作者：陳華夫
利用「人工智慧」，美國「谷歌」所屬的「DeepMind公司」從2016年發展出史上無敵的AlphaGo Zero圍棋軟體，不僅遠遠超過人類，緊追在後的
中國的「絕藝」及日本的「ZenGo 7」。
如今五年後（2020年），我們知道「人工智慧」圍棋軟體雖然能贏棋，卻無法模塊化「知識」及提

觀點

職場產業

文化生活

作者：陳華夫
利用「人工智慧」，美國「谷歌」所屬的「DeepMind公司」從2016年發展出史上無敵的AlphaGo Zero圍棋軟體，不僅遠遠超過人類，緊追在後的
中國的「絕藝」及日本的「ZenGo 7」。
如今五年後（2020年），我們知道「人工智慧」圍棋軟體雖然能贏棋，卻無法模塊化「知識」及提煉顯性的「規則」，以致無法確認其模型內的「知識」及「規則」的正確（真理）性，因為其有效（贏棋）性是可通過對經驗（如對弈）來驗證，而邏輯上的正確（真理）性並不能以經驗（歸納法）所實證。（按：科學哲學家卡爾·波普爾認為一切從經驗得來的科學假說、命題和理論必須邏輯上容許<a href="https://zh.wikipedia.org/wiki/%E5%8F%AF%E8%AF%81%E4%BC%AA%E6%80%A7">「證否」</a>。）
另外，「人工智慧」比起「人類智慧」另一個致命傷是無法積累知識，而重用知識及「<a href="https://www.google.com.tw/search?sxsrf=ALeKk02OyjicU3cs6nbYejMj23yuhdCtFQ%3A1590636754650&amp;source=hp&amp;ei=0jDPXoG8JZyCr7wPoIiNqAo&amp;q=%E7%9F%A5%E8%AD%98%E3%80%8C%E8%BD%89%E7%A7%BB%E3%80%8D&amp;oq=%E7%9F%A5%E8%AD%98%E3%80%8C%E8%BD%89%E7%A7%BB%E3%80%8D&amp;gs_lcp=CgZwc3ktYWIQAzoFCAAQzQJQ6hZYlr4BYLfGAWgDcAB4AIABYIgB4AaSAQIxMpgBAKABAqABAaoBB2d3cy13aXo&amp;sclient=psy-ab&amp;ved=0ahUKEwiB7ebVz9XpAhUcwYsBHSBEA6UQ4dUDCAk&amp;uact=5">轉移</a>」知識，例如「谷歌」的「DeepMind公司」所發展出的四個版本1) AlphaGo Lee，2)AlphaGo Master，3)AlphaGo Zero，和4)AlphaZero都是獨立構造和進行數據訓練的，個別版本的知識無法直接「<a href="https://www.google.com.tw/search?sxsrf=ALeKk02OyjicU3cs6nbYejMj23yuhdCtFQ%3A1590636754650&amp;source=hp&amp;ei=0jDPXoG8JZyCr7wPoIiNqAo&amp;q=%E7%9F%A5%E8%AD%98%E3%80%8C%E8%BD%89%E7%A7%BB%E3%80%8D&amp;oq=%E7%9F%A5%E8%AD%98%E3%80%8C%E8%BD%89%E7%A7%BB%E3%80%8D&amp;gs_lcp=CgZwc3ktYWIQAzoFCAAQzQJQ6hZYlr4BYLfGAWgDcAB4AIABYIgB4AaSAQIxMpgBAKABAqABAaoBB2d3cy13aXo&amp;sclient=psy-ab&amp;ved=0ahUKEwiB7ebVz9XpAhUcwYsBHSBEA6UQ4dUDCAk&amp;uact=5">轉移</a>」其它版本上。而人類卻可以輕易分解組合知識及「舉一反三」的「<a href="https://www.google.com.tw/search?sxsrf=ALeKk02OyjicU3cs6nbYejMj23yuhdCtFQ%3A1590636754650&amp;source=hp&amp;ei=0jDPXoG8JZyCr7wPoIiNqAo&amp;q=%E7%9F%A5%E8%AD%98%E3%80%8C%E8%BD%89%E7%A7%BB%E3%80%8D&amp;oq=%E7%9F%A5%E8%AD%98%E3%80%8C%E8%BD%89%E7%A7%BB%E3%80%8D&amp;gs_lcp=CgZwc3ktYWIQAzoFCAAQzQJQ6hZYlr4BYLfGAWgDcAB4AIABYIgB4AaSAQIxMpgBAKABAqABAaoBB2d3cy13aXo&amp;sclient=psy-ab&amp;ved=0ahUKEwiB7ebVz9XpAhUcwYsBHSBEA6UQ4dUDCAk&amp;uact=5">轉移</a>」知識到不同領域。
在人工智慧的兩大缺失下，憑什麼卻能擊敗人類發展數千年的圍棋呢？
