一名博士，他搭建了一個(gè)系統(tǒng)叫‘AI-XI’，用這個(gè)模型，他證明了在計(jì)算機(jī)硬件條件和時(shí)間無限的情況下，搭建一個(gè)普適人工智能，需要的信息。另外，從生物角度來講，動(dòng)物和人類等，人類的大腦是多巴胺控制的，它在執(zhí)行增強(qiáng)學(xué)習(xí)的行為。因此，不論是從數(shù)學(xué)的角度，還是生物的角度，增強(qiáng)學(xué)習(xí)是一個(gè)有效的解決人工智能問題的工具。

　　3.為什么圍棋是人工智能難解之謎？

　　接下來，我要主要講講我們最近的技術(shù)，那就是去年誕生的阿爾法狗；希望在座的大家了解這個(gè)游戲，并嘗試玩玩，這是個(gè)非常棒的游戲。圍棋使用方形格狀棋盤及黑白二色圓形棋子進(jìn)行對(duì)弈，棋盤上有縱橫各19條直線將棋盤分成361個(gè)交叉點(diǎn)，棋子走在交叉點(diǎn)上，雙方交替行棋，以圍地多者為勝。圍棋規(guī)則沒有多復(fù)雜，我可以在五分鐘之內(nèi)教給大家。這張圖展示的就是一局已結(jié)束，整個(gè)棋盤基本布滿棋子，然后數(shù)一下你的棋子圈出的空間以及對(duì)方棋子圈出的空間，誰的空間大，誰就獲勝。在圖示的這場勢均力敵的比賽中，白棋一格之差險(xiǎn)勝。

　　白棋以一格之差險(xiǎn)勝。

　　其實(shí)，了解這個(gè)游戲的最終目的非常難，因?yàn)樗⒉幌裣笃迥菢樱兄苯用鞔_的目標(biāo)，在圍棋里，完全是憑直覺的，甚至連如何決定游戲結(jié)束對(duì)于初學(xué)者來說，都很難。圍棋是個(gè)歷史悠久的游戲，有著3000多年的歷史，起源于中國，在亞洲，圍棋有著很深的文化意義?？鬃舆€曾指出，圍棋是每一個(gè)真正的學(xué)者都應(yīng)該掌握的四大技能之一（琴棋書畫），所以在亞洲圍棋是種藝術(shù)，專家們都會(huì)玩。

　　如今，這個(gè)游戲更加流行，有4000萬人在玩圍棋，超過2000多個(gè)頂級(jí)專家，如果你在4-5歲的時(shí)候就展示了圍棋的天賦，這些小孩將會(huì)被選中，并進(jìn)入特殊的專業(yè)圍棋學(xué)校，在那里，學(xué)生從6歲起，每天花12個(gè)小時(shí)學(xué)習(xí)圍棋，一周七天，天天如此。直到你成為這個(gè)領(lǐng)域的專家，才可以離開學(xué)校畢業(yè)。這些專家基本是投入人生全部的精力，去揣摩學(xué)習(xí)掌握這門技巧，我認(rèn)為圍棋也許是最優(yōu)雅的一種游戲了。

　　像我說的那樣，這個(gè)游戲只有兩個(gè)非常簡單的規(guī)則，而其復(fù)雜性卻是難以想象的，一共有10170 （10的170次方） 種可能性，這個(gè)數(shù)字比整個(gè)宇宙中的原子數(shù)1080（10的80次方）都多的去了，是沒有辦法窮舉出圍棋所有的可能結(jié)果的。我們需要一種更加聰明的方法。你也許會(huì)問為什么計(jì)算機(jī)進(jìn)行圍棋的游戲會(huì)如此困難，1997年,IBM的人工智能DeepBlue（深藍(lán)）打敗了當(dāng)時(shí)的象棋世界冠軍GarryKasparov，圍棋一直是人工智能領(lǐng)域的難解之謎。我們能否做出一個(gè)算法來與世界圍棋冠軍競爭呢？要做到這一點(diǎn)，有兩個(gè)大的挑戰(zhàn)：

