关键对局回顾
AlphaGo 的历史，是由一场场震撼世界的对局写成的。从 2015 年 10 月在伦敦的秘密对局，到 2017 年 5 月在乌镇的告别演出，每一盘棋都在改写人类对围棋与人工智能的认知。
本文将完整回顾这些关键对局的背景、过程与意义。
樊麾对局（2015.10）：秘密进行的 5:0
背景：为什么选择樊麾？
在 AlphaGo 挑战世界顶尖棋手之前，DeepMind 需要一个「测试场」。他们需要一位职业棋手来验证 AlphaGo 的真实实力，但这位棋手必须满足几个条件：
- 真正的职业水准：业余棋手无法准确测试 AI 实力
- 愿意保密：在论文发表前不能泄露消息
- 地理位置方便：便于进行多盘正式对局
- 开放心态：愿意认真对待 AI 对手
樊麾完美符合这些条件。这位出生于中国西安的职业棋手，1996 年入段，2000 年升为二段，后移居法国并成为欧洲围棋冠军。他是当时欧洲最强的职业棋手，同时也对人工智能抱持开放态度。
对局安排
2015 年 10 月，樊麾受邀前往伦敦 DeepMind 总部。在签署保密协议后，他与 AlphaGo 进行了 5 盘正式对局。
对局条件：
- 用时：每方 1 小时，每手 30 秒读秒
- 规则：中国规则，7.5 目贴目
- 环境：DeepMind 办公室，由 Aja Huang 代为落子
5:0 的震撼
结果令所有人震惊：AlphaGo 5:0 完胜。
| 盘次 | 日期 | 结果 | 备注 |
|---|---|---|---|
| 第 1 盘 | 10 月 5 日 | AlphaGo 中盘胜 | 樊麾执黑 |
| 第 2 盘 | 10 月 6 日 | AlphaGo 中盘胜 | 樊麾执白 |
| 第 3 盘 | 10 月 7 日 | AlphaGo 中盘胜 | 樊麾执黑 |
| 第 4 盘 | 10 月 8 日 | AlphaGo 1.5 目胜 | 樊麾执白 |
| 第 5 盘 | 10 月 9 日 | AlphaGo 中盘胜 | 樊麾执黑 |
🎬 E1：这 5 盘棋展示了 Policy Network 如何引导搜索方向
樊麾后来回忆：
「第一盘我输了，我想一定是我大意了。第二盘输了，我开始认真。第三盘、第四盘、第五盘全输了，我知道这不是我的问题——是围棋变了。」
为什么保密？
DeepMind 选择保密有几个原因：
- 学术发表：论文需要经过同行审查才能发表
- 验证时间：需要时间确认结果的可重复性
- 商业策略：选择最佳时机公布消息
- 保护樊麾：避免他在消息公开前承受压力
这个秘密被保守了整整三个月，直到 2016 年 1 月《Nature》论文发表。
樊麾的转变
输掉这 5 盘棋后，樊麾并没有感到沮丧。相反，他成为了 AlphaGo 团队的一员，负责测试和改进系统。
「我不是被 AI 击败了，我是成为了 AI 发展的一部分。这是荣幸，不是耻辱。」
这种开放心态，后来成为围棋界面对 AI 的典范。
李世乭对局（2016.03）：改变世界的五盘棋
世纪对决的筹备
2016 年 1 月 27 日，《Nature》论文发表后，DeepMind 宣布将挑战世界顶尖棋手。目标人选：李世乭（Lee Sedol）。
为什么是李世乭？
- 18 个世界冠军头衔：过去十年最成功的棋手之一
- 「神算」的美誉：以精准计算著称
- 战斗型风格：喜欢复杂、激烈的对局
- 35 岁正值巅峰：经验与体力的最佳平衡
🎬 E3：李世乭的风格正好能测试 MCTS 的极限
比赛设置
- 地点：韩国首尔四季酒店
- 日期：2016 年 3 月 9-15 日
- 奖金：100 万美元（胜者得，平分或捐赠慈善）
- 规则：中国规则，7.5 目贴目
- 用时：每方 2 小时，每手 1 分钟读秒 3 次
全球 200 多个国家和地区进行直播，预计观众超过 2 亿人。
第一盘：震惊的开始