這是個關鍵問題的答案，在圍棋的領域很是特殊，並非大家所認為的「機器學習」(<a href="https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0">Machine Learning</a>)與「演算法」（<a href="https://zh.wikipedia.org/wiki/%E7%AE%97%E6%B3%95">Algorithm</a>），而是根據圍棋規則，棋手絕不允許「悔棋」，也就是俗稱的「起手無回大丈夫」。於是幾千年的圍棋對弈都是在與對手搶「先手」，在不能「悔棋」，深怕「一著錯整盤輸」的壓力下，無法發展高超的棋力。其證據就在2017年筆者寫的《<a href="http://www.elephantwhite.com.tw/ps/buybooks/item/59bf64ae-03ac-435d-82ed-3bfed348cc92">現代流圍棋：如何簡單對戰ALPHAGO-II (第一集)」一書</a>》及其附屬的youtube視頻<a href="https://www.youtube.com/watch?v=KCss-atoboM&amp;index=1&amp;list=PLB8WRRjV7NmybbZdWq-XpXUqOvns26syO">現代圍棋學習之路─AlphaGo Master人機大戰共64集─（全集播放）</a>裡，就驚訝的發現全世界圍棋職業冠軍的頂尖高手對戰AlphaGo Master的64局，約在前50手前都不一而同的落入下風，約80手後，棋局即淪為「<a href="https://zh.wikipedia.org/wiki/%E5%9E%83%E5%9C%BE%E6%99%82%E9%96%93">垃圾時間</a>」，筆者也就停止講評，而開講下一局了。
筆者當時一直不肯相信人類的圍棋水準難道如此差嗎？就如同12局的拳擊比賽，盡然撐不到第三局，為什麼？
直到筆者與日本的「ZenGo 7」職業9段的日以繼夜的對弈了4年，數千盤後，才恍然大悟其原因；人類的圍棋水準並不是64局的那麼差，為什麼早早落敗，就是因為人類的長遠計算能力有限，兩千多年來，在布局之初，只能依靠局部子力平衡的原則，互掛對方的空角，而發展出「中國流」、「宇宙流」等「佈局」，及繁多的「定石」。可是計算能力超過人類的電腦圍棋（如AlphaGo、ZenGo等），它開局就不給人類施展「定石」的機會，在人類還沒下出「定石」之前，就大勢已去。（詳細，請看<a href="https://vocus.cc/huwafuchen/5f7543cdfd89780001b22403">拙文人類圍棋「定石」的致命缺陷─圍棋本質（6）</a>）
筆者是怎麼發現傳統圍棋定「定石」與「佈局」沒用的？
筆者剛開始與「ZenGo 7」職業9段下棋，實力太差，簡直是慘不忍睹，如同12局的拳擊比賽撐不到半局，就鼻青臉腫。但筆者沒有認輸走人，反而是從第5或6手「悔棋」，想回收筆者的錯誤。可是每當筆者「悔棋」，「ZenGo 7」卻馬上「變招」，某個意義上說，它也在「悔棋」，這才讓筆者赫然發現從從第5或6手起竟然有這麼多變化，而筆者一直蒙在鼓裡被「算計」，怎麼不輸其呢？於是筆者就與它「悔棋」拼命的搏鬥了數千盤，才在最近漸入佳境，能持白數次擊敗「ZenGo 7」職業9段（請看筆者的視頻<a href="https://www.youtube.com/watch?v=98ntxqHyC5E&amp;list=PLB8WRRjV7Nmx_qwbJb7eutKpW0nDKD68n&amp;index=2&amp;t=0s">現代流5原則對戰職業九段,9P系列（5 /40）─陳華夫博士以「現代流4大法寶」持白中押勝ZenGo九段的經典的戰役</a>）
基於這個「悔棋」的經驗，筆者呼籲圍棋世界冠軍賽（及其他任何較低級別的圍棋賽）能允許棋手全局總共「回手」三次（請看拙文<a href="https://vocus.cc/article/5f6fea44fd8978000163aac4">千夫所指的圍棋允許「回手」（悔棋）─圍棋本質（5）</a>）是因為「人工智慧」圍棋軟體每走一手都使用至少3輪的「<a href="https://en.wikipedia.org/wiki/Monte_Carlo_tree_search">蒙特卡洛樹搜索</a>」（Monte Carlo tree search）的模擬，搜尋，從中選取「最高勝率手」。這種第一輪模擬不滿意，做第二輪，就是實質意義的第二輪「悔棋」第一輪。換句話說，圍棋軟體每一手都沒沒有遵守「起手無回大丈夫」的圍棋規則，而人類卻每一手都不能「悔棋」，立足點並不公平。所以人類早早落敗是「非戰之罪」。
筆者呼籲圍棋比賽允許三次「悔棋」，實在還是便宜了圍棋軟體，但這也是沒辦法，因為人類的複雜思考比電腦慢太多，若允許每一手都「悔棋」，所有比賽就完不了了。
所以，筆者認為AlphaGo等圍棋軟體啟發了筆者的「悔棋」，這是圍棋學習「<a href="https://www.google.com.tw/search?sxsrf=ALeKk02OdqEbPnc_E1XjC1Rdlcbdzhee1Q%3A1590645404287&amp;ei=nFLPXvSSEYLSmAXA6ISgCg&amp;q=%E6%96%B9%E6%B3%95%E8%AB%96&amp;oq=%E6%96%B9%E6%B3%95%E8%AB%96&amp;gs_lcp=CgZwc3ktYWIQAzICCAAyAggAMgIIADICCAAyAggAMgIIADICCAAyAggAMgIIADICCABQsiVYsiVgmT5oAHAAeACAATWIATWSAQExmAEAoAECoAEBqgEHZ3dzLXdpeg&amp;sclient=psy-ab&amp;ved=0ahUKEwj00KTy79XpAhUCKaYKHUA0AaQQ4dUDCAw&amp;uact=5">方法論</a>」是革命性的進步，它不僅改革了不公平的「起手無回大丈夫」的規則，並且提供了圍棋學習的有效方法。筆者能短時間持白擊敗「ZenGo 7」職業9段就是例證。
