1樓：sunny
縱向比的話阿爾法狗顯然比深藍更有技術含量(貌似深藍現在一般程式設計師都能寫出)，，不過橫向比的話在各自時代都很偉大，都可以說是開啟了乙個新的時代，，這個問題好比與牛頓與愛因斯坦誰偉大一樣。
2樓：find goo
阿爾法狗是黑箱演算法的巨大進步，因為圍棋的可行解數量特別巨大，靠窮舉在現有計算機上無法實現，因窮舉圍棋是對計算機來說是個天文數字無法實現，10^170，10後面有170個0，多過己知宇宙原子數量，目前你不可能用宇宙每個原子存乙個解，所以不具有實用性。
人類對圍棋的認識是依賴過去的經驗，從死活定式到金角銀邊，從大龍對殺到戰略秒手，從流派布局到反轉創新，實際上只能算是區域性貪心演算法，不是全域性優化解，可優化空間巨大。圍棋之大類似宇宙之大，人類可能還沒摸到邊。
黑箱演算法本質是一種學習過的概率演算法，依靠過去經驗來選擇優等概率落子，如同黑夜中沒地圖打手電行路，依賴經驗來判斷是否是好的路線。深藍是窮舉式演算法，是計算機硬體發展的必然突破。如果說深藍處理的是小資料，小維度，確定性，靜態的，白箱演算法，那麼阿爾法狗處理的是大資料，高維度，不確定性，動態的，黑箱演算法。
阿爾法狗的意義重大，為最近幾年發展起來的深度學習理論樹立了燈塔，說明深度學習在解決高維複雜度問題有其實用性，是演算法發展史上重要一頁，其理論和方法可以用於解決類似的高維複雜的難題。
人工神經網路因為解決複雜問題效果差在九十年代一直沉寂，發展出的深度學習演算法在阿爾法狗一戰成名，對未來演算法進一步發展應用推動性很大。特別是以後看圍棋智慧型演算法對智慧型演算法的pk，可以直觀評出演算法的優劣，因為圍棋在目前無法算出最優解，只知道輸贏，但最優解理論上是存在的，看不同演算法程式的上限在那裡，逼近最優解的水平如何。
至於人工智慧，很多只是商業炒作，在程式解決閉環繁殖，能量補充，自我修復問題前，還是以智慧型演算法的說法比較好，因為程式要自我解決類似生物生存問題需要控制一部分人類社會，而程式不是智慧型之前怎麼控制人類社會一部分？不能離開人類自我生存怎麼是人工智慧？這是悖論。
3樓：謝丹
AlphaGo的意義更大。
深藍主要是依靠硬體，也就是把同樣的軟體的內容簡化後，做成晶元進行加速。
這就是專為專用功能做的一款專用CPU的意思。10-100倍加速後，深藍戰勝了世界冠軍。
也就是說，深藍本身對相關領域的推動很少。
乙個明顯驗證是，就算沒有深藍的硬體，大多數普通的電腦5-10年後也能戰勝世界冠軍了
（因為電腦5-10年進步了10倍以上）
但是Alphago是新的思想。
Alphago雖然採用了通用的GPU和CPU，採用深度學習的辦法，通過大資料來實現勝利的。
乙個驗證是：在AlphaGo公布其想法後，原來的ZEN等，採用相同方法，都實現了2-4子的能力提公升。
這點提公升不是簡單的，在alphago之前，大家預計電腦戰勝人類是10-20年後的事情。
乙個是錢的威力，乙個是新思維的威力。前者是能預期的進步，後者是不在大家預期的進步，
後者意義更大。
另外，深藍是不能自己進步的，alphago是自己不斷進步的。細思極恐的。
4樓：Lee-Gooo
一步乙個腳印，踏實走路。作為領跑者，沒深藍就沒阿爾法狗，論摸石頭過河，我覺得領跑者摸的石頭更多。而後來者永遠會說一代更比一代強，永遠在想彎道超車，到頭來該走的路還是要走，超車靠彎道，巡航靠的是發動機。
5樓：齊殿衝
其實alphago可以追溯到10年以前，那時候的gnugo和台灣陳志行教授的手談系列一統圍棋ai界的天下。圍棋界基本的共識是對ai界開啟嘲諷模式。
直到mogo帶著蒙特卡洛+uct大殺器橫空出世，我知道，已經變天了。
在絕對的力量面前，一切智謀都是浮雲。說的就是它這種暴力的美學。
那時候qq圍棋裡還有9路棋盤，我在裡面碰到個估計是衝段少年之類的，可能打譜無聊了去那裡虐菜，輸了第一盤後他不相信，然而在我操縱的mogo手裡連輸了10多盤，帶著絕望離開了。
我當時也湊興實現了乙個，水平有限，有些工程上的問題解決的不好，例如征子。不過並不妨礙我從那時起就堅定的站在ai那邊了。
現在的alphago確實只是個公升級版，克服了很多任務程問題，例如通過多個策略網路來平衡精度和速度，通過額外的估值函式來避開搖擺。
6樓：龍吟
AI不懂，不明白深度學習+神經網路能用在其它領域？還是僅僅是針對圍棋開發的一種演算法？
我猜未來的AI，要想應用到生活的其它領域，靠這2個技術是遠遠不夠的。深藍的勝利我還有些印象，但AI並沒有為世界留下什麼影響。
如上，我以為兩者都差不多，都是演算法上的一次成功而已，離我們想像的AI世界還差得很遠。
7樓：張華
深藍的原理是人工總結了很多規則，費盡心思編到程式裡，說不好聽就是個體力活。
深藍下出的棋，也無非計算精準，並沒有超出人的預期。
