2016年3月15日，人机大战落下帷幕。Google的AlphaGo 4：1击败人类顶尖棋手李世石。经历了长达7天、热热闹闹的全民大讨论，现在我们反而能够更冷静地聊起人工智能。

　　这不是悲观，在棋类里，机器有绝对优势

　　之所以这次AlphaGo和李世石的围棋人机大战吸引了全世界的关注，甚至被认为是人工智能的一个重要里程碑，主要有两个原因：1、围棋是最难的棋类游戏，2、AlphaGo用的是通用的人工智能系统。

　　首先，围棋被认为是棋类中最难的，是棋类的巅峰。简单点说，围棋的棋盘空间非常大，下法非常多变。在象棋里，有 “马走日、象走田” 这样的规定，但在围棋里，你可以在围棋棋盘的所有格子中下任何一个子，它没有任何限制，对比围棋和国际象棋的搜索空间，围棋的搜索空间大得恐怖，分支系数非常大，计算机无法和以前一样用暴力搜索和评价函数的方式来下围棋。

　　AlphaGo用新的一套深度学习方法——用世界上所有的著名棋谱拿来训练深度神经网络，然后用类似蒙特卡洛随机的方法在对弈中探索招数。从前，这种方法受计算资源所限，也就是说机器算不过来。这次机器做到了，而且是在最难算的围棋上。从理论上讲在所有有限空间的Game Theory任务面前，基本上机器都能够完胜人类。但是，我觉得这不是悲观，在棋类里，机器就是有绝对的优势，因为机器永远学得比人快，而且不会出错，机器永远做最优决策。

　　AlphaGo赢了李世石，可能未来不会有那么多人再去学围棋了，因为学围棋的价值可能不如去写一个能把围棋下的好的机器人有价值。

　　AlphaGo赢了李世石的另一重意义在于，AlphaGo用的是一个通用的深度学习框架和引擎。援引AlphaGo创始人Demis Hassabis的原话，他们希望能够做出一套像生物系统一样灵活的自适应算法，仅仅通过数据就能够胜任任何任务。换句话说，除了围棋,AlphaGo可以做很多其他事情。

　　它解决了一个很难的问题，而且用了一个通用系统。这两点意味着人工智能可能对我们的未来产生深远影响。

　　有趣的是，有人认为机器下棋赢了就赢了，人类在很多地方表现得比机器出色。这种例子似乎举不胜举，比如闭着眼睛吃饭、通过表情变化识别人的心情，比如不用反复做人脸识别就能认出一个人。但在我看来，这些看上去非常智能、机器似乎很难完成的任务，其实是人类在长期进化中得到的一种本能反应。

　　而人之所以需要经验和直觉，是因为人脑的计算能力有限。举例说，我们常说的围棋开局的局势或者象棋里的一些固定阵法、打法，都是人在简化我们所需要面临的一些计算。这些直觉、规律和经验未必正确，却是对人脑计算能力的一种适应。遗憾的是，我们没能搞清楚这些经验和直觉背后的真实运作原理。比如，语言是个很精妙的东西，我们到底怎么去理解语言，它在我们脑中又是怎么被理解。如果我们能把所谓的直觉、经验理解透彻，并表达出来，不管从生物学角度，还是数学、物理等各个学科的角度，我们同样能够让机器去学会这些东西。

　　在一个大的理论框架下，我认为人类所有的学习应该是一种基于数据的反馈和决策过程，当然这有待被证实。如果我们能清楚地解释整个人脑的学习和人脑对问题处理的方式，再给机器赋予足够多的数据，我相信机器是能够在绝大多数领域能够跟人类表现得一样。在很多具体情况下，这种说法过于简单且不具实际操作性，但是我相信人工智能的潜力。

　　AI领域的投资方向是?

　　人工智能、大数据、新硬件，以及新能源和新材料，我们把这些统称之为由核心技术驱动的创业项目。任何产品技术都有自己的发展周期，投资要看周期。

　　我们往回看，差不多每5到10年会有一个大的技术和产品发展周期。从PC到互联网，再到移动互联网。我们现在处在移动互联网发展的中期或者说中偏后期，我们期待移动互联网时代继续还会有一些好产品出来，接下来我们会等待新的计算平台和新的产品技术周期的出现，我们基于此做一些投资布局和判断。

　　关于这部分的投资，分享几个我们比较看好的方向：

　　人工智能以及它在垂直领域的应用。包括硬件和算法结合做解决方案的人工智能公司，以及汽车智能化。从现在的汽车走到无人车，这中间是机器为人做辅助的阶段，其间可能有一些自动驾驶的辅助系统，包括车上硬件的智能化和数据化。

　　新硬件平台及它们在垂直领域的应用。新硬件平台包括机器人、无人机，甚至无人船，以及这些硬件平台在垂直领域的应用。AI在工业或者2B方向上的应用也是我们觉得不错的方向。一个众所周知的事实是，人力成本上升非常快，很多行业和生产制造商对自动化和智能化的需求很大。

　　芯片、传感器等核心工业零部件的创新。整体的趋势就是更加小型化，更加便宜，更加移动化。我认为，小、便宜，无处不在，是进到智能时代的必要条件。在各个地方，我们需要足够多的传感器和芯片，使得我们能够采集到足够多的数据，有足够强的数据处理能力。