2016：AlphaGo — 當 AI 學會自己跟自己下棋#

案情#

2016 年 3 月 9 日至 15 日，DeepMind 的 AlphaGo 在首爾四季酒店以 4:1 擊敗世界冠軍李世乭（이세돌）。第二局第 37 手的五路肩衝被棋界稱為「神之一手」——人類千萬棋譜中幾乎不會出現的落點。三百多年前人類寫下的圍棋規則，第一次被機器以「自我對弈」徹底重新詮釋。

前因#

1997 年 IBM 深藍擊敗西洋棋王卡斯帕羅夫，但靠的是暴力窮舉；圍棋棋盤 19×19，合法局面約 \(10^{170}\) ，窮舉法失效。
2006 年法國學者 Coulom 提出蒙地卡羅樹搜尋（MCTS），圍棋程式實力大進，但業餘高段即成天花板。
2014 年 Google 以約 4 億英鎊收購 DeepMind；2015 年 10 月 AlphaGo 歐洲版 5:0 勝職業二段樊麾，登 Nature 期刊。
DeepMind 之前的代表作：2013 年以 Q-learning 玩 ATARI 遊戲超越人類。

線索與推理#

偵探的疑問：AlphaGo 的關鍵突破是什麼？比對證據，是「三腦合一」的架構：策略網路（Policy Network）由人類棋譜監督學習，學會「像人一樣落子」；快速走子用於模擬展開；價值網路（Value Network）評估局面勝率。而破案的最後一塊拼圖是自我對弈強化學習——讓策略網路與自己對下數萬局，生成新棋譜再訓練價值網路，人類棋譜只是「初始化」而非「教材」。這解釋了第 37 手：它不是失誤，而是超越人類棋譜分布的探索，事後職業棋手承認此手改變了圍棋開局理論。DeepMind 的決策邏輯也清晰：圍棋是通用 AI 的試金石——規則簡單、搜尋空間天文數字、人類直覺無法明文化。擊敗李世乭不是目的，而是向世界（與 Google 董事會）證明強化學習路線的公關傑作。

理論#

強化學習目標為最大化累積期望回報 \(\mathbb{E}\left[\sum_{t} \gamma^t r_t\right]\) 。AlphaGo 結合 MCTS 與神經網路：在狀態 \(s\) 下，選點準則

\[ a^* = \arg\max_a \left[ Q(s,a) + u(P(s,a), N(s)) \right], \quad u = c_{puct} \frac{P(s,a)}{1 + N(s,a)} \]

其中 \(P\) 為策略網路先驗、 \(Q\) 為動作價值、 \(u\) 項促成探索。價值網路以最小平方損失訓練 \(L_\theta = (z - v_\theta(s))^2\) （ \(z\) 為對局真實勝負）。後繼者 AlphaGo Zero（2017）完全棄用人類棋譜，僅靠自我對弈 40 天便超越所有版本，其損失函數 \(L = (z-v)^2 - \pi^\top \log p + c\|\theta\|^2\) ，印證「從規則到自我對弈」的躍遷。搜尋空間對照：西洋棋約 \(10^{47}\) 、圍棋約 \(10^{170}\) ，宇宙原子總數僅約 \(10^{80}\) 。

後果#

2017 年 AlphaGo 3:0 勝柯潔，之後退役；AlphaGo Zero 與 AlphaZero 轉戰西洋棋、將棋皆稱霸。
DeepMind 將同套技術用於蛋白質摺疊，2020 年 AlphaFold 2 破解五十年生物學難題。
強化學習成為科技巨頭 AI 研發主戰場；韓國、中國掀起 AI 國家戰略競賽。
大眾 AI 意識覺醒，為 2022 年生成式 AI 浪潮完成社會心理鋪墊。

冷案檔案#

時間：2016-03-09 至 03-15，首爾。
案由：AlphaGo 以深度神經網路＋蒙地卡羅樹搜尋＋自我對弈強化學習擊敗李世乭。
歷史定位：AI 從「人類知識的編碼器」蛻變為「超越人類經驗的發現者」的分水嶺。