2016年3月9日，韩国首尔。
世界围棋冠军李世石坐在棋盘前，对面是Google DeepMind的AlphaGo。
围棋被认为是人类智慧的堡垒。它的可能性比宇宙中的原子还多，计算机无法穷举。
在比赛前，大多数专家认为AlphaGo会输。围棋太复杂了，计算机不可能战胜人类顶尖棋手。
但第一局，AlphaGo赢了。
李世石震惊了。他后来说：“我很惊讶。我不认为AlphaGo能下得这么好。”
最终，AlphaGo以4:1击败李世石。
这个结果震惊了世界。AI时代，正式到来。
围棋的难度#
为什么围棋被认为是AI的终极挑战？
围棋棋盘是19×19，有361个交叉点。每个位置可以放黑子、白子或空着。
可能的对局数量约为10^170——比宇宙中的原子数量（约10^80）还多。
国际象棋的可能对局数量约为10^120，围棋比国际象棋复杂得多。
1997年，IBM的深蓝击败了国际象棋世界冠军卡斯帕罗夫。但深蓝的方法——穷举搜索——在围棋上行不通。
围棋需要直觉和大局观，这些被认为是人类独有的能力。
深度学习的突破#
AlphaGo的成功，归功于深度学习。
深度学习使用神经网络——一种模拟人脑结构的计算模型。
神经网络由多层"神经元"组成：
- 输入层：接收数据（比如棋盘状态）
- 隐藏层：提取特征，逐层抽象
- 输出层：给出结果（比如下一步棋）
深度学习的"深度"，指的是隐藏层的数量。层数越多，模型越复杂，能学习越抽象的特征。
AlphaGo使用了两个神经网络：
策略网络（Policy Network）：预测下一步应该下在哪里
价值网络（Value Network）：评估当前局面的胜率
这两个网络通过深度学习训练，学习了数百万局人类对局，然后自我对弈，不断提高。
深度学习的历史#
深度学习不是新技术，它经历了漫长的冬天。
1943年：McCulloch和Pitts提出了第一个神经网络模型。
1958年：Rosenblatt发明了感知机（Perceptron）——最简单的神经网络。
1969年：Minsky和Papert证明，感知机无法解决简单的问题（如异或问题）。神经网络研究进入低谷。
1986年：Hinton等人发明了反向传播算法，可以训练多层神经网络。神经网络复兴。
1998年：LeCun等人开发了LeNet，用于手写数字识别。这是卷积神经网络（CNN）的雏形。
2006年：Hinton提出了深度信念网络，“深度学习"这个词开始流行。
2012年：AlexNet在ImageNet图像识别比赛中大获全胜，深度学习开始爆发。
2016年：AlphaGo击败李世石，深度学习震惊世界。
深度学习为什么成功？#
深度学习在2010年代爆发，原因有三：
第一，数据。互联网产生了海量数据，深度学习需要大量数据才能训练。
第二，计算能力。GPU（图形处理器）可以并行计算，大大加速了神经网络训练。
第三，算法。新的激活函数（ReLU）、新的优化方法（Adam）、新的网络结构（ResNet）解决了训练深层网络的问题。
深度学习的优势是：自动学习特征。
传统机器学习需要人工设计特征。比如图像识别，需要设计边缘、纹理、形状等特征。
深度学习不需要人工设计特征。神经网络可以自动从原始数据中学习特征。
AlphaGo之后#
AlphaGo之后，DeepMind继续改进：
AlphaGo Zero（2017）：不使用任何人类对局，完全通过自我对弈学习。3天后超越了AlphaGo。
AlphaZero（2018）：一个通用的算法，可以学习围棋、国际象棋、日本象棋。不需要针对每种游戏设计特定算法。
MuZero（2020）：甚至不需要知道游戏规则，可以通过探索学习规则。
AlphaGo的技术也被应用到其他领域：蛋白质折叠预测（AlphaFold）、核聚变控制、芯片设计优化。
深度学习的应用#
深度学习已经广泛应用：
计算机视觉
- 图像分类：识别图片中的物体
- 目标检测：定位图片中的物体
- 人脸识别：解锁手机、安防监控
- 医学影像：诊断疾病
语音处理
- 语音识别：Siri、小爱同学
- 语音合成：虚拟主播、有声书
- 语音翻译：实时翻译
自然语言处理
- 机器翻译：Google翻译、DeepL
- 文本生成：GPT系列
- 问答系统：智能客服
- 情感分析：分析用户评论
游戏AI
- AlphaGo：围棋
- OpenAI Five：Dota 2
- AlphaStar：星际争霸
自动驾驶
- 特斯拉Autopilot
- Waymo
科学发现
- AlphaFold：蛋白质结构预测
- 材料发现
- 药物研发
深度学习的局限#
深度学习也有局限：
数据饥渴：需要大量标注数据。
计算密集：训练大模型需要大量GPU，成本高昂。
黑盒问题：很难解释模型为什么做出某个决策。
对抗脆弱：精心设计的微小扰动可以欺骗模型。
泛化问题：模型在新场景可能表现不佳。
下一步：AI浪潮#
AlphaGo的胜利，标志着AI进入新纪元。
从2016年开始，AI技术快速发展。大语言模型、生成式AI、多模态AI……一个个突破接踵而至。
明天，我们来讲2016年后的AI浪潮。
今日知识点#
深度学习（Deep Learning） 使用多层神经网络的机器学习方法。深度学习可以自动学习特征，不需要人工设计。在图像识别、语音识别、自然语言处理等领域取得了突破。
神经网络（Neural Network） 模拟人脑结构的计算模型，由多层"神经元"组成。输入层接收数据，隐藏层提取特征，输出层给出结果。深度学习的"深度"指隐藏层的数量。
卷积神经网络（CNN） 一种专门用于图像处理的神经网络。使用卷积操作提取图像特征，在图像识别、目标检测等领域表现出色。
思考题#
- AlphaGo击败李世石，被认为是AI历史的里程碑。你觉得这个事件的意义是什么？
- 深度学习需要大量数据和计算能力。这是否意味着只有大公司才能做AI？
明天预告：AI浪潮来袭——2016年后的科技巨变，AI如何改变各行各业？