關鍵對局回顧
AlphaGo 的歷史，是由一場場震撼世界的對局寫成的。從 2015 年 10 月在倫敦的秘密對局，到 2017 年 5 月在烏鎮的告別演出，每一盤棋都在改寫人類對圍棋與人工智能的認知。
本文將完整回顧這些關鍵對局的背景、過程與意義。
樊麾對局（2015.10）：秘密進行的 5:0
背景：為甚麼選擇樊麾？
在 AlphaGo 挑戰世界頂尖棋手之前，DeepMind 需要一個「測試場」。他們需要一位職業棋手來驗證 AlphaGo 的真實實力，但這位棋手必須滿足幾個條件：
- 真正的職業水準：業餘棋手無法準確測試 AI 實力
- 願意保密：在論文發表前不能洩露消息
- 地理位置方便：便於進行多盤正式對局
- 開放心態：願意認真對待 AI 對手
樊麾完美符合這些條件。這位出生於中國西安的職業棋手，1996 年入段，2000 年升為二段，後移居法國並成為歐洲圍棋冠軍。他是當時歐洲最強的職業棋手，同時也對人工智能抱持開放態度。
對局安排
2015 年 10 月，樊麾受邀前往倫敦 DeepMind 總部。在簽署保密協議後，他與 AlphaGo 進行了 5 盤正式對局。
對局條件：
- 用時：每方 1 小時，每手 30 秒讀秒
- 規則：中國規則，7.5 目貼目
- 環境：DeepMind 辦公室，由 Aja Huang 代為落子
5:0 的震撼
結果令所有人震驚：AlphaGo 5:0 完勝。
| 盤次 | 日期 | 結果 | 備註 |
|---|---|---|---|
| 第 1 盤 | 10 月 5 日 | AlphaGo 中盤勝 | 樊麾執黑 |
| 第 2 盤 | 10 月 6 日 | AlphaGo 中盤勝 | 樊麾執白 |
| 第 3 盤 | 10 月 7 日 | AlphaGo 中盤勝 | 樊麾執黑 |
| 第 4 盤 | 10 月 8 日 | AlphaGo 1.5 目勝 | 樊麾執白 |
| 第 5 盤 | 10 月 9 日 | AlphaGo 中盤勝 | 樊麾執黑 |
這 5 盤棋展示了 Policy Network 如何引導搜索方向
樊麾後來回憶：
「第一盤我輸了，我想一定是我大意了。第二盤輸了，我開始認真。第三盤、第四盤、第五盤全輸了，我知道這不是我的問題——是圍棋變了。」
為甚麼保密？
DeepMind 選擇保密有幾個原因：
- 學術發表：論文需要經過同行審查才能發表
- 驗證時間：需要時間確認結果的可重複性
- 商業策略：選擇最佳時機公佈消息
- 保護樊麾：避免他在消息公開前承受壓力
這個秘密被保守了整整三個月，直到 2016 年 1 月《Nature》論文發表。
樊麾的轉變
輸掉這 5 盤棋後，樊麾並沒有感到沮喪。相反，他成為了 AlphaGo 團隊的一員，負責測試和改進系統。
「我不是被 AI 擊敗了，我是成為了 AI 發展的一部分。這是榮幸，不是恥辱。」
這種開放心態，後來成為圍棋界面對 AI 的典範。
李世乭對局（2016.03）：改變世界的五盤棋
世紀對決的籌備
2016 年 1 月 27 日，《Nature》論文發表後，DeepMind 宣佈將挑戰世界頂尖棋手。目標人選：李世乭（Lee Sedol）。
為甚麼是李世乭？
- 18 個世界冠軍頭銜：過去十年最成功的棋手之一
- 「神算」的美譽：以精準計算著稱
- 戰鬥型風格：喜歡複雜、激烈的對局
- 35 歲正值巔峰：經驗與體力的最佳平衡
李世乭的風格正好能測試 MCTS 的極限
比賽設置
- 地點：韓國首爾四季酒店
- 日期：2016 年 3 月 9-15 日
- 獎金：100 萬美元（勝者得，平分或捐贈慈善）
- 規則：中國規則，7.5 目貼目
- 用時：每方 2 小時，每手 1 分鐘讀秒 3 次