　　一、搜索空間龐大（分支因數(shù)就有200），一個(gè)很好的例子，就是在圍棋中，平均每一個(gè)棋子有兩百個(gè)可能的位置，而象棋僅僅是20. 圍棋的分支因數(shù)遠(yuǎn)大于象棋。

　　二、比這個(gè)更難的是，幾乎沒有一個(gè)合適的評(píng)價(jià)函數(shù)來定義誰是贏家，贏了多少；這個(gè)評(píng)價(jià)函數(shù)對(duì)于該系統(tǒng)是至關(guān)重要的。而對(duì)于象棋來說，寫一個(gè)評(píng)價(jià)函數(shù)是非常簡單的，因?yàn)橄笃宀粌H是個(gè)相對(duì)簡單的游戲，而且是實(shí)體的，只用數(shù)一下雙方的棋子，就能輕而易舉得出結(jié)論了。你也可以通過其他指標(biāo)來評(píng)價(jià)象棋，比如棋子移動(dòng)性等。

　　所有的這些在圍棋里都是不可能的，并不是所有的部分都一樣，甚至一個(gè)小小部分的變動(dòng)，會(huì)完全變化格局，所以每一個(gè)小的棋子都對(duì)棋局有著至關(guān)重要的影響。最難的部分是，我稱象棋為毀滅性的游戲，游戲開始的時(shí)候，所有的棋子都在棋盤上了，隨著游戲的進(jìn)行，棋子被對(duì)方吃掉，棋子數(shù)目不斷減少，游戲也變得越來越簡單。相反，圍棋是個(gè)建設(shè)性的游戲，開始的時(shí)候，棋盤是空的，慢慢的下棋雙方把棋盤填滿。

　　因此，如果你準(zhǔn)備在中場判斷一下當(dāng)前形勢，在象棋里，你只需看現(xiàn)在的棋盤，就能告訴你大致情況；在圍棋里，你必須評(píng)估未來可能會(huì)發(fā)生什么，才能評(píng)估當(dāng)前局勢，所以相比較而言，圍棋難得多。也有很多人試著將DeepBlue的技術(shù)應(yīng)用在圍棋上，但是結(jié)果并不理想，這些技術(shù)連一個(gè)專業(yè)的圍棋手都打不贏，更別說世界冠軍了。

　　所以大家就要問了，連電腦操作起來都這么難，人類是怎樣解決這個(gè)問題的？其實(shí)，人類是靠直覺的，而圍棋一開始就是一個(gè)靠直覺而非計(jì)算的游戲。所以，如果你問一個(gè)象棋選手，為什么這步這樣走，他會(huì)告訴你，這樣走完之后，下一步和下下一步會(huì)怎樣走，就可以達(dá)到什么樣的目的。這樣的計(jì)劃，有時(shí)候也許不盡如人意，但是起碼選手是有原因的。

　　然而圍棋就不同了，如果你去問世界級(jí)的大師，為什么走這一步，他們經(jīng)?；卮鹉阒庇X告訴他這么走，這是真的，他們是沒法描述其中的原因的。我們通過用加強(qiáng)學(xué)習(xí)的方式來提高人工神經(jīng)網(wǎng)絡(luò)算法，希望能夠解決這一問題。我們試圖通過深度神經(jīng)網(wǎng)絡(luò)模仿人類的這種直覺行為，在這里，需要訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)，一種是決策網(wǎng)絡(luò)，我們從網(wǎng)上下載了成百萬的業(yè)余圍棋游戲，通過監(jiān)督學(xué)習(xí)，我們讓阿爾法狗模擬人類下圍棋的行為；我們從棋盤上任意選擇一個(gè)落子點(diǎn)，訓(xùn)練系統(tǒng)去預(yù)測下一步人類將作出的決定；系統(tǒng)的輸入是在那個(gè)特殊位置最有可能發(fā)生的前五或者前十的位置移動(dòng)；這樣，你只需看那5-10種可能性，而不用分析所有的200種可能性了。