AlphaGo完全不同，集深度神經網路、分布式平行計算大成，
AlphaGo下的（部分）棋超出人類預期【這手棋還能這麼下？】，能取勝且難以捉摸。
說深一點，人類（也許）遲早會設計出超出人類智慧型的機器，而AlphaGo則是這個偉大長征的第乙個序幕。
就算過一百年，AlphaGo也會是科技史最重大里程碑事件之一。
我讀博的時候做CV，天天搞的是高維空間（那時候子空間分解是主流），AlphaGo帶給我最震撼的一點是，我從來沒想到高維空間的流形（當然實際上也許圍棋並不是流形（因為不連續））這種我當年日思夜想的「玄妙」東西能如此直觀地出現在人類面前。
未來圍棋當然會大發展，因為大概每個當年搞ML、曾經搞DNN、現在搞AI的人都會去學兩手圍棋吧（笑）
8樓：「已登出」
象棋和圍棋的計算量。
象棋一開始變化少，棋多空格少，殘局雖然空多，但棋也少，變化略多。
圍棋，一開始真是千變萬化，殘局到沒什麼計算量了。
9樓：叛逆者
就計算機硬體來說，
深藍強調的是巨量並行性，30個節點的RS/6000 SP，每個節點包含乙個120MHz的P2SC，以及480個專用的想起晶元。總運算量11.38 GFLOPS。
（Top500 List - June 1997）
比較一下現在的GTX 1080，運算量是8228 GFLOPS。
而AlphaGo，根據現在看到的資料，有1920個CPU和280個GPU。而有多少個tensor processing units，沒查到。很顯然算圍棋要的運算量遠大於象棋。
不過，別忘了，沒有深藍那一步，就不會有AlphaGo這一步。
10樓：羋鬱
深藍和alphago意義都不大，全是科技企業炒作的噱頭而已。
人工智慧其實並不智慧型，她能做什麼？寫幾篇小學水平的作文？譜幾首不好聽的曲子？改進一下tts的發音質量？你讓他寫一篇社論試試。
alphago的決策核心是mcts，蒙特卡洛樹搜尋。其智慧型核心是mcts，dcnn只是解決建模問題罷了。deepmind在youtube上的宣傳通常只提神經網路，不提mcts，因為神經網路這個名詞更能唬人而已。
所以alphago和深藍沒有質的區別，其棋力很強，甚至可以跟國象ai模擬了。但離智慧型差得很遠很遠。
所謂神經網路技術和真正的生物神經網路不是一回事，卷積神經網路只是一種數學上建模的方式而已。神經網路的應用集中在電腦科學的很多方面，其技術突破可以做很多事，唯獨alphago僅是個營銷的山頭，跟奇點什麼的無關。
11樓：IcyLatte
深藍是人類掌握技術的產物，狗是一門新科學的產物。
深藍好比人類有數的概念後，立馬能做的加減法，狗是對數深入理解後的微積分。
12樓：
原理都是搜尋樹+剪枝。
但是深藍是靠人定義的邏輯去剪，而AlphaGo至少有一部分邏輯是由深度學習生成的。
圍棋理論這麼多，但是想要寫出自洽而優秀的邏輯，是非常難的。
優秀的棋士心中有「直覺」，但是他無法把這種直覺邏輯化，所以圍棋很大程度上靠大量練習產生的棋感。
而AlphaGo證明了深度學習產生的剪枝結果是相當優秀的，這說明人類在一定程度上不必決定計算機的所有邏輯，而是可以信任計算機自己產生的邏輯。
相比之下，深藍的所有邏輯都是人一點點寫的。剪枝並沒有人類優秀，而是靠搜尋深度取勝。
所以從這一角度看，AlphaGo在AI領域的意義大於深藍。
13樓：梁亦聰
論對行外人的震撼程度，二者不分伯仲。
但技術本身對未來的影響力完全不在乙個量級。AlphaGo背後的技術影響未來世界的程度在IT史上能排第三（前兩名是計算機的出現和網際網路的出現）。深藍背後的技術對世界的改變聊勝於無。
人類如何戰勝alphago？
老王夫子 首先還不能說 已經戰勝了人類，畢竟還有那麼多不服的，就是說柯潔 另外，戰勝還是比較容易的，但想要什麼樣的勝利呢？想要測試 go的極限並不困難，只要下讓子棋就可以了，如果讓先是不能戰勝 的，那麼就讓2子 讓4子 讓9子，總不至於讓181子吧，由於圍棋本身的限制總會找到乙個人類能戰勝 的情況，...
AlphaGo 理解 圍棋嗎？
雖說機器學習的理論很早以前就建立了，但是相對其他學科，人工智慧還是比較新的領域，對人工智慧的定義也存在很多不同的看法，而且現在還在不斷發展，將來大家很可能對它還會有新的認識 要定義人工智慧，首先要定義，什麼是 智慧型 智慧型的定義本身就不是乙個完全無爭議的概念 什麼是智慧型？數學題做得好是智慧型嗎？...
五個AlphaGo組隊 能否獲得TI冠軍？
我覺得如果有團隊花人力資金做這款AI,職業選手被AI乾掉的日子不是特別遠 AI贏人類最大的可能應該是依靠推進體系 這一體系是受戰爭迷霧影響最小的體系,也可以有效避免人類選擇最擅長的勾心鬥角 心理博弈的打法,同時也是最直接結束比賽的方法。比賽時間越短,遊戲複雜度越低,對起步階段的AI來說,前期結束戰鬥...