全球 200 多個國家和地區進行直播，預計觀眾超過 2 億人。
第一盤：震驚的開始
2016 年 3 月 9 日
李世乭執黑先行。開局階段，雙方中規中矩。但到了中盤，AlphaGo 展現了驚人的大局觀。
在第 102 手時，AlphaGo 下出一步看似退讓的棋，讓出了右邊的實地。職業棋手們紛紛表示不解。但 20 手後，這步棋的妙處顯現——AlphaGo 用犧牲的棋子建立了中央厚勢，最終在全盤取得優勢。
結果：AlphaGo 中盤勝
賽後，李世乭表示：
「我很震驚。我沒想到會輸，更沒想到會輸得這麼徹底。」
這盤棋展示了 Value Network 評估全局的能力
第二盤：「神之一手」的誕生
2016 年 3 月 10 日
這盤棋誕生了被稱為「神之一手」的第 37 手。（詳見下一篇：「神之一手」深度分析）
AlphaGo 在右上角下出一步「五路肩衝」——一個人類幾乎不會考慮的位置。解說員當場表示這是「失誤」，但 50 手後，這步棋被證明是制勝關鍵。
結果：AlphaGo 中盤勝
韓國解說員金成龍九段賽後說：
「我下了 50 年的棋，從沒見過這樣的棋。AlphaGo 讓我重新思考甚麼是圍棋。」
第 37 手展示了 AI 如何發現人類未知的策略
第三盤：絕望的 3:0
2016 年 3 月 12 日
李世乭在這盤棋嘗試了非常規開局，希望將 AlphaGo 帶入未知領域。他採用了「小林流」佈局的變形，企圖用複雜的戰鬥取勝。
但 AlphaGo 的應對依然從容。它展現了驚人的適應能力——無論人類如何出招，它都能找到最佳應手。
結果：AlphaGo 中盤勝
比數來到 3:0，比賽已經失去懸念。但所有人都在期待：人類能否贏得一盤？
第四盤：人類的反擊
2016 年 3 月 13 日
這盤棋將永載史冊——不是因為 AI 的神奇，而是因為人類的反擊。
局面進行到第 78 手時，李世乭在讀秒中下出了一步驚世之作：五路的妙手。
這是一步「挖」的手筋，看似普通，卻讓 AlphaGo 陷入混亂。在接下來的幾手棋中，AlphaGo 的勝率評估出現劇烈波動，它下出了幾步明顯的壞棋。
這盤棋暴露了 MCTS 在特定局面下的弱點
DeepMind 團隊後來分析，AlphaGo 在那個局面下的勝率評估出現了錯誤。它低估了李世乭那步棋的威力，導致後續應對失誤。
結果：李世乭 中盤勝
這是 AlphaGo 正式比賽中唯一的一場敗北。李世乭激動地說：
「這場勝利無價。它證明了人類棋手仍然能夠戰勝 AI——至少在某些局面下可以。」
Google DeepMind 行政總裁 Demis Hassabis 發推特：
「李世乭是真正的傳奇。他找到了 AlphaGo 的弱點，並精確地利用了它。」
第五盤：最終的結局
2016 年 3 月 15 日
在獲得一場寶貴的勝利後，李世乭帶着更輕鬆的心態進入第五盤。他採用了更為激進的策略，試圖再次找到 AlphaGo 的弱點。
但 DeepMind 團隊在第四盤後進行了緊急調整。這一版本的 AlphaGo 似乎更加穩健，不再出現之前的評估錯誤。
結果：AlphaGo 中盤勝
最終比分：AlphaGo 4:1 李世乭
對局的歷史意義
這場比賽的影響遠超圍棋界：
對人工智能
- 證明深度學習的威力：AI 可以在複雜決策任務上超越人類
- 強化學習的里程碑：自我對弈訓練被證明有效
- 激發後續研究：引發了 AI 領域的投資熱潮
對圍棋界
- 傳統理論被挑戰：很多「定式」被證明次優
- 訓練方式改變：職業棋手開始使用 AI 輔助訓練
- 新下法的誕生：AI 引入了許多創新手法
對公眾
- AI 意識覺醒：普通人開始關注人工智能
- 科技報道增加：主流媒體大量報道 AI 進展
- 電影與紀錄片：催生了《AlphaGo》紀錄片
