柯洁败给AlphaGo，仍有不少人情感未能接受
相信有些朋友会感到奇怪，明明经过南韩棋王李世乭在去年3月以4：1总局数败给AlphaGo，昨日AlphaGo对战柯洁，首仗战败早应该心情平伏，视之理所当然，像林顺喜过往接受BBC访问时说：「人类超越不了电脑是必然结果，情况一如人跑不过跑车一样。」
其实，像林先生这样理解「人机决战」的人，不一定是多数，就在李世乭输掉比赛的时候，赛后仍有朋友说：「其实不对，最近下的是快棋，慢棋还有机会赢。」这说法固然不成立，但无论如何，人们仍有挥之不去的沮丧感一般牵涉两个层面。
比较浅显的层面，是围棋竞赛不像汽车与人类斗速度，不是比拚双脚（肢体）步速与车速，这属于外在的条件限制，而且，汽车的外貌也不像人类，情感上比较容易接受；换言之，人类下棋这种活动是「心灵 / 意识」的一种能力，比拚的是人类那颗有思想的大脑，比拚单位容易让人「拟人化」，这种心理包袱以「汽车」比喻未必能抒解许多人的心情，总感觉是「人类失败了！」
在数理运算方面，人类跟AI相比层次不过像只甲虫另一个层面牵涉「认识」，因为要人们要理解及联想「人工智能」（AI）跟「人脑」的差距，相对没那么容易。柯洁在赛后比喻AlphaGo像「围棋上帝」，能够快速下「一石二鸟的棋步」，找不到弱点，令人震惊。这样的比喻虽然生动，但还是未够具体，如果尼克．博斯特伦（Nick Bostrom）的比喻，AI数理运算能力跟人脑相比，层次相当于「人类跟一只甲虫或蠕虫」相比，不是一般人以为是「科学天才跟一般人」的距离，因为这个比喻差距显得太小了。
围棋极讲求数学及逻辑运算，而「这一方面」正是AI的强项，随时间演进，日后AI的数理运算能力人类无法企及，根本理所当然。回到基本单位，一般生物神经元最巅峰的运算数速度约200Hz1（此非指部分特殊高速的神经元启动频率），比现代约2GHz微处理器慢了「七个数量级」（用这例子已很保守了），就是10的7次方——10,000,000倍，电脑极擅长高速依次序运作（sequential operations）。此外，神经轴突最快可以每秒120公尺速度携带动作电位（action potentials），而电子处理核心（electronic processing cores）藉光学处理通讯速度每秒达3亿公尺。
至于扩充结构，电脑不但软体可以不断更新升级，硬件运算也可升级至非常高的物理极限（目前仍在实验阶段的技术，可使「精尖的电晶体製程从14nm缩减到了 1nm」），我们也知道超级电脑可使用大如楼座的单位来安置。而成年人类大脑平均约有1,000亿个神经元，大脑尺寸是黑猩猩三倍半左右，仅此而已，暂时无法再添加运算硬体。在这种基础之下，下围棋可处理多少种可能的摆法，是如何庞大的运算量，建议各位参考友人余海峯〈AlphaGo连胜人类：从围棋複杂程度浅谈人工智能重要性〉一文。
柯洁未来任何一局取胜是奇蹟中的奇蹟，失败是理所当然人脑vs.AI就是在这样的条件之下比併，现在我们明白，随着AlphaGo更新至18版乃至更后的版本，去年李世乭经历了「人类赢AlphaGo的最后一局」绝不夸张。情况意味着，柯洁在5月25及27日另外两局，也很可能战败收场；败，显得理所当然，胜，倒是「奇蹟中的奇蹟」，这才是我们心理上恰如其分的理解，应当接受，没必要沮丧或失望。
即使奇蹟真的出现，也只是一时而已，不久之后所有奇蹟将完全消失，没有之一，也没有如果。更重要的是，人工智能技术是相关专家走了许多冤枉路，经过「数十年」以后的成果，无论是李世乭、柯洁，或是今后在其他方面落败于人工智能的人，总括来说，他们是败给不少人合力研发、汲取经验教训的「AI心血结晶」；反而，AlphaGo「竟然」彻底败给柯洁，我们才应感到沮丧，聚合了这么多聪明绝顶之士，奋斗数十载，却仍未企及极高运算层次，岂不叫人失望？是故，无论从甚么角度看，谁胜谁败均可视之「人的胜利」，这并非一般主观的输打赢要。
AI胜利也是人类智能的胜利，集合专家数十年奋斗 真正问题不在棋局胜败粗略而言，如果不追溯到更远的图灵（Alan Mathison Turing），现代开启专门研究AI领域可数1956年，一些对自动机理论（automata theory）、神经网路、智能研究有热情的科学家，聚首于新罕布夏州达特茅斯学院（Dartmouth College），并举行了达特茅斯会议（Dartmouth conference），也是人工智能一词出现的时刻。