2016 年 3 月 9 日
李世乭执黑先行。开局阶段，双方中规中矩。但到了中盘，AlphaGo 展现了惊人的大局观。
在第 102 手时，AlphaGo 下出一步看似退让的棋，让出了右边的实地。职业棋手们纷纷表示不解。但 20 手后，这步棋的妙处显现——AlphaGo 用牺牲的棋子建立了中央厚势，最终在全盘取得优势。
结果：AlphaGo 中盘胜
赛后，李世乭表示：
「我很震惊。我没想到会输，更没想到会输得这么彻底。」
🎬 E5：这盘棋展示了 Value Network 评估全局的能力
第二盘：「神之一手」的诞生
2016 年 3 月 10 日
这盘棋诞生了被称为「神之一手」的第 37 手。（详见下一篇：「神之一手」深度分析）
AlphaGo 在右上角下出一步「五路肩冲」——一个人类几乎不会考虑的位置。解说员当场表示这是「失误」，但 50 手后，这步棋被证明是制胜关键。
结果：AlphaGo 中盘胜
韩国解说员金成龙九段赛后说：
「我下了 50 年的棋，从没见过这样的棋。AlphaGo 让我重新思考什么是围棋。」
🎬 E7：第 37 手展示了 AI 如何发现人类未知的策略
第三盘：绝望的 3:0
2016 年 3 月 12 日
李世乭在这盘棋尝试了非常规开局，希望将 AlphaGo 带入未知领域。他采用了「小林流」布局的变形，企图用复杂的战斗取胜。
但 AlphaGo 的应对依然从容。它展现了惊人的适应能力——无论人类如何出招，它都能找到最佳应手。
结果：AlphaGo 中盘胜
比数来到 3:0，比赛已经失去悬念。但所有人都在期待：人类能否赢得一盘？
第四盘：人类的反击
2016 年 3 月 13 日
这盘棋将永载史册——不是因为 AI 的神奇，而是因为人类的反击。
局面进行到第 78 手时，李世乭在读秒中下出了一步惊世之作：五路的妙手。
这是一步「挖」的手筋，看似普通，却让 AlphaGo 陷入混乱。在接下来的几手棋中，AlphaGo 的胜率评估出现剧烈波动，它下出了几步明显的坏棋。
🎬 E9：这盘棋暴露了 MCTS 在特定局面下的弱点
DeepMind 团队后来分析，AlphaGo 在那个局面下的胜率评估出现了错误。它低估了李世乭那步棋的威力，导致后续应对失误。
结果：李世乭 中盘胜
这是 AlphaGo 正式比赛中唯一的一场败北。李世乭激动地说：
「这场胜利无价。它证明了人类棋手仍然能够战胜 AI——至少在某些局面下可以。」
Google DeepMind 执行长 Demis Hassabis 发推特：
「李世乭是真正的传奇。他找到了 AlphaGo 的弱点，并精确地利用了它。」
第五盘：最终的结局
2016 年 3 月 15 日
在获得一场宝贵的胜利后，李世乭带着更轻松的心态进入第五盘。他采用了更为激进的策略，试图再次找到 AlphaGo 的弱点。
但 DeepMind 团队在第四盘后进行了紧急调整。这一版本的 AlphaGo 似乎更加稳健，不再出现之前的评估错误。
结果：AlphaGo 中盘胜
最终比分：AlphaGo 4:1 李世乭
对局的历史意义
这场比赛的影响远超围棋界：
对人工智能
- 证明深度学习的威力：AI 可以在复杂决策任务上超越人类
- 强化学习的里程碑：自我对弈训练被证明有效
- 激发后续研究：引发了 AI 领域的投资热潮
对围棋界
- 传统理论被挑战：很多「定式」被证明次优
- 训练方式改变：职业棋手开始使用 AI 辅助训练
- 新下法的诞生：AI 引入了许多创新手法
对公众
- AI 意识觉醒：普通人开始关注人工智能
- 科技报道增加：主流媒体大量报道 AI 进展
- 电影与纪录片：催生了《AlphaGo》纪录片
🎬 E11：这场比赛标志着 AI 能力的「相变」时刻
Master 60 连胜（2017.01）：线上快棋的震撼
神秘的「Master」账号