這場比賽標誌着 AI 能力的「相變」時刻
Master 60 連勝（2017.01）：線上快棋的震撼
神秘的「Master」帳號
2016 年 12 月 29 日，一個名為「Master」的帳號出現在中國弈城圍棋和騰訊野狐圍棋網站上。
這個帳號的表現令人難以置信：
- 連勝所有對手：無一敗績
- 對手全是頂尖棋手：包括世界冠軍和九段高手
- 用時極短：每步棋幾乎都是秒下
很快，整個圍棋界都在討論：「Master」到底是誰？
60 連勝的壯舉
從 12 月 29 日到 2017 年 1 月 4 日，「Master」進行了 60 盤快棋，全部獲勝。
被擊敗的棋手名單猶如世界圍棋名人堂：
| 排名 | 棋手 | 戰績 |
|---|---|---|
| 世界第 1 | 柯潔（中國） | 0-3 |
| 世界第 2 | 朴廷桓（韓國） | 0-2 |
| 世界第 3 | 井山裕太（日本） | 0-1 |
| 傳奇棋手 | 聶衞平（中國） | 0-1 |
| 傳奇棋手 | 古力（中國） | 0-2 |
| ... | ... | ... |
總計包括超過 50 位職業九段，涵蓋中日韓三國頂尖棋手。
快棋展示了 Policy Network 即時決策的能力
身份揭曉
2017 年 1 月 4 日，在完成第 60 勝後，「Master」在聊天室透露了身份：
「我是 AlphaGo 的黃博士。」
黃博士就是 Aja Huang（黃士傑），AlphaGo 團隊的核心成員。
DeepMind 隨後正式確認：「Master」是 AlphaGo 的新版本，這次測試的目的是驗證系統在線上環境中的穩定性。
職業棋手的反應
60 連勝的衝擊，比李世乭對局更加深刻。因為這次的對手更多、範圍更廣。
柯潔（三次敗給 Master）：
「人類與 AI 的差距比我們想像的還要大。我們一直以為自己理解圍棋，但 Master 讓我覺得我們連入門都談不上。」
聶衞平（中國棋聖）：
「我下了 60 年的棋，第一次感覺如此無力。這不是技術的差距，是維度的差距。」
古力（八個世界冠軍）：
「輸給 Master 後，我開始思考人類棋手的價值在哪裏。我們還需要職業比賽嗎？」
技術分析
這一版本的 AlphaGo（後來被稱為 AlphaGo Master）相比李世乭對局版本有顯著提升：
| 指標 | Lee 版本 | Master 版本 | 提升 |
|---|---|---|---|
| Elo 評分 | ~3,600 | ~4,800 | +1,200 |
| 自我對弈勝率 | - | 99%+ | - |
| Policy 準確度 | ~57% | ~62% | +5% |
| 訓練時間 | 數月 | 額外數月 | - |
Elo 的提升展示了自我對弈的指數級進步
柯潔對局（2017.05）：王者的謝幕
最後的挑戰者
在 Master 60 連勝後，很少有人還認為人類有機會戰勝 AlphaGo。但有一個人依然渴望一戰——柯潔。
當時 19 歲的柯潔，是世界排名第一的棋手。他曾多次公開表示：
「我不認為 AlphaGo 能擊敗我。即使 Master 贏了我三盤快棋，正式比賽是不同的。」
Google 接受了挑戰。
烏鎮圍棋峰會
2017 年 5 月，「未來圍棋峰會」在中國浙江烏鎮舉行。這是一場圍繞 AlphaGo 的盛大活動，包括：
- 柯潔三番棋：人類最強對 AI 最強
- 配對賽：人類 + AlphaGo vs 人類 + AlphaGo
- 團隊賽：五位中國頂尖棋手聯手對抗 AlphaGo
三番棋：3:0 的結局
第一盤（5 月 23 日）
柯潔執黑先行，開局採用了較為穩健的「中國流」佈局。這是經過深思熟慮的選擇——柯潔希望避免被 AlphaGo 的大局觀擊敗，轉而在細節處爭取機會。
