張崢：是，用少見的開局也許可以增加長距離蝴蝶效應(yīng)的可能性。一進入局部就不好辦了。
Q6：硬件當中會有GPU（圖形處理器）和CPU（中央處理器）共同工作嗎？
張崢：是的，用兩種硬件協(xié)調(diào)工作是工程和資源的優(yōu)化，不是本質(zhì)。
田淵棟：一直是兩者同時工作的，CPU搜索，GPU評估局面。
Q7：在過去的四個月中，AlphaGo的學習方式是復習歷史棋局還是跟許多真人高手對決？AlphaGO是在局部算路更強的情況下，對整體勢的把握是如何做的。
衛(wèi)鴻泰：兼而有之。
Q8：我記得有人問Google作者，電腦是怎么下這一步的，他也不知道，不是靠背棋譜就可以知道的。為什么Google作者自己都不知道電腦怎么下棋的呀？不是他們設(shè)置學習機制的嗎？
田淵棟：設(shè)置了機制，但是不知道這個機制如何學得棋譜模式。所以，AlphaGo可以走很好的棋，但是制作者不知道這個是通過什么推理方式算出來的。要是知道了，對AI來說是非常大的突破。
Q9：所以，機器思考的過程現(xiàn)在還是個黑匣子？
田淵棟：是的，在這點上人工智能還是有很長的路要走。
Q10：電腦的弱點之一是，算法可以解決局部的問題，但對整體局勢的評估會弱一些。
田淵棟：不一定，深度神經(jīng)網(wǎng)絡(luò)往往是倒過來，整體強而局部弱，需要加上搜索，DarkForest是這樣。所以有時候死活，對殺會有問題。
張崢：難說，狗狗的結(jié)構(gòu)是從局部到全局的。
Q11：我們能否說AlphaGo現(xiàn)在已經(jīng)能夠判別局勢，而不是只判斷接下來的幾步范圍內(nèi)，哪個位置最優(yōu)？
田淵棟：Value Network和Playout都是用來判斷局勢的，判斷哪步棋最優(yōu)也要靠這兩個，Policy Network給出候選的走子，然后由上面這兩個判斷哪步比較好。
“狗狗”早點去博物館不好嗎？
Q12：“阿狗”和對手下得越多，勝利的機會也就隨之增加？
張崢：狗狗哪天的左手也很強，就不要你了！它左右手互搏是現(xiàn)在成長的環(huán)境一環(huán)。
Q13：如果AlphaGO在棋力水平超過了大部分用于訓練的“高手棋局”，想進一步提升棋力，這時如果再用這些水平低于自身水平的棋局數(shù)據(jù)進行訓練是否不利于自身棋力水平增長？更多的使用“左右互搏”棋局訓練是否更好？
田淵棟：是的。
董飛：我之前思考過電腦如果只是學習網(wǎng)上的棋譜，這些大多都不是高手，超一流的棋局又那么少，跟三流學，怎么可能下過一流的選手呢？但它那種可以自我對弈，選擇傾向贏棋的路徑，這樣想只要它不斷電，有大量計算資源，這樣就進化直到永生，想到這就是一部科幻片了。大家還記得那部片子叫《超驗駭客》，主人翁要死了，委托他女友把大腦移植到電腦中，后來就入侵銀行，去一個鄉(xiāng)下造了一個巨大data center，一直進化，研究各種新技術(shù)，可以移植修復，copy他的思想，最后誰也沒法阻擋，世界被他控制。我覺得那部電影還是挺有哲學意義的，本意是想那些人類都不如他，他要去拯救世界，給他們最好的東西，但這樣就是獨裁。
Q14：沒有了人類的挑戰(zhàn)，AlphaGo的能力很快就到頂，進步的空間就不大了？
張崢：讓狗狗早點去博物館不是好事嗎？
Q15：為什么？
張崢：因為就去戰(zhàn)下一個更好的問題了。
Q16：AlphaGo的算法已經(jīng)公開發(fā)表，是否意味著別的團隊同樣可以做出AlphaGo？商業(yè)化公司發(fā)表公開論文的動力在哪里？
田淵棟：細節(jié)有很多還是不清楚的，當然大致的技術(shù)路線都很明確了。動力在于提高自己公司知名度，這個很重要的，而不只是為了賺錢。有知名度就對招人和公共形象都有好處。
機器還是真人，你分得清嗎？
Q17：如果不告訴您黑白棋對應(yīng)的是電腦還是真人，您能分辨出來誰是誰么？