2016 年 12 月 29 日，一个名为「Master」的账号出现在中国弈城围棋和腾讯野狐围棋网站上。
这个账号的表现令人难以置信：
- 连胜所有对手：无一败绩
- 对手全是顶尖棋手：包括世界冠军和九段高手
- 用时极短：每步棋几乎都是秒下
很快，整个围棋界都在讨论：「Master」到底是谁？
60 连胜的壮举
从 12 月 29 日到 2017 年 1 月 4 日，「Master」进行了 60 盘快棋，全部获胜。
被击败的棋手名单犹如世界围棋名人堂：
| 排名 | 棋手 | 战绩 |
|---|---|---|
| 世界第 1 | 柯洁（中国） | 0-3 |
| 世界第 2 | 朴廷桓（韩国） | 0-2 |
| 世界第 3 | 井山裕太（日本） | 0-1 |
| 传奇棋手 | 聂卫平（中国） | 0-1 |
| 传奇棋手 | 古力（中国） | 0-2 |
| ... | ... | ... |
总计包括超过 50 位职业九段，涵盖中日韩三国顶尖棋手。
🎬 E13：快棋展示了 Policy Network 即时决策的能力
身份揭晓
2017 年 1 月 4 日，在完成第 60 胜后，「Master」在聊天室透露了身份：
「我是 AlphaGo 的黄博士。」
黄博士就是 Aja Huang（黄士杰），AlphaGo 团队的核心成员。
DeepMind 随后正式确认：「Master」是 AlphaGo 的新版本，这次测试的目的是验证系统在线上环境中的稳定性。
职业棋手的反应
60 连胜的冲击，比李世乭对局更加深刻。因为这次的对手更多、范围更广。
柯洁（三次败给 Master）：
「人类与 AI 的差距比我们想象的还要大。我们一直以为自己理解围棋，但 Master 让我觉得我们连入门都谈不上。」
聂卫平（中国棋圣）：
「我下了 60 年的棋，第一次感觉如此无力。这不是技术的差距，是维度的差距。」
古力（八个世界冠军）：
「输给 Master 后，我开始思考人类棋手的价值在哪里。我们还需要职业比赛吗？」
技术分析
这一版本的 AlphaGo（后来被称为 AlphaGo Master）相比李世乭对局版本有显著提升：
| 指标 | Lee 版本 | Master 版本 | 提升 |
|---|---|---|---|
| Elo 评分 | ~3,600 | ~4,800 | +1,200 |
| 自我对弈胜率 | - | 99%+ | - |
| Policy 准确度 | ~57% | ~62% | +5% |
| 训练时间 | 数月 | 额外数月 | - |
🎬 E15：Elo 的提升展示了自我对弈的指数级进步
柯洁对局（2017.05）：王者的谢幕
最后的挑战者
在 Master 60 连胜后，很少有人还认为人类有机会战胜 AlphaGo。但有一个人依然渴望一战——柯洁。
当时 19 岁的柯洁，是世界排名第一的棋手。他曾多次公开表示：
「我不认为 AlphaGo 能击败我。即使 Master 赢了我三盘快棋，正式比赛是不同的。」
Google 接受了挑战。
乌镇围棋峰会
2017 年 5 月，「未来围棋峰会」在中国浙江乌镇举行。这是一场围绕 AlphaGo 的盛大活动，包括：
- 柯洁三番棋：人类最强对 AI 最强
- 配对赛：人类 + AlphaGo vs 人类 + AlphaGo
- 团队赛：五位中国顶尖棋手联手对抗 AlphaGo
三番棋：3:0 的结局
第一盘（5 月 23 日）
柯洁执黑先行，开局采用了较为稳健的「中国流」布局。这是经过深思熟虑的选择——柯洁希望避免被 AlphaGo 的大局观击败，转而在细节处争取机会。
但 AlphaGo 的应对完美无瑕。它在每个关键时刻都找到了最准确的下法，逐渐累积优势。
结果：AlphaGo 以 1/4 子（0.5 目）获胜
这是围棋中可能的最小胜利差距。柯洁赛后落泪：