以下深入探討AlphaGo等圍棋軟體如何重塑人類圍棋學習與比賽的「圍棋革命」：
1）「AlphaGo圍棋革命」： 
自2016年3月，AlphaGo Lee擊敗曾獲得多項世界冠軍的韓國職業九段李世石，開啟了「AlphaGo圍棋革命」，其大事記如圖1：
（圖1： 現代圍棋AlphaGo革命史大事記）
圖2表示AI電腦圍棋（如AlphaGo、絕藝、「ZenGo 7」等）與人類智慧的關係：
（圖2： 人工智慧、人的智慧、bottom-up 、top-down之關係）
AI電腦圍棋都是採取「由下而上」（bottom-up）的神經網絡的「黑盒訓練」（Black-box modelling），而人類智慧採取「由上而下」（top-down）抽象原則指導策略。
圖3顯示「AlphaGo革命」與其他的知識之關係：
（圖3： 2016-2018年的AlphaGo的圍棋革命）
&nbsp;最初引發「AlphaGo革命」的AlphaGo Lee的具體模型是把圍棋棋盤19x19手，再加上每一手的48特徵，看成一個狀態，如此有19 x 19 x 48 = 17,328 維度的0與1向量（ [01011000… ] ），把它輸入一個「卷積神經網絡」（CNN）進行「監督式學習法」，其具體的結構7大部分：1）蒙地卡羅轉出法，2）蒙地卡羅樹搜尋(MCTS)法，3）卷積神經網路法，4）監督式學習法，5）人類KGS圍棋伺服器棋譜（3千萬步數），6）增強式學習法，7）自筆者對弈，其間的關係，如圖3：
（圖4： AlphaGo Lee結構）
2017年谷歌的DeepMind公司發表了更新版： AlphaGo Zero (AGZ)，它並非如它的前身─AlphaGo Lee及AlphaGo Master ─使用人類KGS圍棋伺服器棋譜來培訓，完全由零（Zero）開始，「自學成才」。研究人員只給它輸入了下圍棋的規則，而沒有輸入任何人類知識和經驗。當自學的AlphaGo Zero對弈AlphaGo Lee及AlphaGo Master，都以以100比零取勝。其具體的棋力如圖5：
（圖5： AlphaGo Zero、Master及Lee的棋力比較）
如圖6表示，「ZenGo 7」可以勝人類，而「絕藝」、「韓豆」、「Katrain」等級的電腦圍棋可以讓人類2子，而根據Google(谷歌)的推算<a href="https://zh.wikipedia.org/wiki/AlphaGo_Zero">AlphaGo Zero</a>可以讓人類5子。（見拙文：<a href="https://vocus.cc/article/5ecf9211fd89780001880498">「人工智慧」的AlphaGo「圍棋革命」─圍棋的本質（1）</a>，及<a href="https://www.tianqiweiqi.com/go-ai-list.html">最新圍棋AI實力排行！</a>）
（圖6，圖片來源：陳華夫）
2）「現代流圍棋的5原則」： 
 由於人類學習圍棋從「規則」，「原理」，「抽象概念」出發的的策略」。於是，從各AlphaGo的「自筆者對弈」棋譜裡，抽取出棋譜本身無法內含的「現代流圍棋五原則」及「現代流5原則」（圖7）、「現代流4大法寶」（圖8）、及現代流5大手段（圖9）（另請看拙文<a href="https://vocus.cc/article/5f389ec7fd89780001d1814c">現代流5原則─圍棋的本質（3）</a>）
（圖7：現代流5原則）
3）圍棋佈局各種「流」的分類： 
在圍棋實戰裡，首先要學會「佈局」，否則失了先機，圖9顯示現代流「佈局」各種「流」的分類：
（圖8：現代流圍棋「佈局」各種「流」的分類）
其具體的現代流作戰體系模型如圖10：
（圖9： AlphaGo Zero（Elo約為5,200）的作戰體系模型）
其具體的細節與實戰的應用請看筆者在youtube裡數百個相關的視頻，如<a href="https://www.youtube.com/watch?v=o9GIip5xXT8&amp;list=PLB8WRRjV7NmzjL1_j5jl2Ms5Nbhtrt9dl">科學方法學圍棋（18/40）─AlphaGo Zero 對付AlphaGo Master的持白「現代流5大手段」</a>及我的直播<a href="https://www.youtube.com/watch?v=N1LCQSFUNfI&amp;list=PLB8WRRjV7Nmx_qwbJb7eutKpW0nDKD68n&amp;index=1">現代流5原則對戰職業九段,9P系列（6/40）─陳華夫博士以「埋伏餘味」吃掉ZenGo九段一塊─達標智源直播</a>）
（陳華夫2020/5/28更新版）
請看我的直播<a href="https://www.youtube.com/watch?v=N1LCQSFUNfI&amp;list=PLB8WRRjV7Nmx_qwbJb7eutKpW0nDKD68n&amp;index=1">現代流5原則對戰職業九段,9P系列（6/40）─陳華夫博士以「埋伏餘味」吃掉ZenGo九段一塊─達標智源直播</a>
請看拙文<a href="https://vocus.cc/article/6038be87fd8978000117506f">什麼是「記憶」？如何「記憶」？「記憶」的本質？─科技與智慧（22）</a>
請看拙文<a href="https://vocus.cc/article/5f5810cbfd89780001d9a1b7">從打「高爾夫球」看「人工智慧」與人類學習之差異─科技智慧（3）</a>
