講一下兩日棋迷對於這所謂低階失誤的看法。
李喆講出一些演算法的正確觀念，但有些地方他沒考慮到。
※ 引述《tlm (Netherlands)》之銘言：
: 【四、AlphaGo 的“失誤”】
: 這盤棋AlphaGo有沒有失誤？
: 令人欣慰，從人的眼光來看，我們可以找到AlphaGo的明顯失誤。這種失誤不是指那種基
: 於人類經驗而認為的失誤（經驗有可能會騙人），而是可以通過邏輯分析來確認的失誤。
: 1 ）“失誤”一：
: 白136手吃。對於職業棋手而言很容易判斷，應該吃在一路，比實戰便宜大約1目。
: 2 ）“失誤”二：
: 白142手擋，對於職業棋手而言，這也是一個很容易確認的明顯虧損。
: 白棋正確的下法是1位跳，這樣將來留下了5、7、9吃兩子救回三子的下法，從目數上分析
: 明顯優於實戰（大約1-2目）。即使白棋不在5位扳，走8位先手粘掉也優於實戰一點點。
: 這兩處“失誤”都是在局部，沒有任何與外界的關聯性，屬於封閉式的失誤，其虧損可以
: 用邏輯推理的方式證明。相較於AI展示出來的水平，似乎這兩個失誤是“不應該”的。
: 基於此，又有棋手表示：“這都看不到，AI不過如此啊”。
: 前面“惡手”裡講到的左下角白棋的問題，也有人看做是第三個失誤。但那個失誤的性質
: 與這兩個不同，我們對那個失誤的認定在很大程度上還是基於經驗的，雖然也包含了邏輯
: 推理，但並不完全。在我看來，按照笛卡爾的理論，對這那失誤的認定是可懷疑的。
: 但這兩個失誤卻不可懷疑。既然如此，我為什麼要在標題裡給“失誤”打引號呢？
: 這引出了一個非常有趣的話題：在棋盤上，失誤的定義是什麼？
: 3 ）不同的“失誤”定義
: 對於我們棋手而言，什麼是棋盤上的失誤？假如我們把基於經驗認定的失誤都排除在外，
: 只留下基於邏輯推理認定的失誤，那麼失誤意味著：A在邏輯上優於B，而我選擇了B。
: 在這個意義上，只要我們找到了“可確認的更優下法”，就認為我們出現了失誤。
: 但是，對於AI而言，失誤是否意味著相同的事情？我們怎麼理解AI出現了在我們看來低於
: 其水準的失誤？
: 這就涉及到AI的算法問題。假如AI有一天窮盡了圍棋，那麼只要它有一步不踏在最優解集
: 合裡，就是失誤。但是，現在的AI還遠無法窮盡圍棋。
: AlphaGo的算法運用了神經網路加蒙地卡羅，蒙地卡羅演算法的一個特點是：不求最優。
: 蒙地卡羅演算法給出的是搜索之後的勝率評估，然後AI會根據這個勝率來選擇落子點。也
: 就是說，AlphaGo本來就不追求最強最優的下法，它只是追求在它看來勝率最高的下法。
: 那麼，回到前面那兩個“失誤”，之所以打上引號，是因為在AlphaGo看來，或許這根本
: 不是失誤！
: 雖然在我們人類看來，邏輯上明顯A優於B，但AI在那時認為兩者的勝率相似，從獲勝的角
: 度來說，兩者沒有區別！甚至A之後的犯錯機率高於B，從而導致它認為B的勝率高於A！
: 如果兩條路同樣能通往勝利，在AI的意義上，你還能說它是失誤嗎？
: 或許能！
: 但是前提條件是人類利用這種“失誤”擊敗了它！否則，在AI的意義上我們無法指責那是
: 它的失誤。
蒙地卡羅演算法並不是不求最優，只求勝率最高。精準一點的講法是，它根本不知
什麼是最優，它是從它的有限模擬中，將勝率最高的，當做是最優的。
因為這個原因，演算法在大部份的情況下，它並不能確定它下的是不是最優的。那
為什麼會在好像困難的大局下出好棋，但在局部的地方，出現低階失誤？
老實說，我認為根本完全不是失誤。二日棋迷棋力不夠，請有實力的人看一下我猜
的對不對。在局末，優勢確定下， AI 是可以選擇，略微吃虧，但較有把握的方法
。也就是說，可能到最後， AI 認為剩下的地方，這兩處是它相對沒有把握的，但
這兩處輸個三目，它確定還領先，那它當然願意選擇這樣做。人類是經過一些邏輯
判斷，確定這裡怎麼下最好。對 AI 來說，它的模擬可能也是跟它說，這樣下最好
。但它大概有另一個訊息，若照實際的下法，雖然吃虧，卻有把握不輸太多。相對
的那些最優下法，它怕其實是自己沒模擬到。
所以，請厲害的棋手看一下，這兩處是否是在收官時，相對複雜的地方？而 AI 下
的地方，是不是後續變化相對單純的地方？如果是的話，那 AI 根本沒有失誤，只
是用另一種方式來確保勝利。如果局面落後， AI 依然下出這種非最佳解，我們才
比較有把握說這是低階失誤。