「我已经用尽全力，但还是差了一点点。」
🎬 E17：1/4 子的差距展示了 AI 的精确控制能力
第二盘（5 月 25 日）
柯洁改变策略，采用了模仿 AlphaGo 的开局方式。他使用了「点三三」直接进角的新手法——这正是 AlphaGo 带给围棋界的创新。
「既然你的下法更好，我就学你的下法。」
但 AlphaGo 不为所动。它依然按照自己的节奏进行，在中盘战斗中展现了惊人的计算能力。
结果：AlphaGo 中盘胜
第三盘（5 月 27 日）
最后一盘，柯洁孤注一掷。他采用了极为激进的战斗风格，试图将 AlphaGo 拖入混战。
开局阶段，柯洁确实制造了一些复杂局面。但 AlphaGo 的应对依然精准，它没有给柯洁任何翻盘的机会。
结果：AlphaGo 中盘胜
最终比分：AlphaGo 3:0 柯洁
🎬 E19：三番棋展示了 AlphaGo 的绝对统治力
配对赛与团队赛
除了柯洁三番棋，峰会还进行了两种创新赛制：
配对赛（5 月 26 日）
连笑 + AlphaGo vs 古力 + AlphaGo
这场比赛的有趣之处在于：当人类棋手与 AlphaGo 意见不同时，会发生什么？
结果显示：完全遵从 AlphaGo 建议的一方表现更好。当人类棋手试图「修正」AlphaGo 的下法时，往往会导致局面恶化。
结果：连笑 + AlphaGo 胜
团队赛（5 月 26 日）
中国队（周睿羊、时越、唐韦星、陈耀烨、芈昱廷） vs AlphaGo
五位中国顶尖棋手合作对抗一台 AI。他们可以充分讨论，共同决定每一步棋。
但结果没有悬念：AlphaGo 中盘胜。
这场比赛证明：即使人类顶尖棋手联手，也无法战胜 AlphaGo。
AlphaGo 的退役宣言
2017 年 5 月 27 日，在柯洁三番棋结束后，DeepMind 发表了一份重要声明：
「这是 AlphaGo 最后一次公开对弈。我们相信 AlphaGo 已经完成了它的使命——证明 AI 可以在围棋这个人类智慧的巅峰领域达到超越人类的水平。
接下来，我们将把从 AlphaGo 学到的技术应用到更重要的问题上：医疗、能源、材料科学。这才是人工智能的真正价值所在。」
同时宣布：
- AlphaGo 教学工具：将发布 AlphaGo 的对局分析供棋手学习
- 50 盘自我对弈棋谱：公开 AlphaGo vs AlphaGo 的棋谱
- 技术论文：将在《Nature》发表 AlphaGo Zero 的研究成果
🎬 E21：AlphaGo 的退役标志着一个时代的结束
对局的历史定位
技术里程碑
AlphaGo 的对局在人工智能史上具有里程碑意义：
| 年份 | 事件 | 意义 |
|---|---|---|
| 1997 | 深蓝击败卡斯帕洛夫 | 暴力搜索的胜利 |
| 2011 | Watson 赢得 Jeopardy! | 自然语言处理的突破 |
| 2016 | AlphaGo 击败李世乭 | 深度学习 + 强化学习的胜利 |
| 2017 | AlphaGo Zero 100:0 | 纯粹自我学习的胜利 |
🎬 E23：每个里程碑都代表了 AI 方法论的演进
对围棋界的影响
棋谱研究的改变
传统上，职业棋手主要研究人类棋谱。但 AlphaGo 之后，AI 棋谱成为必修课。
- 点三三开局：AlphaGo 证明直接点角是有效策略
- 肩冲的妙用：第 37 手改变了对「肩冲」这个手筋的认知
- 厚势的价值：AI 展示了厚势转化的新方式
训练方式的变革
职业棋手的训练方式发生根本改变：
| 传统方式 | AI 时代方式 |
|---|---|
| 研究人类棋谱 | 研究 AI 棋谱 |
| 依靠师父指导 | 使用 AI 分析工具 |
| 记忆定式 | 理解 AI 的评估逻辑 |
| 实战练习 | AI 复盘分析 |
新一代棋手的崛起
