AlphaGo勝利十年後：AI真的超越人類了嗎？

十年前，一台機器在圍棋盤上擊敗了人類。十年後，它的「後代」正試圖改寫人類工作、學習、甚至思考的方式。問題不是AI能不能做到——而是我們準備好了嗎？

那場改變一切的對局

2016年3月，Google DeepMind 開發的圍棋AI程式 AlphaGo 以4勝1負擊敗了當時公認的世界最強棋士李世乭。這個結果震驚了全球棋界，也在人工智慧領域引發了深遠的連鎖反應。今年三月，正是這場勝利的十週年。

為什麼圍棋如此特別？這個源自中國、有著數千年歷史的棋局，其複雜程度遠超西洋棋。在19×19的棋盤上，可能出現的局面數量超過宇宙中可觀測原子的總數，比西洋棋的可能局面多出數個數量級。正因如此，多年來電腦科學界普遍認為，開發出頂尖水準的圍棋AI幾乎是不可能的任務——即便IBM的DeepBlue早在1997年便已擊敗西洋棋世界冠軍。

DeepMind 的突破在於一個優雅的雙重架構：一個AI模型負責「提出落子建議」，另一個模型負責「評估這步棋的好壞」。AlphaGo 隨後與自己對弈數千次，透過強化學習從每一次失敗中改進。最終，它發展出了人類從未想過的棋路與策略，徹底改寫了圍棋的認知邊界。

十年後，這套邏輯住進了ChatGPT

AlphaGo 的技術遺產，以一種出人意料的方式延續至今。

OpenAI 研究員 Noam Brown 直言：當前最先進的「推理模型（reasoning models）」背後的思路，「與 AlphaGo 驚人地相似」。過去，ChatGPT 等大型語言模型在面對複雜數學或程式設計問題時，常常像在黑暗中摸索——能說出流暢的句子，卻無法真正「思考」。這一局面在2024年底開始改變。

新一代推理模型讓AI「一步一步」推演解題過程，在中途自我評估、必要時重新來過——這與 AlphaGo 「提案、評估、調整」的雙重機制如出一轍。學習方式同樣是強化學習：讓AI大量解題，從錯誤中累積能力。Google DeepMind、OpenAI、Anthropic 等頂尖AI實驗室目前的旗艦模型，都建立在這套思路之上。

廣告

廣告合作

[email protected]

廣告

更關鍵的是一個概念上的突破——「計算時間」也是一種可擴展的資源。傳統AI的進步靠的是更多數據、更大算力。但 AlphaGo 與推理模型共同揭示了另一條路：給AI更多時間思考，它就能解決更難的問題。就像人類面對難題時會花更長時間一樣。

圍棋的邊界，也是AI的邊界

然而，AlphaGo 的成功也清楚地標示出AI的侷限所在。

Google DeepMind 科學副總裁 Pushmeet Kohli 點出了核心矛盾：「在棋盤遊戲中，我們始終在一個規則已知的特定環境中運作。但今天的AI系統被期望在更廣泛、更模糊的環境中運作。」

推理模型目前表現最佳的領域，依然是有明確對錯標準的任務——程式碼能否執行、數學證明是否成立。但當涉及創意判斷、文化理解、道德推理這類「沒有標準答案」的問題時，如何評估AI的表現，至今沒有人找到令人信服的方法。

這對華人世界有著特殊的意涵。圍棋本身就是中華文明的產物，而中國在AI領域的投入規模——從百度、阿里巴巴到華為、DeepSeek——已不容小覷。但在中美科技競爭持續升溫、晶片出口管制不斷收緊的背景下，算力的獲取能力正在成為AI發展的關鍵瓶頸。技術路線的相似性不代表發展條件的平等。

台灣在這場博弈中處於獨特位置：作為全球最先進晶片的主要生產地，台積電的每一片晶圓，都與AI的未來深度綁定。東南亞的華人社群則面臨另一個現實：當AI自動化衝擊製造業與服務業，誰將是最先感受到壓力的群體？

圍棋沒有消亡，棋手反而更多了

AlphaGo 出現後，圍棋並沒有走向終結。恰恰相反，AI展示出人類從未想過的棋路，反而激發了棋手們新一輪的學習熱情，圍棋作為競技與文化的生命力得到了延續。西洋棋也有相同的故事：AI稱霸棋壇之後，人類棋手的數量與比賽的商業價值雙雙成長。

這個現象指向一個更深層的問題：人類的競技與創造，其價值本就不在於「結果的最優化」，而在於過程中的掙扎、失敗、成長與故事。

然而，生成式AI的商業邏輯恰恰相反。ChatGPT、Claude 等產品的賣點，是讓人們更快得到答案、減少思考的負擔。當學生用AI完成作業、員工用AI撰寫報告，「失敗與重來」的學習迴路是否正在被悄悄繞過？

沒有人一開始就是專家。每一位頂尖棋手、工程師、醫生，都曾經歷大量的失敗與修正。如果AI替代了這個過程，下一代具備深度人類判斷力的專家，將從何而來？