<a href="https://www.youtube.com/watch?v=KCss-atoboM&amp;index=1&amp;list=PLB8WRRjV7NmybbZdWq-XpXUqOvns26syO">現代圍棋學習之路─AlphaGo Master人機大戰共64集─（全集播放）</a>裡
《<a href="http://www.elephantwhite.com.tw/ps/buybooks/item/59bf64ae-03ac-435d-82ed-3bfed348cc92">現代流圍棋：如何簡單對戰ALPHAGO-II (第一集)</a>》作者：陳華夫
<a href="https://www.youtube.com/watch?v=98ntxqHyC5E&amp;list=PLB8WRRjV7Nmx_qwbJb7eutKpW0nDKD68n&amp;index=2&amp;t=0s">現代流5原則對戰職業九段,9P系列（5 /40）─陳華夫博士以「現代流4大法寶」持白中押勝ZenGo九段的經典的戰役</a>）
<a href="https://www.youtube.com/watch?v=o9GIip5xXT8&amp;list=PLB8WRRjV7NmzjL1_j5jl2Ms5Nbhtrt9dl">科學方法學圍棋（18/40）─AlphaGo Zero 對付AlphaGo Master的持白「現代流5大手段」</a>
<a href="https://www.youtube.com/watch?v=oXwNurHGjLQ&amp;index=1&amp;list=PLB8WRRjV7NmzjL1_j5jl2Ms5Nbhtrt9dl">科學方法學圍棋（1/40）─學習圍棋的科學方法。</a>
<a href="https://vocus.cc/article/5e563c6bfd89780001549136">AI「深度學習」的缺陷及筆者親身的補正？</a>
<a href="https://vocus.cc/article/5e576cb9fd8978000155cb03">世界圍棋冠軍賽應該允許三次回手（悔棋）及筆者配合的免費「現代流」圍棋教育</a>
<a href="https://www.daphago.com/wordpress/2020/01/15/ai%e4%ba%ba%e5%b7%a5%e6%99%ba%e6%85%a7%e3%80%8c%e6%b7%b1%e5%ba%a6%e5%ad%b8%e7%bf%92%e3%80%8d%e7%9a%84%e7%bc%ba%e9%99%b7%e3%80%81%e8%a3%9c%e6%95%91%e3%80%81%e5%8f%8a%e6%88%91%e8%a6%aa%e8%ba%ab%e7%9a%84/">AI人工智慧「深度學習」的缺陷、補救、及筆者親身的見證？</a>
<a href="http://big5.ftchinese.com/story/001074729?archive">AlphaGo Zero自學成才，輕易擊敗上一代AlphaGo</a>
<a href="https://www.youtube.com/watch?v=dKOuUo3pZSE">【纪录片】AlphaGo世紀對決 2017</a>
<a href="https://zhuanlan.zhihu.com/p/27629294">學會學習Learning to Learn：讓AI擁有核心價值觀從而實現快速學習</a>
<a href="https://zhuanlan.zhihu.com/p/28639662">最前沿：百家爭鳴的Meta Learning/Learning to learn</a>
<a href="https://kknews.cc/tech/azq3p9n.html">人工智慧對圍棋的負面影響</a>
<a href="https://www.ted.com/talks/shyam_sankar_the_rise_of_human_computer_cooperation#t-710642">Brute computing force alone can't solve the world's problems.</a>
<a href="https://zh.wikipedia.org/wiki/%E7%BA%A6%E7%91%9F%E5%A4%AB%C2%B7%E5%88%A9%E5%85%8B%E8%8E%B1%E5%BE%B7">J.C.R. Licklider-約瑟夫·利克萊德</a>-的<a href="https://www.books.com.tw/products/CN11503212">《人機共生》（Man-Computer Symbiosis）</a>
<a href="https://www.bnext.com.tw/article/56019/intelligence-augmentation">AI之外你更該關注的「IA」是什麼？跟人工智慧差在哪？</a>
<a href="http://big5.ftchinese.com/story/001090431?adchannelID=&amp;full=y">超級模型算法之外，人機協同道路浮現</a>
<a href="http://big5.ftchinese.com/story/001090440?dailypop">DeepMind宣布能夠預測蛋白質結構</a>