但 AlphaGo 的應對完美無瑕。它在每個關鍵時刻都找到了最準確的下法，逐漸累積優勢。
結果：AlphaGo 以 1/4 子（0.5 目）獲勝
這是圍棋中可能的最小勝利差距。柯潔賽後落淚：
「我已經用盡全力，但還是差了一點點。」
1/4 子的差距展示了 AI 的精確控制能力
第二盤（5 月 25 日）
柯潔改變策略，採用了模仿 AlphaGo 的開局方式。他使用了「點三三」直接進角的新手法——這正是 AlphaGo 帶給圍棋界的創新。
「既然你的下法更好，我就學你的下法。」
但 AlphaGo 不為所動。它依然按照自己的節奏進行，在中盤戰鬥中展現了驚人的計算能力。
結果：AlphaGo 中盤勝
第三盤（5 月 27 日）
最後一盤，柯潔孤注一擲。他採用了極為激進的戰鬥風格，試圖將 AlphaGo 拖入混戰。
開局階段，柯潔確實製造了一些複雜局面。但 AlphaGo 的應對依然精準，它沒有給柯潔任何翻盤的機會。
結果：AlphaGo 中盤勝
最終比分：AlphaGo 3:0 柯潔
三番棋展示了 AlphaGo 的絕對統治力
配對賽與團隊賽
除了柯潔三番棋，峰會還進行了兩種創新賽制：
配對賽（5 月 26 日）
連笑 + AlphaGo vs 古力 + AlphaGo
這場比賽的有趣之處在於：當人類棋手與 AlphaGo 意見不同時，會發生甚麼？
結果顯示：完全遵從 AlphaGo 建議的一方表現更好。當人類棋手試圖「修正」AlphaGo 的下法時，往往會導致局面惡化。
結果：連笑 + AlphaGo 勝
團隊賽（5 月 26 日）
中國隊（周睿羊、時越、唐韋星、陳耀燁、芈昱廷） vs AlphaGo
五位中國頂尖棋手合作對抗一台 AI。他們可以充分討論，共同決定每一步棋。
但結果沒有懸念：AlphaGo 中盤勝。
這場比賽證明：即使人類頂尖棋手聯手，也無法戰勝 AlphaGo。
AlphaGo 的退役宣言
2017 年 5 月 27 日，在柯潔三番棋結束後，DeepMind 發表了一份重要聲明：
「這是 AlphaGo 最後一次公開對弈。我們相信 AlphaGo 已經完成了它的使命——證明 AI 可以在圍棋這個人類智慧的巔峰領域達到超越人類的水平。
接下來，我們將把從 AlphaGo 學到的技術應用到更重要的問題上：醫療、能源、材料科學。這才是人工智能的真正價值所在。」
同時宣佈：
- AlphaGo 教學工具：將發佈 AlphaGo 的對局分析供棋手學習
- 50 盤自我對弈棋譜：公開 AlphaGo vs AlphaGo 的棋譜
- 技術論文：將在《Nature》發表 AlphaGo Zero 的研究成果
AlphaGo 的退役標誌着一個時代的結束
對局的歷史定位
技術里程碑
AlphaGo 的對局在人工智能史上具有里程碑意義：
| 年份 | 事件 | 意義 |
|---|---|---|
| 1997 | 深藍擊敗卡斯帕洛夫 | 暴力搜索的勝利 |
| 2011 | Watson 贏得 Jeopardy! | 自然語言處理的突破 |
| 2016 | AlphaGo 擊敗李世乭 | 深度學習 + 強化學習的勝利 |
| 2017 | AlphaGo Zero 100:0 | 純粹自我學習的勝利 |
每個里程碑都代表了 AI 方法論的演進
對圍棋界的影響
棋譜研究的改變
傳統上，職業棋手主要研究人類棋譜。但 AlphaGo 之後，AI 棋譜成為必修課。
- 點三三開局：AlphaGo 證明直接點角是有效策略
- 肩衝的妙用：第 37 手改變了對「肩衝」這個手筋的認知
- 厚勢的價值：AI 展示了厚勢轉化的新方式
訓練方式的變革
