相对于计算机在国际象棋中的胜利，中国象棋的智能程序进展一直落后。
这倒不是中国象棋要比国际象棋难之类的原因，而是因为棋类智能对于大公司来说毕竟只是一种公关手段，没有实际上的营收价值。
“深蓝”取得国际象棋的胜利之后，许多人都认为计算机下棋这事已经差不多到头了，
继续去搞难度差不多的中国象棋费力不讨好，IBM也解散了“深蓝”团队。
唯有围棋确实难度上要高很多，并且很具有挑战性。
一般人们都认为，计算机要在围棋中取胜比在国际象棋等游戏中取胜要困难得多，因为围棋的棋盘太大，下棋点极多，分支因子远多于其他游戏。
并且每次落子对情势的好坏飘忽不定，天堂地狱就在一瞬之间，技术很成熟之后，人们经常可以观察到那种一手棋下掉AI系统百分之六七十胜率的情况。
可以说是“一着不慎满盘皆输”的最好演绎了。
诸如暴力搜索法、Alpha-beta剪枝、启发式搜索的传统人工智能方法在围棋中很难奏效。
不过围棋在西方没什么受众，主要热度还是在东亚三国，因此很长一段时间内没有太多人愿意花时间在这件事情上，这十几年的发展速度中规中矩。
DeepMind投入在这件事情上，很大程度也是机缘巧合。
一方面许多高层都热爱棋类，另一方面可能更加关键，DeepMind的核心成员，两位首席科学家之一的黄士杰在围棋智能上有着很深的积淀和情怀。
黄士杰的硕士论文是《计算机围棋的打劫策略》，博士论文是《应用于电脑围棋之蒙地卡罗树搜寻法的新启发式演算法》。
相比孟繁岐这种毕业了连本科专业知识都全忘了的人，黄博士可以说专业是非常对口了。
“其实现在的围棋智能已经有了一定的竞争力。”黄博士为孟繁岐介绍了一下现阶段围棋智能的棋力：“差不多最高才在业余五段左右的水平，如果不让字的话，和真正的职业选手对弈，毫无胜算。”
基本的围棋棋力划分孟繁岐还是大概清楚的，业余六段大约可以与职业初段水平相比拟。
黄士杰博士本人就是宝岛业余六段，算得上是职业水准守门员了。
倘若自己造出的智能程式能够稳定占据上风，自己完全下不过的话，基本上象征着围棋智能来到了真的职业水准。
而不是只能通过让3-4子这样的方式击败职业棋手。
并且，如果造出来的智能下不过自己，这件事情属实没什么意思。
“你们目前的想法和策略大概是什么样的。”大概聊了一些情况之后，孟繁岐将话题切入了具体的算法部分。
从理论上来说，围棋问题的输入和孟繁岐非常擅长的图像类其实很像。
彩色图片在计算机中的形式就是多通道矩阵，通常为3通道，代表三原色。
比如，一张分辨率为224x224的图片，就是以三个[224， 224]矩阵的形式进行存储。
一般来说，每个位置的取值在0~255之间。
对于围棋这个情况来说，它的输入就像是一个19x19的单通道图片。
19x19表示棋盘上所有的落子地点，而每个地点的取值就只有三种状态，黑，白，无子。
可以用[-1，0，1]三个数字来指代。
而围棋智能的目标，所谓的下棋。
如果不考虑其中原理的话，它的外在反馈其实就是给定这样一个[19，19]的棋盘，希望程序可以在上面仅改变一个无子的数字0到给定的棋子类型(数字-1或者1)，同时使得该方获胜的概率尽可能地变大。
“棋盘就是一副黑白的单通道分辨率为19的图像。”这个事情在普通人看来比较不会想到。
不过对于比较熟悉图像技术和深度神经网络的孟繁岐来说，是很自然的事情和概念。
“我们从深度神经网络的突破中获得了灵感，在2012年底的Alex之前，疯狂石头这款围棋智能提供的准确率是最高的，达到35%左右。
目前主要是在研究，如何使用深度神经网络使得围棋智能的判断更加精准。
Alex和你引领的深度神经网络在分类问题上有了惊人的突破，这是我们今年启动这个项目的一大原因。
我们目前在尝试收集大量的专业对弈棋谱，目前已经有了十多万场比赛的内容。而从这十万多场比赛当中，又可以抽离出上百万个单次落子。
通过这个数据，我们现阶段在确立合适的网络结构，在这个方面，我想你是专家中的专家。”
“我大概了解了。”孟繁岐听完之后基本明白了DeepMind现阶段的想法和进展情况。
虽然此前黄博士在围棋AI项目上有过很多研究，但阿尔法围棋项目毕竟才刚刚开始，同时也是基于全新的深度网络技术。
目前为止，他们还没有形成一整套的学习以及对抗的思路，那一套策略网络-评估网络-强化学习-蒙特卡洛搜索的总体结构还没有成型。
还停留在比较早期的阶段，甚至还没有最后决定到底使用怎样的网络结构比较好，此时正在对模型本身的结构进行测试和设计。
这章没有结束^.^，请点击下一页继续阅读！