--
李喆講出一些演算法的正確觀念，但有些地方他沒考慮到。
※ 引述《tlm (Netherlands)》之銘言：
: 【四、AlphaGo 的“失誤”】
: 這盤棋AlphaGo有沒有失誤？
: 令人欣慰，從人的眼光來看，我們可以找到AlphaGo的明顯失誤。這種失誤不是指那種基
: 於人類經驗而認為的失誤（經驗有可能會騙人），而是可以通過邏輯分析來確認的失誤。
: 1 ）“失誤”一：
: 白136手吃。對於職業棋手而言很容易判斷，應該吃在一路，比實戰便宜大約1目。
: 2 ）“失誤”二：
: 白142手擋，對於職業棋手而言，這也是一個很容易確認的明顯虧損。
: 白棋正確的下法是1位跳，這樣將來留下了5、7、9吃兩子救回三子的下法，從目數上分析
: 明顯優於實戰（大約1-2目）。即使白棋不在5位扳，走8位先手粘掉也優於實戰一點點。
: 這兩處“失誤”都是在局部，沒有任何與外界的關聯性，屬於封閉式的失誤，其虧損可以
: 用邏輯推理的方式證明。相較於AI展示出來的水平，似乎這兩個失誤是“不應該”的。
: 基於此，又有棋手表示：“這都看不到，AI不過如此啊”。
: 前面“惡手”裡講到的左下角白棋的問題，也有人看做是第三個失誤。但那個失誤的性質
: 與這兩個不同，我們對那個失誤的認定在很大程度上還是基於經驗的，雖然也包含了邏輯
: 推理，但並不完全。在我看來，按照笛卡爾的理論，對這那失誤的認定是可懷疑的。
: 但這兩個失誤卻不可懷疑。既然如此，我為什麼要在標題裡給“失誤”打引號呢？
: 這引出了一個非常有趣的話題：在棋盤上，失誤的定義是什麼？
: 3 ）不同的“失誤”定義
: 對於我們棋手而言，什麼是棋盤上的失誤？假如我們把基於經驗認定的失誤都排除在外，
: 只留下基於邏輯推理認定的失誤，那麼失誤意味著：A在邏輯上優於B，而我選擇了B。
: 在這個意義上，只要我們找到了“可確認的更優下法”，就認為我們出現了失誤。
: 但是，對於AI而言，失誤是否意味著相同的事情？我們怎麼理解AI出現了在我們看來低於
: 其水準的失誤？
: 這就涉及到AI的算法問題。假如AI有一天窮盡了圍棋，那麼只要它有一步不踏在最優解集
: 合裡，就是失誤。但是，現在的AI還遠無法窮盡圍棋。
: AlphaGo的算法運用了神經網路加蒙地卡羅，蒙地卡羅演算法的一個特點是：不求最優。
: 蒙地卡羅演算法給出的是搜索之後的勝率評估，然後AI會根據這個勝率來選擇落子點。也
: 就是說，AlphaGo本來就不追求最強最優的下法，它只是追求在它看來勝率最高的下法。
: 那麼，回到前面那兩個“失誤”，之所以打上引號，是因為在AlphaGo看來，或許這根本
: 不是失誤！
: 雖然在我們人類看來，邏輯上明顯A優於B，但AI在那時認為兩者的勝率相似，從獲勝的角
: 度來說，兩者沒有區別！甚至A之後的犯錯機率高於B，從而導致它認為B的勝率高於A！
: 如果兩條路同樣能通往勝利，在AI的意義上，你還能說它是失誤嗎？
: 或許能！
: 但是前提條件是人類利用這種“失誤”擊敗了它！否則，在AI的意義上我們無法指責那是
: 它的失誤。
蒙地卡羅演算法並不是不求最優，只求勝率最高。精準一點的講法是，它根本不知
什麼是最優，它是從它的有限模擬中，將勝率最高的，當做是最優的。
因為這個原因，演算法在大部份的情況下，它並不能確定它下的是不是最優的。那
為什麼會在好像困難的大局下出好棋，但在局部的地方，出現低階失誤？
老實說，我認為根本完全不是失誤。二日棋迷棋力不夠，請有實力的人看一下我猜
的對不對。在局末，優勢確定下， AI 是可以選擇，略微吃虧，但較有把握的方法
。也就是說，可能到最後， AI 認為剩下的地方，這兩處是它相對沒有把握的，但
這兩處輸個三目，它確定還領先，那它當然願意選擇這樣做。人類是經過一些邏輯
判斷，確定這裡怎麼下最好。對 AI 來說，它的模擬可能也是跟它說，這樣下最好
。但它大概有另一個訊息，若照實際的下法，雖然吃虧，卻有把握不輸太多。相對
的那些最優下法，它怕其實是自己沒模擬到。
所以，請厲害的棋手看一下，這兩處是否是在收官時，相對複雜的地方？而 AI 下
的地方，是不是後續變化相對單純的地方？如果是的話，那 AI 根本沒有失誤，只
是用另一種方式來確保勝利。如果局面落後， AI 依然下出這種非最佳解，我們才
比較有把握說這是低階失誤。
--
All Comments