创新工场董事长李开复在知乎就AlphaGo与李世石的人机大战发表了自己看法，他认为四个月前的AlphaGo击败李世石基本不可能，不过这四个月AlphaGo进步很多，比赛应该很精彩。但是，无论这次结果如何，机器1-2年之内必然完胜人类。完胜人类之后呢？可以做个通用的大脑吗？意味着机器可以思考了吗？还有什么问题是机器无法超越人类的？
以下为李开复就“AlphaGo能战胜李世石吗？”在知乎的回答原文：
先直接回答这个问题，下面再分析AlphaGo和人工智能的未来。我认为AlphaGo这次的比赛打败李世石比较悬，但是1-2年之内必然完胜人类。
按照两者的Elo(围棋等级分)，可以算出去年年底的AlphaGo打败李世石的概率相当低。如何算出的呢？AlphaGo去年年底的顶级分布式版本的Elo是3168(见下面第一张图)，而李世石的Elo大约是3532(全球围棋手Elo: Go Ratings ，见下面第二张图)。
按照这两个等级分的两个棋手对弈，
李世石每盘的胜算为89%(，公式见：How to Guide: Converting Elo Differences To Winning Probabilities : chess链接地址:https://www.reddit.com/r/chess/comments/2y6ezm/how_to_guide_converting_elo_differences_to/ 温馨提示：访问此链接需复制粘贴至浏览器打开，下同)。如果对弈一盘，AlphaGo尚有11%的获胜的可能性，而整个比赛五盘胜出三盘或更多，AlphaGo就只有1.1%的可能性了。(当然，按照原来的10月的AlphaGo，只有1.1％，不过现在既然大大进步了，就不一样了，也许今天已经超越了：见下面第三点)。
AlphaGo不是打败了欧洲冠军吗？有些人认为AlphaGo去年底击败了欧洲冠军樊麾，所以挑战(前)世界冠军应有希望。但是，樊麾只是职业二段(Elo 3000左右)，而李世石是职业九段(ELO 3532)。这两位的差别是巨大的，完全不能混为一谈。就比如说一个人乒乓球打败了非洲冠军，并不代表他就可以成功挑战中国冠军。
AlphaGo有可能在这几个月突飞猛进，进而击败李世石吗？AlphaGo的负责人说：”外界不知道我们这几个月进步了非常多“。(来自：http://www.geekwire.com/2016/alphago-lee-sedol-whos-underdog-in-google-ai-million-go-match/)。这点确实有可能。AlphaGo进步的方法有两个：(1)增加硬件：我们从Nature的文章可以看到：从1202个CPU到1920个CPU，AlphaGo的ELO只增加了28，而且线性地增加CPU，不会看到线性的ELO成长。若要达到364 ELO积分的提升，需要的CPU将达到天文数字(有篇文章估计至少要10万个CPU：http://www.milesbrundage.com/blog-posts/alphago-and-ai-progress)。当然，谷歌有钱有机器，但是纯粹加机器将会碰到并行计算互相协调的瓶颈(就是说假设有十万万台机器，它们的总计算能力很强，但是彼此的协调将成为瓶颈)。在几个月之内增加两个数量级的CPU并调节算法，降低瓶颈，应该不容易。(2)增加学习功能：AlphaGo有两种学习功能，第一种是根据高手棋谱的学习，第二种是自我对弈，自我学习。前者已经使用了16万次高手比赛，而后者也在巨大机组上训练了8天。这方面肯定会有进步，但是要超越世界冠军可能不容易。最后，换一种分析方式：如果从过去深蓝击败世界冠军的“成长过程”来看，深蓝大约1993年达到职业大师水平，4年后才在一场六盘的比赛中击败世界冠军(大约500Elo积分点的提升)。今天的AlphaGo应该和1993年的深蓝相似，刚进入职业大师水平。若要击败世界冠军，虽然未必需要4年的时间，但是几个月似乎不够。
还有什么以上未考虑的因素，导致AlphaGo获胜吗？如果谷歌刻意未出全力和樊麾对抗，或者有其它学习或并行计算方面超越了Nature里面的描述，那AlphaGo完全有可能获胜。
（有最新的消息：李世石预计自己会大胜，不是5﹣0就是4﹣1，他的目标是达到5：0，一盘都不输。AlphaGo负责人认为有50％概率可以战胜李世石，因为最近四个月进步非常大。）
既然写了这么多，就对这个题目再发表一些看法：
AlphaGo 是什么？在今年一月的Nature (http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html )有AlphaGo的详细介绍，AlphaGo是一套为了围棋优化的设计周密的深度学习引擎，使用了神经网路加上MCTS (Monte Carlo tree search)，并且用上了巨大的谷歌云计算资源，结合CPU+GPU，加上从高手棋谱和自我学习的功能。这套系统比以前的围棋系统提高了接近1000分的Elo，从业余5段提升到可以击败职业2段的水平，超越了前人对围棋领域的预测，更达到了人工智能领域的重大里程碑。