利用「人工智慧」，美國「谷歌」所屬的「DeepMind公司」從2016年發展出史上無敵的AlphaGo Zero圍棋軟體，不僅遠遠超過人類，緊追在後的

中國的「絕藝」及日本的「ZenGo 7」。

如今五年後（2020年），我們知道「人工智慧」圍棋軟體雖然能贏棋，卻無法模塊化「知識」及提煉顯性的「規則」，以致無法確認其模型內的「知識」及「規則」的正確（真理）性，因為其有效（贏棋）性是可通過對經驗（如對弈）來驗證，而邏輯上的正確（真理）性並不能以經驗（歸納法）所實證。（按：科學哲學家卡爾·波普爾認為一切從經驗得來的科學假說、命題和理論必須邏輯上容許「證否」。）

另外，「人工智慧」比起「人類智慧」另一個致命傷是無法積累知識，而重用知識及「轉移」知識，例如「谷歌」的「DeepMind公司」所發展出的四個版本1) AlphaGo Lee，2)AlphaGo Master，3)AlphaGo Zero，和4)AlphaZero都是獨立構造和進行數據訓練的，個別版本的知識無法直接「轉移」其它版本上。而人類卻可以輕易分解組合知識及「舉一反三」的「轉移」知識到不同領域。

在人工智慧的兩大缺失下，憑什麼卻能擊敗人類發展數千年的圍棋呢？

這是個關鍵問題的答案，在圍棋的領域很是特殊，並非大家所認為的「機器學習」(Machine Learning)與「演算法」（Algorithm），而是根據圍棋規則，棋手絕不允許「悔棋」，也就是俗稱的「起手無回大丈夫」。於是幾千年的圍棋對弈都是在與對手搶「先手」，在不能「悔棋」，深怕「一著錯整盤輸」的壓力下，無法發展高超的棋力。其證據就在2017年筆者寫的《現代流圍棋：如何簡單對戰ALPHAGO-II (第一集)」一書》及其附屬的youtube視頻現代圍棋學習之路─AlphaGo Master人機大戰共64集─（全集播放）裡，就驚訝的發現全世界圍棋職業冠軍的頂尖高手對戰AlphaGo Master的64局，約在前50手前都不一而同的落入下風，約80手後，棋局即淪為「垃圾時間」，筆者也就停止講評，而開講下一局了。

筆者當時一直不肯相信人類的圍棋水準難道如此差嗎？就如同12局的拳擊比賽，盡然撐不到第三局，為什麼？

直到筆者與日本的「ZenGo 7」職業9段的日以繼夜的對弈了4年，數千盤後，才恍然大悟其原因；人類的圍棋水準並不是64局的那麼差，為什麼早早落敗，就是因為人類的長遠計算能力有限，兩千多年來，在布局之初，只能依靠局部子力平衡的原則，互掛對方的空角，而發展出「中國流」、「宇宙流」等「佈局」，及繁多的「定石」。可是計算能力超過人類的電腦圍棋（如AlphaGo、ZenGo等），它開局就不給人類施展「定石」的機會，在人類還沒下出「定石」之前，就大勢已去。（詳細，請看拙文人類圍棋「定石」的致命缺陷─圍棋本質（6））

筆者是怎麼發現傳統圍棋定「定石」與「佈局」沒用的？

筆者剛開始與「ZenGo 7」職業9段下棋，實力太差，簡直是慘不忍睹，如同12局的拳擊比賽撐不到半局，就鼻青臉腫。但筆者沒有認輸走人，反而是從第5或6手「悔棋」，想回收筆者的錯誤。可是每當筆者「悔棋」，「ZenGo 7」卻馬上「變招」，某個意義上說，它也在「悔棋」，這才讓筆者赫然發現從從第5或6手起竟然有這麼多變化，而筆者一直蒙在鼓裡被「算計」，怎麼不輸其呢？於是筆者就與它「悔棋」拼命的搏鬥了數千盤，才在最近漸入佳境，能持白數次擊敗「ZenGo 7」職業9段（請看筆者的視頻現代流5原則對戰職業九段,9P系列（5 /40）─陳華夫博士以「現代流4大法寶」持白中押勝ZenGo九段的經典的戰役）

基於這個「悔棋」的經驗，筆者呼籲圍棋世界冠軍賽（及其他任何較低級別的圍棋賽）能允許棋手全局總共「回手」三次（請看拙文千夫所指的圍棋允許「回手」（悔棋）─圍棋本質（5））是因為「人工智慧」圍棋軟體每走一手都使用至少3輪的「蒙特卡洛樹搜索」（Monte Carlo tree search）的模擬，搜尋，從中選取「最高勝率手」。這種第一輪模擬不滿意，做第二輪，就是實質意義的第二輪「悔棋」第一輪。換句話說，圍棋軟體每一手都沒沒有遵守「起手無回大丈夫」的圍棋規則，而人類卻每一手都不能「悔棋」，立足點並不公平。所以人類早早落敗是「非戰之罪」。

筆者呼籲圍棋比賽允許三次「悔棋」，實在還是便宜了圍棋軟體，但這也是沒辦法，因為人類的複雜思考比電腦慢太多，若允許每一手都「悔棋」，所有比賽就完不了了。

所以，筆者認為AlphaGo等圍棋軟體啟發了筆者的「悔棋」，這是圍棋學習「方法論」是革命性的進步，它不僅改革了不公平的「起手無回大丈夫」的規則，並且提供了圍棋學習的有效方法。筆者能短時間持白擊敗「ZenGo 7」職業9段就是例證。