　　一旦我們有了這個(gè)，我們對(duì)系統(tǒng)進(jìn)行幾百萬次的訓(xùn)練，通過誤差加強(qiáng)學(xué)習(xí)，對(duì)于贏了的情況，讓系統(tǒng)意識(shí)到，下次出現(xiàn)類似的情形時(shí)，更有可能做相似的決定。相反，如果系統(tǒng)輸了，那么下次再出現(xiàn)類似的情況，就不會(huì)選擇這種走法。我們建立了自己的游戲數(shù)據(jù)庫，通過百萬次的游戲，對(duì)系統(tǒng)進(jìn)行訓(xùn)練，得到第二種神經(jīng)網(wǎng)絡(luò)。選擇不同的落子點(diǎn)，經(jīng)過置信區(qū)間進(jìn)行學(xué)習(xí)，選出能夠贏的情況，這個(gè)幾率介于0-1之間，0是根本不可能贏，1是百分之百贏。

　　通過把這兩個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)合起來（決策網(wǎng)絡(luò)和數(shù)值網(wǎng)絡(luò)），我們可以大致預(yù)估出當(dāng)前的情況。這兩個(gè)神經(jīng)網(wǎng)絡(luò)樹，通過蒙特卡洛算法，把這種本來不能解決的問題，變得可以解決。我們網(wǎng)羅了大部分的圍棋下法，然后和歐洲的圍棋冠軍比賽，結(jié)果是阿爾法狗贏了，那是我們的第一次突破，而且相關(guān)算法還被發(fā)表在《自然》科學(xué)雜志。

　　接下來，我們在韓國設(shè)立了100萬美元的獎(jiǎng)金，并在2016年3月，與世界圍棋冠軍李世石進(jìn)行了對(duì)決。李世石先生是圍棋界的傳奇，在過去的10年里都被認(rèn)為是最頂級(jí)的圍棋專家。我們與他進(jìn)行對(duì)決，發(fā)現(xiàn)他有非常多創(chuàng)新的玩法，有的時(shí)候阿爾法狗很難掌控。比賽開始之前，世界上每個(gè)人（包括他本人在內(nèi)）都認(rèn)為他一定會(huì)很輕松就打贏這五場比賽，但實(shí)際結(jié)果是我們的阿爾法狗以4:1獲勝。圍棋專家和人工智能領(lǐng)域的專家都稱這具有劃時(shí)代的意義。對(duì)于業(yè)界人員來說，之前根本沒想到。

　　4.棋局哪個(gè)關(guān)鍵區(qū)域被人類忽視了？

　　這對(duì)于我們來說也是一生僅有一次的偶然事件。這場比賽，全世界28億人在關(guān)注，35000多篇關(guān)于此的報(bào)道。整個(gè)韓國那一周都在圍繞這個(gè)話題。真是一件非常美妙的事情。對(duì)于我們而言，重要的不是阿爾法狗贏了這個(gè)比賽，而是了解分析他是如何贏的，這個(gè)系統(tǒng)有多強(qiáng)的創(chuàng)新能力。阿爾法狗不僅僅只是模仿其他人類選手的下法，他在不斷創(chuàng)新。在這里舉個(gè)例子 ，這是第二局里的一個(gè)情況，第37步，這一步是我整個(gè)比賽中最喜歡的一步。在這里，黑棋代表阿爾法狗，他將棋子落在了圖中三角標(biāo)出的位置。為什么這步這么關(guān)鍵呢?為什么大家都被震驚到了。

　　圖左：第二局里，第37步，黑棋的落子位置 圖右：之前貌似陷入困境的兩個(gè)棋子。

　　其實(shí)在圍棋中有兩條至關(guān)重要的分界線，從右數(shù)第三根線。如果在第三根線上移動(dòng)棋子，意味著你將占領(lǐng)這個(gè)線右邊的領(lǐng)域。而如果是在第四根線上落子，意味著你想向棋盤中部進(jìn)軍，潛在的，未來你會(huì)占棋盤上其他部分的領(lǐng)域，可能和你在第三根線上得到的領(lǐng)域相當(dāng)。