AlphaGo 是科学的创新突破吗？AlphaGo是一套设计精密的卓越工程，也达到了历史性的业界里程碑，不过Nature文章中并没有新的“发明”，AlphaGo的特点在于：不同机器学习技术的整合(例如：reinforcement learning, deep neural network, policy+value network, MCTS的整合可谓创新)、棋谱学习和自我学习的整合、相对非常可扩张的architecture(让其充分利用谷歌的计算资源)、CPU+GPU并行发挥优势的整合。这套“工程”不但有世界顶级的机器学习技术，也有非常高效的代码，并且充分发挥了谷歌世界最宏伟的计算资源(不仅仅是比赛使用，训练AlphaGo时也同样关键)。
AlphaGo的跳跃式成长来自几个因素：1)15-20名世界顶级的计算机科学家和机器学习专家(这是围棋领域从未有的豪华团队：也许你觉得这不算什么，但是要考虑到这类专家的稀缺性)，2)前面一点提到的技术、创新、整合和优化。3)全世界最浩大的谷歌后台计算平台，供给团队使用，4)整合CPU+GPU的计算能力。
AlphaGo是个通用的大脑，可以用在任何领域吗？AlphaGo里面的深度学习、神经网络、MCTS，和AlphaGo的扩张能力计算能力都是通用的技术。AlphaGo的成功也验证了这些技术的可扩展性。但是，AlphaGo其实做了相当多的围棋领域的优化；除了上述的系统调整整合之外，里面甚至还有人工设定和调节的一些参数。AlphaGo的团队在Nature上也说：AlphaGo不是完全自我对弈end-to-end的学习(如之前同一个团队做Atari AI，用end-to-end，没有任何人工干预学习打电动游戏)。如果AlphaGo今天要进入一个新的应用领域，用AlphaGo的底层技术和AlphaGo的团队，应该可以更快更有效地开发出解决方案。这也就是AlphaGo真正优于深蓝的地方。但是上述的开发也要相当的时间，并且要世界上非常稀缺的深度计算科学家(现在年待遇行情已达250万美金)。所以，AlphaGo还不能算是一个通用技术平台，不是一个工程师可以经过调动API可以使用的，而且还距离比较远。
如果这次AlphaGo没有打败李世石，那还要多久呢？IBM深蓝从进入大师级别到比赛击败世界冠军花了四年。AlphaGo应该会比深蓝更快提升自己，因为深蓝需要新版本的硬件，和针对Kasparov的人工调节优化，而AlphaGo是基于谷歌的硬件计算平台，和相对通用的深度学习算法。所以，几个月太短，4年太长，就预计1-2年之间吧。
从国际象棋到围棋，到底是不是巨大的突破呢？肯定是的，在这篇文章里面(在国际象棋领域，电脑已经可以战胜人脑，那么围棋领域电脑还差多远？链接：https://www.zhihu.com/question/21714457 )，第一位回答者分析了围棋的复杂度为 而国际象棋则只有 。在1997年深蓝击败世界冠军时，大家都认为：深蓝使用的是人工调整的评估函数，而且是用特殊设计的硬件和”暴力“的搜索 (brute-force) 地征服了国际象棋级别的复杂度，但是围棋是不能靠穷举的，因为它的搜索太广(每步的选择有几百而非几十)也太深(一盘棋有几百步而非几十步)。而AlphaGo的发展让我们看到了，过去二十年的发展，机器学习+并行计算+海量数据是可以克服这些数字上的挑战的，至少足以超越最顶尖的人类。
AlphaGo 若打败了世界冠军，就意味着计算机超越人脑？或者可以思考了吗？
我的回答：
在可以凭逻辑分析推算的问题上，机器即将远远把人类抛在后面。机器速度会越来越快，学习能力会越来越强，数据会越来越多。当年，大家讨论“国际象棋输给机器不算什么，围棋才是真正的智慧”只是我们人类维护自己尊严但是不实际的幻想！今天，我们该面对现实了！
在大数据+机器学习+大规模并行计算的时代，我们将看到无数的商机和产品，能够在预测、分析、推荐等方面，产生巨大的商业和用户价值。不过，这些解决方案和人类相比，其实没有什么意义，因为人差太远了(比如说：推荐引擎将能推荐你最可能会买的产品、想吃的菜，想认识的人；自动交易能得到更高的投资回报和风险比例……)。
在感知方面，人类也将会被机器超越。今天的语音识别，人脸识别，未来的自动驾驶，都是例子。
但是，对于那些科幻片的粉丝们：以上都还是冷冰冰的技术，机器人是否会人性化？这还是未知的。毕竟，在情感、喜怒哀乐、七情六欲、人文艺术、美和爱、价值观等方面，机器离人还差的很远，甚至连基础都没有。对人工智能的研究者，这是下一个挑战。对我们人类，在下个突破之前，我们还是多发展右脑吧！
P.S. - 也许有人好奇，为什么这个话题我说了这么多，因为在1986年，我在读书时，曾经开发了一套黑白棋系统(复杂度)，击败了黑白棋的世界团体冠军，而当年的那套系统也有(非常粗浅的)自我学习的能力。有兴趣的网友可以在这里看到我当年的文章：A pattern classification approach to evaluation function learning （链接:http://www.sciencedirect.com/science/article/pii/0004370288900768) 。