以下深入探討AlphaGo等圍棋軟體如何重塑人類圍棋學習與比賽的「圍棋革命」：

1）「AlphaGo圍棋革命」：
自2016年3月，AlphaGo Lee擊敗曾獲得多項世界冠軍的韓國職業九段李世石，開啟了「AlphaGo圍棋革命」，其大事記如圖1：

（圖1： 現代圍棋AlphaGo革命史大事記）

圖2表示AI電腦圍棋（如AlphaGo、絕藝、「ZenGo 7」等）與人類智慧的關係：

（圖2： 人工智慧、人的智慧、bottom-up 、top-down之關係）

AI電腦圍棋都是採取「由下而上」（bottom-up）的神經網絡的「黑盒訓練」（Black-box modelling），而人類智慧採取「由上而下」（top-down）抽象原則指導策略。

圖3顯示「AlphaGo革命」與其他的知識之關係：

（圖3： 2016-2018年的AlphaGo的圍棋革命）

 最初引發「AlphaGo革命」的AlphaGo Lee的具體模型是把圍棋棋盤19x19手，再加上每一手的48特徵，看成一個狀態，如此有19 x 19 x 48 = 17,328 維度的0與1向量（ [01011000… ] ），把它輸入一個「卷積神經網絡」（CNN）進行「監督式學習法」，其具體的結構7大部分：1）蒙地卡羅轉出法，2）蒙地卡羅樹搜尋(MCTS)法，3）卷積神經網路法，4）監督式學習法，5）人類KGS圍棋伺服器棋譜（3千萬步數），6）增強式學習法，7）自筆者對弈，其間的關係，如圖3：

2017年谷歌的DeepMind公司發表了更新版： AlphaGo Zero (AGZ)，它並非如它的前身─AlphaGo Lee及AlphaGo Master ─使用人類KGS圍棋伺服器棋譜來培訓，完全由零（Zero）開始，「自學成才」。研究人員只給它輸入了下圍棋的規則，而沒有輸入任何人類知識和經驗。當自學的AlphaGo Zero對弈AlphaGo Lee及AlphaGo Master，都以以100比零取勝。其具體的棋力如圖5：

（圖5： AlphaGo Zero、Master及Lee的棋力比較）

如圖6表示，「ZenGo 7」可以勝人類，而「絕藝」、「韓豆」、「Katrain」等級的電腦圍棋可以讓人類2子，而根據Google(谷歌)的推算AlphaGo Zero可以讓人類5子。（見拙文：「人工智慧」的AlphaGo「圍棋革命」─圍棋的本質（1），及最新圍棋AI實力排行！）

2）「現代流圍棋的5原則」：
 由於人類學習圍棋從「規則」，「原理」，「抽象概念」出發的的策略」。於是，從各AlphaGo的「自筆者對弈」棋譜裡，抽取出棋譜本身無法內含的「現代流圍棋五原則」及「現代流5原則」（圖7）、「現代流4大法寶」（圖8）、及現代流5大手段（圖9）（另請看拙文現代流5原則─圍棋的本質（3））

3）圍棋佈局各種「流」的分類：
在圍棋實戰裡，首先要學會「佈局」，否則失了先機，圖9顯示現代流「佈局」各種「流」的分類：

（圖8：現代流圍棋「佈局」各種「流」的分類）

其具體的現代流作戰體系模型如圖10：

（圖9： AlphaGo Zero（Elo約為5,200）的作戰體系模型）

其具體的細節與實戰的應用請看筆者在youtube裡數百個相關的視頻，如科學方法學圍棋（18/40）─AlphaGo Zero 對付AlphaGo Master的持白「現代流5大手段」及我的直播現代流5原則對戰職業九段,9P系列（6/40）─陳華夫博士以「埋伏餘味」吃掉ZenGo九段一塊─達標智源直播）

請看我的直播現代流5原則對戰職業九段,9P系列（6/40）─陳華夫博士以「埋伏餘味」吃掉ZenGo九段一塊─達標智源直播

請看拙文什麼是「記憶」？如何「記憶」？「記憶」的本質？─科技與智慧（22）

請看拙文從打「高爾夫球」看「人工智慧」與人類學習之差異─科技智慧（3）

現代圍棋學習之路─AlphaGo Master人機大戰共64集─（全集播放）裡

《現代流圍棋：如何簡單對戰ALPHAGO-II (第一集)》作者：陳華夫

現代流5原則對戰職業九段,9P系列（5 /40）─陳華夫博士以「現代流4大法寶」持白中押勝ZenGo九段的經典的戰役）

科學方法學圍棋（18/40）─AlphaGo Zero 對付AlphaGo Master的持白「現代流5大手段」

科學方法學圍棋（1/40）─學習圍棋的科學方法。

AI「深度學習」的缺陷及筆者親身的補正？

世界圍棋冠軍賽應該允許三次回手（悔棋）及筆者配合的免費「現代流」圍棋教育

AI人工智慧「深度學習」的缺陷、補救、及筆者親身的見證？

AlphaGo Zero自學成才，輕易擊敗上一代AlphaGo

學會學習Learning to Learn：讓AI擁有核心價值觀從而實現快速學習

最前沿：百家爭鳴的Meta Learning/Learning to learn

Brute computing force alone can't solve the world's problems.