　　所以在過去的3000多年里，人們認(rèn)為在第三根線上落子和第四根線上落子有著相同的重要性。但是在這場游戲中，大家看到在這第37步中，阿爾法狗落子在了第五條線，進(jìn)軍棋局的中部區(qū)域。與第四根線相比，這根線離中部區(qū)域更近。這可能意味著，在幾千年里，人們低估了棋局中部區(qū)域的重要性。

　　有趣的是，圍棋就是一門藝術(shù)，是一種客觀的藝術(shù)。我們坐在這里的每一個(gè)人，都可能因?yàn)樾那楹脡漠a(chǎn)生成千上百種的新想法，但并不意味著每一種想法都是好的。而阿爾法狗卻是客觀的，他的目標(biāo)就是贏得游戲。

　　5.阿爾法狗拿下李世石靠哪幾個(gè)絕招？大家看到在當(dāng)前的棋局下，左下角那兩個(gè)用三角標(biāo)出的棋子看起來好像陷入了困難，而15步之后，這兩個(gè)棋子的力量擴(kuò)散到了棋局中心，一直延續(xù)到棋盤的右邊，使得這第37步恰恰落在這里，成為一個(gè)獲勝的決定性因素。在這一步上阿爾法狗非常具有創(chuàng)新性。我本人是一個(gè)很業(yè)余的棋手，讓我們看看一位世界級(jí)專家Michael Redmond對(duì)這一步的評(píng)價(jià)。 Michael是一位9段選手（圍棋最高段），就像是功夫中的黑段一樣，他說：“這是非常令人震驚的一步，就像是一個(gè)錯(cuò)誤的決定?！痹趯?shí)際模擬中，Michael其實(shí)一開始把棋子放在了另外一個(gè)地方，根本沒想到阿爾法狗會(huì)走這一步。像這樣的創(chuàng)新，在這個(gè)比賽中，阿爾法狗還有許多。在這里，我特別感謝李世石先生，其實(shí)在我們贏了前三局的時(shí)候，他下去了。

　　2016年3月阿爾法狗大戰(zhàn)世界圍棋冠軍李世石，以4:1的總分戰(zhàn)勝了人類。

　　那是三場非常艱難的比賽，尤其是第一場。因?yàn)槲覀冃枰粩嘤?xùn)練我們的算法，阿爾法狗之前打贏了歐洲冠軍，經(jīng)過這場比賽，我們知道了歐洲冠軍和世界冠軍的差別。理論上來講，我們的系統(tǒng)也進(jìn)步了。但是當(dāng)你訓(xùn)練這個(gè)系統(tǒng)的時(shí)候，我們不知道有多少是過度擬合的，因此，在第一局比賽結(jié)束之前，系統(tǒng)是不知道自己的統(tǒng)計(jì)結(jié)果的。所以，其實(shí)第一局，我們非常緊張，因?yàn)槿绻谝痪州斄?，很有可能我們的算法存在巨大漏洞，有可能?huì)連輸五局。但是如果我們第一局贏了，證明我們的加權(quán)系統(tǒng)是對(duì)的。

　　不過，李世石先生在第四場的時(shí)候，回來了，也許壓力緩解了許多，他做出了一步非常創(chuàng)新性的舉動(dòng)，我認(rèn)為這是歷史上的創(chuàng)新之舉。這一步迷惑了阿爾法狗，使他的決策樹進(jìn)行了錯(cuò)誤估計(jì)，一些中國的專家甚至稱之為“黃金之舉”。通過這個(gè)例子，我們可以看到多少的哲理蘊(yùn)含于圍棋中。這些頂級(jí)專家，用盡必生的精力，去找出這種黃金之舉。其實(shí)，在這步里，阿爾法狗知道這是非常不尋常的一步，他當(dāng)時(shí)估計(jì)李世石通過這步贏的可能性是0.007%，阿爾法狗之前沒有見過這樣的落子方式，在那2分鐘里，他需要重新搜索決策計(jì)算。我剛剛已經(jīng)提到過這個(gè)游戲的影響：28億人觀看，35000相關(guān)文章的媒體報(bào)道，在西方網(wǎng)售的圍棋被一搶而空，我聽說MIT（美國麻省理工學(xué)院）還有其他很多高校，許多人新加入了圍棋社。

