早前AlphaGo在國際圍棋排名中首次超越人類，成為世界第一，一時間引起輿論譁然，紛紛慨嘆「人類智慧最後的高地」慘被攻陷，就在人們還沒回過神來的時候，「大魔王」柯潔又重新奪回「世界第一」，AlphaGo降到第二，從最近的混亂局勢來看，「第一」頻繁易主將成常態，說不定下期排名AlphaGo就又會奪回第一寶座，面對著人工智慧的來勢洶洶，人類智慧將如何應對？AlphaGo距離圍棋之神究竟還有多遠？隨小編走進閃耀科學光芒的理性世界吧！
李世石曾經說「我算不清的變化，我的對手一定也算不清」，不過「李狗大戰」的結果已說明這樣的自我評語是帶有一定缺陷的。如果從統計學的技術分析來看，AlphaGo能贏並非很難，不過小編在這裡先賣個關子，在了解AlphaGo最近半年所向披靡的原因之前，先來看看圍棋這個項目在統計學中的表現。
Google當年的命名源起自一個美麗的拼寫錯誤。本來是想叫Googol，意思是10的100次方，代表網際網路上的海量信息。那麼，10的100次方是什麼概念呢？先來了解一串數據：
恆河沙數，約10的20次方；
宇宙中星球的總數，約10的22次方；
宇宙中所有原子的總數，約10的70次方；
而圍棋則是10的172次方。
如果這個數據類比還是有些模糊抽象的話，請看下面這張圖，這張圖將世界上最複雜的棋類難度做了精確計算：
我們可以看到，這張圖中，圍棋（10的172次方的狀態複雜度和10的360次方的博弈複雜度）與其他棋類的差距，遠比宇宙原子的數量跟地球沙子的差距更大，也就是說圍棋的變化是超宇宙級的。
為了破解超宇宙級數的變化限制，AlphaGo，這個集多種不同深度機器學習技術的怪物騰空出世。深度學習算法引入了圖像識別，圖像識別有助於計算機學習死活，看清厚薄，判斷形勢，能極大地減少無用的窮舉計算，讓機器更接近人類思考的方式。
人類的認知源於經驗，除了歸納，更重要的是天才的靈感迸發，這未必要靠窮盡所有變化的計算，卻一定飽含充滿博弈思維的算計，這些正是李世石高度自信的重要根源。不過，高度運用深度機器學習技術的AlphaGo卻能將兩者結合，能夠從中不斷積累「經驗」，提升圖像識別的準確性，一如學棋兒童通過網上的大量快餐圍棋的實戰，超速成長。
這是AlphaGo所向披靡的神秘武器。
圍棋是一個直到大官子階段（約150手後）仍然結果不確定的遊戲，與職業高手相比，計算機失敗無須承擔精神上的痛楚，它不用像人類棋手對弈時對大起大落的棋局增添超強的心理壓力，也不用對抓住對手致命失誤後的一擊致命而感到癲狂般得興奮。人工智慧的計算機一旦勝利則宣告此領域與人類pk的終結，空留下失敗者的背影而終。
競技體育的絕世高手，或者被歲月打敗（如同當年的馬曉春對李昌鎬，如今的李世石對柯潔），或者被機器KO，這兩者都不會再有復仇的機會。
所以從這個角度來說，即便AlphaGo能夠長期制霸棋壇，甚至達到圍棋之神的境界，但終究難逃被人類棋手不斷發起衝擊，並將其趕下神壇的宿命，統計學只是提供一種窮舉的計算判斷方式，真正的贏家還是人類本身。畢竟這僅是一場遊戲，一場人類兩個領域的巔峰智慧互相較量的遊戲。
本文部分內容轉載自知乎專欄「一切判斷皆是統計學」內文章《AlphaGo距圍棋之神還有多遠？》