職業棋手的訓練方式發生根本改變：
| 傳統方式 | AI 時代方式 |
|---|---|
| 研究人類棋譜 | 研究 AI 棋譜 |
| 依靠師傅指導 | 使用 AI 分析工具 |
| 記憶定式 | 理解 AI 的評估邏輯 |
| 實戰練習 | AI 覆盤分析 |
新一代棋手的崛起
2016 年後成長起來的棋手，被稱為「AI 原住民」。他們的棋風明顯受到 AI 影響：
- 更注重效率而非傳統美學
- 更願意嘗試非傳統下法
- 更依賴精確計算而非直覺
哲學反思
AlphaGo 的勝利引發了深刻的哲學討論：
智慧的本質是甚麼？
AlphaGo 「理解」圍棋嗎？還是它只是在進行精確的計算？這個問題至今沒有定論。
人類的價值在哪裏？
當 AI 在圍棋上超越人類，圍棋比賽還有意義嗎？很多棋手重新思考自己的職業意義。
有趣的是，AlphaGo 之後，圍棋的全球關注度反而提高了。人們意識到：圍棋不只是競技，也是藝術和哲學。
AI 的發展方向
AlphaGo 的成功讓人們對 AI 既期待又擔憂。DeepMind 選擇讓 AlphaGo 退役，轉向解決「真正重要的問題」，這本身就是一個倫理選擇。
AlphaGo 引發了關於 AI 倫理的廣泛討論
遺珠：其他重要對局
與其他 AI 的對決
在公開賽之外，AlphaGo 還與其他圍棋 AI 進行了大量對局：
| 對手 | 版本 | 結果 |
|---|---|---|
| Crazy Stone | 2015 年最強圍棋程式 | 全勝 |
| Zen | 日本最強圍棋 AI | 全勝 |
| 舊版 AlphaGo | 各版本自我對弈 | - |
內部測試
DeepMind 團隊進行了大量內部測試：
- AlphaGo Lee vs AlphaGo Master：Master 版本勝率超過 99%
- AlphaGo Master vs AlphaGo Zero：Zero 版本勝率超過 89%
- 不同訓練時間的版本對弈：觀察學習曲線
這些測試數據後來都在論文中公開，成為研究 AI 學習的重要資料。
動畫對應
本文涉及的核心概念與動畫編號：
| 編號 | 概念 | 物理/數學對應 |
|---|---|---|
| E1 | Policy Network 引導搜索 | 機率分佈 |
| E3 | 測試 MCTS 的極限 | 樹搜索深度 |
| E5 | Value Network 全局評估 | 價值函數 |
| E7 | 發現未知策略 | 探索 vs 利用 |
| E9 | MCTS 的弱點 | 邊界條件 |
| E11 | 能力的「相變」 | 臨界現象 |
| E13 | 即時決策能力 | 推理速度 |
| E15 | 自我對弈的指數進步 | 迭代優化 |
| E17 | 精確控制能力 | 數值穩定性 |
| E19 | 絕對統治力 | 收斂到最優 |
| E21 | 時代的結束 | 任務完成 |
| E23 | 方法論演進 | 典範轉移 |
| E25 | AI 倫理討論 | 社會影響 |
延伸閱讀
- 上一篇：AlphaGo 的誕生 — DeepMind 創立、團隊組成
- 下一篇：「神之一手」深度分析 — 第 37 手的完整解讀
- 技術細節：MCTS 與神經網絡的結合 — 理解對局背後的技術
- 後續發展：AlphaGo 的遺產 — 對圍棋與 AI 的長期影響
參考資料
- 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》紀錄片 (2017)，導演 Greg Kohs。
- DeepMind 官方 Blog：AlphaGo 系列文章
- 李世乭對局官方棋譜與評論（韓國棋院）
- 烏鎮圍棋峰會官方紀錄