　　第四局里，李世石第78步的創(chuàng)新之舉。

　　我剛才談到了直覺和創(chuàng)新，直覺是一種含蓄的表達(dá)，它是基于人類的經(jīng)歷和本能的一種思維形式，不需要精確計(jì)算。這一決策的準(zhǔn)確性可以通過行為進(jìn)行評(píng)判。在圍棋里很簡單，我們給系統(tǒng)輸入棋子的位置，來評(píng)估其重要性。阿爾法狗就是在模擬人類這種直覺行為。創(chuàng)新，我認(rèn)為就是在已有知識(shí)和經(jīng)驗(yàn)的基礎(chǔ)上，產(chǎn)生一種原始的，創(chuàng)新的觀點(diǎn)。阿爾法狗很明顯的示范了這兩種能力。

　　6.神秘棋手Master究竟是不是阿爾法狗？

　　那么我們今天的主題是“超越人類認(rèn)知的極限”，下一步應(yīng)該是什么呢？從去年三月以來，我們一直在不斷完善和改進(jìn)阿爾法狗，大家肯定會(huì)問，既然我們已經(jīng)是世界冠軍了，還有什么可完善的？ 其實(shí)，我們認(rèn)為阿爾法狗還不是完美的，還需要做更多的研究。

　　首先，我們想要繼續(xù)研究剛才提到的和李世石的第四局的比賽，來填充知識(shí)的空白；這個(gè)問題其實(shí)已經(jīng)被解決了，我們建立了一個(gè)新的阿爾法狗分系統(tǒng)，不同于主系統(tǒng)，這個(gè)分支系統(tǒng)是用來困惑主系統(tǒng)的。我們也優(yōu)化了系統(tǒng)的行為，以前我們需要花至少3個(gè)月來訓(xùn)練系統(tǒng)，現(xiàn)在只需要一周時(shí)間。

　　第二，我們需要理解阿爾法狗所采取的決定，并對(duì)其進(jìn)行解釋；阿爾法狗這樣做的原因是什么，是否符合人類的想法等等；我們通過對(duì)比人類大腦對(duì)于不同落子位置的反應(yīng)以及阿爾法狗對(duì)于棋子位置的反應(yīng)，以期找到一些新的知識(shí)；本質(zhì)上就是想讓系統(tǒng)更專業(yè)。我們在網(wǎng)絡(luò)上與世界頂級(jí)的專家對(duì)決，一開始我們使用了一個(gè)假名（Master），在連勝之后被大家猜出是阿爾法狗。這些都是頂級(jí)的專家，我們至今已贏了60位大師了。如果你做個(gè)簡單的貝葉斯分析，你會(huì)發(fā)現(xiàn)阿爾法狗贏不同對(duì)手的難易也不一樣。而且，阿爾法狗也在不斷自我創(chuàng)新，比如說圖中右下角這個(gè)棋子（圓圈標(biāo)處），落在第二根線里，以往我們并不認(rèn)為這是個(gè)有效的位置。實(shí)際上，韓國有的團(tuán)隊(duì)預(yù)約了這些游戲，想研究其中新的意義和信息。

　　阿爾法狗自我創(chuàng)新，落在第二格線的旗子。

　　柯潔，既是中國的圍棋冠軍，也是目前的世界圍棋冠軍，他才19歲。他也在網(wǎng)上和阿爾法狗對(duì)決過，比賽之后他說人類已經(jīng)研究圍棋研究了幾千年了，然而人工智能卻告訴我們，我們甚至連其表皮都沒揭開。他也說人類和人工智能的聯(lián)合將會(huì)開創(chuàng)一個(gè)新紀(jì)元，將共同發(fā)現(xiàn)圍棋的真諦。異曲同工，柯潔提到了圍棋的真理，我們在這里談的是科學(xué)的真理。

紅遍網(wǎng)絡(luò)的神秘棋手Master2017年1月3日在圍棋對(duì)弈平臺(tái)贏了柯潔。