2016 年后成长起来的棋手，被称为「AI 原住民」。他们的棋风明显受到 AI 影响：
- 更注重效率而非传统美学
- 更愿意尝试非传统下法
- 更依赖精确计算而非直觉
哲学反思
AlphaGo 的胜利引发了深刻的哲学讨论：
智慧的本质是什么？
AlphaGo 「理解」围棋吗？还是它只是在进行精确的计算？这个问题至今没有定论。
人类的价值在哪里？
当 AI 在围棋上超越人类，围棋比赛还有意义吗？很多棋手重新思考自己的职业意义。
有趣的是，AlphaGo 之后，围棋的全球关注度反而提高了。人们意识到：围棋不只是竞技，也是艺术和哲学。
AI 的发展方向
AlphaGo 的成功让人们对 AI 既期待又担忧。DeepMind 选择让 AlphaGo 退役，转向解决「真正重要的问题」，这本身就是一个伦理选择。
🎬 E25：AlphaGo 引发了关于 AI 伦理的广泛讨论
遗珠：其他重要对局
与其他 AI 的对决
在公开赛之外，AlphaGo 还与其他围棋 AI 进行了大量对局：
| 对手 | 版本 | 结果 |
|---|---|---|
| Crazy Stone | 2015 年最强围棋程序 | 全胜 |
| Zen | 日本最强围棋 AI | 全胜 |
| 旧版 AlphaGo | 各版本自我对弈 | - |
内部测试
DeepMind 团队进行了大量内部测试：
- AlphaGo Lee vs AlphaGo Master：Master 版本胜率超过 99%
- AlphaGo Master vs AlphaGo Zero：Zero 版本胜率超过 89%
- 不同训练时间的版本对弈：观察学习曲线
这些测试数据后来都在论文中公开，成为研究 AI 学习的重要资料。
动画对应
本文涉及的核心概念与动画编号：
| 编号 | 概念 | 物理/数学对应 |
|---|---|---|
| 🎬 E1 | Policy Network 引导搜索 | 概率分布 |
| 🎬 E3 | 测试 MCTS 的极限 | 树搜索深度 |
| 🎬 E5 | Value Network 全局评估 | 价值函数 |
| 🎬 E7 | 发现未知策略 | 探索 vs 利用 |
| 🎬 E9 | MCTS 的弱点 | 边界条件 |
| 🎬 E11 | 能力的「相变」 | 临界现象 |
| 🎬 E13 | 即时决策能力 | 推理速度 |
| 🎬 E15 | 自我对弈的指数进步 | 迭代优化 |
| 🎬 E17 | 精确控制能力 | 数值稳定性 |
| 🎬 E19 | 绝对统治力 | 收敛到最优 |
| 🎬 E21 | 时代的结束 | 任务完成 |
| 🎬 E23 | 方法论演进 | 典范转移 |
| 🎬 E25 | AI 伦理讨论 | 社会影响 |
延伸阅读
- 上一篇：AlphaGo 的诞生 — DeepMind 创立、团队组成
- 下一篇：「神之一手」深度分析 — 第 37 手的完整解读
- 技术细节：MCTS 与神经网络的结合 — 理解对局背后的技术
- 后续发展：AlphaGo 的遗产 — 对围棋与 AI 的长期影响
参考资料
- Silver, D., et al. (2016). "Mastering the game of Go with deep neural networks and tree search." Nature, 529, 484-489.
- Silver, D., et al. (2017). "Mastering the game of Go without human knowledge." Nature, 550, 354-359.
- 《AlphaGo》纪录片 (2017)，导演 Greg Kohs。
- DeepMind 官方 Blog：AlphaGo 系列文章
- 李世乭对局官方棋谱与评论（韩国棋院）
- 乌镇围棋峰会官方纪录