阿爾法圍棋（AlphaGo）
/ AL-fuh-goh /
AlphaGo是DeepMind打造的程式。2016年，它擊敗了世界頂尖的一位圍棋高手——圍棋這門古老的棋戲，長久以來被認為遠非電腦所能企及。西洋棋在1997年敗給了深藍的蠻力計算，圍棋卻頂住了：它的棋盤大到「可能的對局比宇宙中的原子還多」，所以你根本無法靠「算」算到最佳的一手。攻克圍棋之所以是一道分水嶺，恰恰因為它要求的，是更接近「判斷」而非「數數」的東西。
AlphaGo的不同之處，在於它會學習。它把深度神經網路——一個網路用來判斷一個局面有多好，另一個用來提示有希望的著法——與一種巧妙的、受引導的搜尋結合起來，用這兩個網路只去探索最值得的那些可能性，而不是全部。它先在人類對局的棋譜上接受訓練，再透過與自己對弈數百萬盤來提升，從自己的經驗中變強。這場「學習」（聯結主義）與「搜尋」的聯姻，正是整個故事的核心：它與其說是把這盤棋「算」贏了，不如說是為它培養出了一種學來的「直覺」。
誠實地說說它的意義：AlphaGo仍然是一個窄系統——精於圍棋，別的什麼也做不了——但它戲劇性地證明了，深度學習加上自我對弈，能征服一個對當年戰勝西洋棋的蠻力方法而言「太大、也太微妙」的問題。在著名的第二局裡，它落下一手怪招，人類專家起初以為是失誤，隨後才意識到它原創得深刻——這生動地表明，機器學到的是策略，而非死記了人類的棋路。AlphaGo成了深度學習時代一個標誌性的象徵，並啟發了一脈後繼者：它們從零開始自學棋藝，還去攻克諸如蛋白質折疊這樣的科學難題。
在2016年的那場對局中，AlphaGo於第二局走出的「第37手」讓解說者大吃一驚——那是一個沒有哪位人類高手會選擇的落子，起初被當成失誤，結果卻妙不可言。它讓人窺見了一台從經驗中學出自己策略、而非照搬人類習慣的機器，而這絕不可能單憑蠻力數數得來。
AlphaGo的「第37手」：學來的策略的證據，也是它區別於深藍式計算的標誌。
AlphaGo比深藍跨出的那一步，是「學習」，而不只是算力更強：它把神經網路與受引導的搜尋結合，並靠自我對弈來提升。然而它依舊是窄的——精於圍棋，別處無用——這提醒我們，即便是驚艷的勝利，也仍是單一領域的功業。