当中有资讯理论创始人克劳德．夏农（Claude Elwood Shannon）等人，希望「找出让机器能使用语言、产生抽象概念、解决人类问题，以及自我增进的方法」（“An attempt will be made to find how to make machines that use language, form abstractions and concepts, solve kinds of problems now reserved for humans, and improve themselves. ”）若用趣怪一点的方式表达，他们也希望驳斥社会上怀疑论者的说词：「绝对没有机器能做到X！」（“No machine could ever do X!” ）
可惜，由于他们一开始太过乐观所以处处碰壁，起初设计用来跟人类对战的西洋棋程式，别说运用高难度的棋术，却连基本的棋步也搞不清楚，找个下棋新手也可以「打赢」，而且输入的资料选项增加，运算速度跟不上，跟现在的情况相反，那时等电脑运算有初步结果的时候，比赛早就结束。
后来在80年代通产省（今经济产业省）牵头推展「第五代电脑」开发计画（英国、亦加大投资比併），意图能研发出可跟人类对谈，并「自动」推论运算的人工智能电脑，由于它的运算模式仍脱离不掉简单的「If-Then」逻辑，需要相当多专家及资源输入、更新资料和维护系统，从「Rule-based AI」这名称也可嗅出其僵化规则的味道，不久因成效及成本问题只能放弃。
直至90年代AI基于硬体升级，再融入「贝氏机率」（Bayesian probability）及网路数据，让电脑可以运算大量资料成为「暴力AI」（Brutal Force AI）——透过超高速处理器、大容量记忆体，强行处理巨大资料量。也因为这层次的提升，1997年IBM开发的「深蓝」（Deep blue）才能打败人类西洋棋冠军，就是椅靠统计与机率为运算核心的技术做到。
而AlphaGo使用的深度学习技术（得益人工神经网路研究），则要到2006年开始才有突破，促成了今天我们讚叹的创举，为免篇幅过长及简便起见，建议参考本站〈AlphaGo到底是如何下棋？兼谈几个对AlphaGo的误解〉一文。
可想而知，研发AI取得各种成果，是专家们跌跌碰碰奋斗数十年的过程而来，AI的强大也相当于集合人类智能力量的强大，只要懂得这段艰难的发展历程，自然明白这样说绝非主观上输打赢要。所以，平心而论，我们情感上真正需要顾虑的，其实并不是人类在围棋乃至其他方面（如创作音乐）败给AI，反而是人类日后漫长的年月如何应变AI，当中的风险评估与道德思考又在那里，不过，这便是另一重大议题了。
注：
1.这速度的前提是指一般生物神经元子集（subset of neurons）里的短期启动频率（firing frequencies），非指部分特殊神经元快速的启动频率可达750Hz，这数值已是异常高。（Gray and McCormick 1996; Steriade et al. 1998）
延伸阅读：
〈AlphaGo连胜人类：从围棋複杂程度浅谈人工智能重要性〉 〈AlphaGo到底是如何下棋？兼谈几个对AlphaGo的误解〉 〈讨论「全民每月派钱」应变AI导致失业潮，未来失业是福不是祸？〉 〈优异生退学兼「竖中指」批大学教育 学者力倡教改迎接AI冲击〉 〈这次失业潮不再一样：剖析伦敦地铁「自动售票」涉裁900职位、Amazon Go全弃收银员背后的意义〉 〈学者：不止AI导致失业，不足30年所有产业或被 Google统治 附AI抢走工作简表〉 〈中产将会消失？年轻人上流无望？各地问题相似，极端思潮非出路〉参考资料：
尼克．伯斯特隆姆（Nick Bostrom）着：《超智慧：出现途径、可能危机与我们的因应对策》（Super Intelligence: Paths, Dangers, Strategies），新北市：八旗文化，2016年10月。 小林雅一着：《下一个统治世界的企业：人工智慧让47%以上工作被机器人取代，我们如何威胁变机会？》，台北市，大是文化有限公司，2016年9月。 7nm 是物理极限？ 那刚发表的 1nm 是什么概念？有商业化价值吗？（TechNews） 柯洁：AlphaGo像围棋上帝 Google：新版本运算力更强（关键评论网） 李世乭的那一胜是人类赢Al的「最后一局」！人超越不了AlphaGo是必然的（关键评论网） 神之一手挫AlphaGo 李世石：它执黑子对弈会出错！（01）核稿编辑：周雪君