J.C.R. Licklider-約瑟夫·利克萊德-的《人機共生》（Man-Computer Symbiosis）

AI之外你更該關注的「IA」是什麼？跟人工智慧差在哪？

超級模型算法之外，人機協同道路浮現

DeepMind宣布能夠預測蛋白質結構

「人工智慧」的AlphaGo「圍棋革命」─圍棋的本質（1）

作者：陳華夫
有兩、三千年歷史的圍棋在中、日、韓三國創造了很多「圍棋天才」，但在2016年「Google谷歌」人工智慧的「AlphpaGo」把他們都掃下了神壇。人類必需改革傳統圍棋，成為「現代流圍棋」，才能有望擊敗人工智慧的「AlphpaGo」。

現代流圍棋─圍棋的本質（2）

作者：陳華夫
正確的戰勝AI電腦圍棋「Katrain 9段」的秘訣是適當的使用「圍棋計算機」的建議。在與AI電腦圍棋對弈，使用「圍棋計算機」是合理的，不僅不算抄襲，更能增進圍棋棋力。我計畫改進目前世界上最強的開源電腦圍棋軟體之「Katrain 9段」，成為超級「Katrain 9段」。

如何正確的戰勝AI電腦圍棋「Katrain 9段」?─圍棋本質（9）

取材自陳華夫 博士所寫的書：「現代流圍棋 ─ 如何簡單對戰ALPHAGO-II (第一集)』第22─28頁，白18 手是典型的現代流手法，突破人類「古典流」的思維。
依照棋理，白14，18 手對戰黑3，15 手，是2 對2 的戰鬥，棋鼓相當應該誰也佔不了便宜。黑棋對戰的目的是要建立幾座「有目屋。而白棋的目的是要建立自己的一條「無憂龍」，把黑棋變成隻「沒目鷹」。實戰，黑得左上邊角地，白得外勢。算是兩分的情勢。白2，4，6，42 手是AlphaGo-II 常用的「雙星位，雙小飛締角」的現代流佈局，也以不同的形式出現在「現代流12 局」裡，
極具威力。黑方若不查，讓白方下出，前景堪慮。

現代圍棋學習之路─AlphaGo Master人機大戰（1/64）雙星位，雙小飛締角

「古典圍棋」的人類為何不堪「現代圍棋」一擊？

基本的原因是人類思考上的限制，第一個限制是「有限理性」：諾貝爾獎得主赫伯特•西蒙（1916 - 2001）告訴我們，人類的思考是「有限理性」─即人們一旦有了個想法，就傾向證實它是對的，無視任何否定的證據。這就是所謂的「證實已有想法偏見」（Confirmation bias）。
從「路燈下尋失物」認知偏見來診斷古典流圍棋，問題會更清楚；
有一天，小王在停車場的路燈下，低頭找鑰匙。
「鑰匙在哪掉的？」你問。
「不知道！」
「那為什麼在這找呢？」你很納悶。
「不在這找，在哪找？四周是暗的，只有這裡有燈光！」
也就是說，我們是不問失物掉在哪，只蒙頭在路燈下尋找。
在圍棋裡，前人及對手的棋譜就是思考次一手的路燈，但真正的最佳手，往往是在燈光之外的滄海遺珠。
第二個限制是「固定化（Einstellung）」：
在2014年的「科學美國人」的一篇文章（“Why Good Thoughts Block Better Ones,” Scientific American, March 2014)裡就指出「國際象棋」高手只會下出他熟悉或研究過的招式，視而不見更好的招式，這就是固定化（Einstellung）效應。同樣情況也在圍棋，因為圍棋高手背誦模仿定式、棋譜，就僵化的看不出盤面上的最佳手。對戰沒有人類「認知偏見」的AlphaGo Master，有如盲人騎瞎馬，當然棄甲丟盔，兵敗如山倒。

心理學上說，越是職業高手，固定化（Einstellung）效應影響就越嚴重。於是約2000年人類頂尖圍棋的水平被「認知偏見」限制的早就固步自封，不堪現代圍棋的一擊。

科學方法學圍棋（1/40）─學習圍棋的科學方法

現代流5原則對戰職業九段,9P系列（6/40）─陳華夫博士以「埋伏餘味」吃掉ZenGo九段一塊─達標智源直播 #dp #Rogy360 #dpRogy

此局的局名是：現代流5原則對戰職業九段,9P系列（5/40）─陳華夫博士以「現代流4大法寶」持白中押勝ZenGo九段

是我持白第三次中押勝電腦圍棋「ZenGo」職業9段，本局不同於上一局的佈局，上一局是我的白棋，一直被黑其追著打，到最後死活攻殺時，黑棋錯算，而中押敗。
但此局，黑、白棋都沒失誤，到最後收官，黑棋還小贏幾目，但最後因為貪心，才中押敗。所以，局可說是我與可以說是「ZenGo」職業9段的經典名局，諸位可以好好體會。

