圍棋要求更加復雜的算法、更完整的策略思考，蘊含更多的交互和策略分析，對于AI的挑戰(zhàn)更大。圍棋依賴更多的模式認知，需要對全局和細節(jié)進行更微妙的評估。圍棋的下一步很難預測，幾乎沒有哪種算法能夠成功預測圍棋的每一步。
在本世紀之前，圍棋的AI機制進步得非常緩慢，可以被業(yè)余選手打敗。但在2006年，這種狀況改變了，因為AI引進了兩種技術(shù)： Monte Carlo 樹形搜索和深度網(wǎng)絡。Monte Carlo 樹形搜索算法并不會檢驗所有可能發(fā)生的步驟，而會進行一個分離的選擇，以一種成熟的方法來結(jié)合選擇對象，以此做出更好的預測。而深度網(wǎng)絡是神經(jīng)網(wǎng)絡的轉(zhuǎn)換方式，它從1960年代就開始測試，現(xiàn)在已經(jīng)變得更便宜、更強大、擁有更多的數(shù)據(jù)，來訓練學習算法。
這兩種技術(shù)的結(jié)合讓AI的圍棋技術(shù)有了巨大的提升。終于，在今年3月， 谷歌人工智能AlphaGo打敗了世界頂級圍棋棋手李世石，人類開始恐懼AI的強大力量。
現(xiàn)在，AI要征服下一個疆域：踢足球。
AI的未來是體力活動
自從1997年AI打敗象棋世界冠軍后，科學家們開始相信AI最能夠征服的就是腦力游戲。而對于AI而言，要征服那些體力游戲則更難，比如踢足球。
足球?qū)τ谌祟悂碚f并不是一項有難度的運動，但是對于AI則不然，對于機器人來說，要用雙腿跑步、用腿控制球、與隊友溝通、避免摔倒，可比下象棋要難得多。現(xiàn)在，世界上只有極少數(shù)實驗室能夠設計出會行走的人形機器人。而現(xiàn)在， 由科學家Hiroaki Kitano和Manuela Veloso領(lǐng)導的團隊旨在2050年之前打造出一支機器人足球隊，來對抗世界杯冠軍，并且贏得比賽。現(xiàn)在他們正在努力，并已經(jīng)進行了多屆“機器人世界杯”。
到今年，“機器人世界杯”已經(jīng)舉辦了20次了，其目標一直是提升和挑戰(zhàn)AI和機器人的能力。具體來說，這種能力并不是機器人抽象的腦力能力，而是體力運動能力以及實時交互能力。從第一屆“機器人世界杯”舉行了之后，很多組織開始關(guān)注這種比賽如何促進機器人科技的進步。
第一屆“機器人世界杯”的參賽選手只有輪式機器人;后來，索尼的四腿AIBO機器狗加入到了隊伍中來;從2003年開始，人形機器人開始比賽。最開始，人形機器人的運動能力非常有限，行走時經(jīng)常顫抖，踢球時經(jīng)常摔倒。近年來，機器人的足球技能快速提升。現(xiàn)在，很多實驗室已經(jīng)開發(fā)出了人形機器人足球團隊。
這不是簡單的球類運動
為了實現(xiàn)2050年的目標，團隊給機器人設下的任務也越來越難。從去年開始，地面綠毯換成了人造草皮，球門和足球都涂成了白色。這讓機器人保持穩(wěn)定、識別球門和足球更加困難。因此，也許今年的機器人選手們表現(xiàn)得比去年差勁，但不要擔心，這只是因為它們的任務難度增加了不少。
相比于下象棋和圍棋，踢足球蘊含的技巧更多更難：邊跑邊鎖定目標、強光下識別足球、濕草地上跑步、每45分鐘為機器人輸送一次能量......而其他的問題也與人類現(xiàn)實息息相關(guān)：何時機器人和人類可以同一片足球場踢球?人類和機器人踢球是否安全，會不會更容易受傷?如果人類判機器人犯規(guī)，機器人會不會心服口服?
因此，當機器人的聰明程度讓人類跪舔和恐懼的時候，我們正在讓它們征服下一個疆域：那些人類認為分外簡單的體力勞動。而這就是機器人未來需要征服的關(guān)鍵疆域。