現代流5原則對戰職業九段,9P系列（5 /40）─陳華夫博士以「現代流4大法寶」持白中押勝ZenGo九段的經典的戰役

AlphaGo世紀對決是一部圍棋紀錄片，記錄AlphaGo從出道至2016年AlphaGo李世乭五番棋的過程。

AlphaGo 世紀對決 2017

此局是講解AlphaGo Zero 對付AlphaGo Master的策略：
持白「現代流5大手段」：

現代圍棋AlphaGo革命史大事記:
 2016年3月，AlphaGo Lee擊敗韓國職業九段李世石（曾獲得多項世界冠軍）。
 2016年12月，AlphaGo Master橫掃世界頂尖高手60：0
 2017年5月，AlphaGo Master以3：0擊敗2017年世界圍棋排名第一的柯潔。棋力可讓AlphaGo Lee三子
 2017年10月19日，AlphaGo Zero（AGZ）的誕生。棋力可讓AlphaGo Master二子
 2017年12月5日，AlphaZero （AZ）誕生。以3：2戰勝AlphaGo Zero（AGZ）
 2018年2月5日， AlphaGo Zero 對付AI及人類職業九段持白「現代流4大法寶」及持黑「現代流4大法寶」誕生
 2018年3月1日， AlphaGo Zero 對付AlphaGo Master的持白「現代流5大手段」及持黑「現代流5大手段」誕生

評價AI圍棋程式的指標：
1）Elo等級分的高低：
   代表對戰時的棋力高低。
2）Bottom-up 或 Top-down 形式：
   Top-down 形式代表有一貫的指導原則，並非只靠
   勝率篩選下一步。
3）有沒有”Zero”化：
   完成Zero化，就不會有「遇弱則弱」的不穩定情況。
4）自知（自我評估）的程度：
   若「自我評估」精準，則可以適當的「投降」，以免
   無意義的硬拗，導致屈辱性的戲弄。

AlphaGo Zero超強棋力（Elo:約5,200）的作戰體系：
A） 中心指導原則：現代流5原則
B） 具體戰略秘笈：
1） 對戰古典流：持白「現代流4大法寶」及持黑「現代流4大法寶」
2） 對戰現代流：持白「現代流5大手段」及持黑「現代流5大手段」。

AlphaGo Zero 對付AlphaGo Master的策略：
持白「現代流5大手段」：
1）開局三三進角，
2）小飛守角，
3）小飛掛埋伏，
4）做活弱棋，
5）破空大模樣。

持黑「現代流5大手段」：
1）開局三三進角，
2）巧妙處理小飛掛星位，
3）有效鞏固角地， 
4）做活弱棋，
5）破空大模樣。

方格子的 NFT「vocus and friends」法幣階段第一波銷售，在 1/11 開賣當晚非常順利地 SOLD OUT 了！非常感謝支持，方格子總部的夥伴們看見大家對這個計劃的反應如此熱烈，感動之餘，我們又更迫不及待向格友們分享接下來的種種規劃了，也懇請大家繼續關注及支持我們 

國際

vocus Discord 新成立！如何進入相聚交流的好地方？

在 2018 年，筆者介紹了普華永道（PwC）關於人工智慧的十項預測。我們將要藉由這篇文章，先來回顧在過去的一年中，電腦視覺和自然語言領域有什麼新的發展。在本文的最後，則提及 PwC  在今年提出的六項建議，主要使已投資 AI 的公司能成功商轉，以及關於自動化資料處理和機械學習的現況。

投資理財

[觀點] 人工智慧的回顧與展望 2019

Learn about the latest product and platform innovations at Google in a Keynote led by Sundar Pichai.

This video is also subtitled in Chinese, Indonesian, Italian, Japanese, Korean, Portuguese, and Spanish.

Access Google Pay Business Console to get your Merchant ID → https://goo.gle/2KYRrDx
Rate this session by signing-in on the I/O website here → https://goo.gl/Gea8Mx
10 minute recap video here → https://goo.gl/jmCF4S

Google I/O 2018 All Sessions Playlist → https://goo.gl/q1Tr8x
Subscribe to the Google Developers channel → http://goo.gl/mQyv5L

Music by Terra Monk → https://goo.gl/wPgbHP

Keynote (Google I/O '18)

科技一直在進步，當我們在驚呼著科技是多麼的快速發展、方便，但人們可曾想過，這樣快速發展下，會帶來什麼壞處？AI智慧若發展到辨識不出來，他們是否可以享受人權？人們要與時俱進、努力適應科技的變遷，不然到最後，錯誤的就是人類了。


電影戲劇

藝文

《人造意識》－人工智慧的反思

解決三項AI人工智慧發展迷思，了解未來工作總量大幅減少的原因

閱讀書評

創作

《不工作的世界》上：AI人工智慧的工作侵占

花了很多時間閱讀完這本《因果革命》，內容雖然有趣，但對我而言有些難讀，藉由本書可以看到古往今來許多科學家推展因果革命的努力與成果。

健康與情感

讀冊｜因果革命：人工智慧的大未來

在大數據以及科技的快速進展之下，會有許多傳統投資者對這種投資方式並不是很理解，並且對機器學習還有電腦來輔助感到不安，但我們要指出，這些並不是新概念，許多投資者已經在使用數據和某種形式的機器學習來分析市場資訊。
 

人類對於人工智慧的恐懼

人工智慧智慧的運作有賴於資料的搜集，而藉由資料庫的建立後，依其人工所編寫的演算法或規則，自行學習、運用，已達到節省人工有效率的目的。但，若是被濫用，後果不堪設想！