AlphaGo在2016年擊敗圍棋冠軍李世乭，被視為AI發展的歷史性時刻。但鮮為人知的是，這個劃時代專案的關鍵起點，竟來自一位實習生用「最笨、最簡單方法」的嘗試。這故事告訴我們，偉大突破往往始於看似平凡的起點。

為什麼一個實習生的「笨方法」能啟動AlphaGo專案？

答案很直接：因為他放棄了複雜的演算法，轉而訓練神經網路單純「預測專家下一步棋」。2014年夏天，當時還是碩士生的Chris Maddison在Google Brain實習，面對多種失敗方法後，他決定回歸基本面——用大量專業棋譜訓練神經網路，讓AI學習人類高手的直覺。這個看似簡單的監督學習方法，反而成為AlphaGo成功的基石。

當時的AI研究環境充滿了各種複雜理論，但Maddison採取了截然不同的務實路線。他回憶道：「最終，我只是感到沮喪，嘗試了最笨、最簡單的方法——試圖預測專家在特定棋盤位置下的下一步棋。」這種數據驅動的思維，後來成為深度學習領域的核心哲學。

有趣的是，這個方法的靈感來自Ilya Sutskever（後來OpenAI創辦人）的觀察。Sutskever問Maddison：「你認為專家棋手能在半秒內選出最佳步法嗎？」如果答案是肯定的，那就意味著可以透過神經網路學習這種快速決策能力。這個問題點出了人類直覺與機器學習之間的關鍵連結。

從實驗室到世界舞台：AlphaGo如何從內部測試走向歷史性對決？

AlphaGo的發展軌跡可分為三個關鍵階段：原型驗證、系統強化與公開對決。Maddison在2014年夏季結束前，已經開發出能擊敗DeepMind同事Thore Graepel（自認棋藝不錯）的神經網路。這場內部勝利說服了DeepMind投入更多資源，組建更大團隊來推進專案。

然而，當時團隊對挑戰世界冠軍仍感到遙不可及。Maddison回憶每次改進神經網路後，都會問團隊中的圍棋高手Aja Huang：「我們離李世乭還有多遠？」Huang的回答總是：「Chris，你不明白。李世乭離上帝只有一子之遙。」這種敬畏感反映了人類頂尖棋手當時被視為幾乎不可超越的存在。

專案後期，Maddison做出了一個他自稱「可能較愚蠢的決定」——離開AlphaGo團隊回去完成博士學位。他坦言：「我說我覺得需要專注於博士論文，我骨子裡是個學者。」儘管如此，他仍以顧問身份參與專案，而他的神經網路基礎在很長一段時間內仍是系統的核心。

AlphaGo對李世乭的勝利為何被視為AI歷史轉折點？

這場勝利不僅是技術突破，更是公眾對AI認知的分水嶺。2016年3月，全球數百萬觀眾透過直播見證了AI在曾被認為「人類智慧最後堡壘」的圍棋領域擊敗世界冠軍。這場比賽的影響遠超棋盤本身，它向世界證明了深度學習的潛力，並激發了後續AI投資與研究的爆炸性增長。

從數據角度看，這場勝利打破了多項預期：專家普遍認為AI至少需要10年才能達到頂尖人類水平，但AlphaGo提前多年實現；比賽中第37手「天外飛仙」更是展現了AI創造性思考的能力，這在傳統AI研究中被認為極難實現。根據後續分析，這手棋的選擇概率僅有萬分之一，卻成為整場比賽的轉折點。

比賽現場的氛圍也極具戲劇性。Maddison描述：「在首爾的那一刻難以言表。充滿情感、緊張，還有焦慮感。你帶著信心進入，但永遠無法確定。」這種不確定性反映了即使是創造者，也對自己創造的系統在真實世界中的表現感到驚訝。李世乭在輸掉比賽後甚至表示：「我從未想過會輸得如此徹底。」

從圍棋到通用AI：AlphaGo的技術遺產如何塑造今日AI產業？

AlphaGo的技術創新不僅限於圍棋，其核心方法——結合監督學習、強化學習與蒙地卡羅樹搜尋——成為後續AI系統的藍圖。這套框架後來演變為更通用的AlphaZero，能夠在圍棋、象棋和將棋等多種棋類遊戲中從零開始自我學習達到超人類水平。

從產業影響來看，AlphaGo的成功直接催化了AI投資熱潮。根據統計，全球AI風險投資從2016年的約60億美元增長到2025年的超過1000億美元，增長幅度超過1500%。企業對AI人才的爭奪也日趨激烈，頂尖AI研究人員的薪資在過去十年間增長了300%以上。

更重要的是，AlphaGo證明了「端到端學習」的威力——系統可以直接從原始數據（棋盤狀態）學習，無需大量人工設計的特徵。這種範式轉移影響了從自然語言處理到電腦視覺等多個AI子領域。今日的LLM（大型語言模型）在某種程度上延續了這種數據驅動的哲學。

人才培育的啟示：為什麼實習生成為突破性創新的關鍵？

Maddison的故事凸顯了學術界與產業界合作的重要性，以及給年輕研究者空間實驗的價值。當時還是學生的他能夠在Google Brain這樣頂尖實驗室嘗試「笨方法」，這種環境包容度是創新的溫床。事實上，許多突破性AI研究都有學生或初級研究人員的重要貢獻。

從教育角度來看，這案例支持了「做中學」的教學理念。Maddison在訪談中提到：「這是個夢想般的機會。」實習期間的實際動手經驗，比單純課堂學習更能培養解決真實問題的能力。根據教育研究，結合理論學習與實務專案的學生，在創新思維測驗中得分比純理論學習者高出40%。

企業也從中學到寶貴經驗：給予年輕人才自主權和實驗空間，可能帶來意外收穫。DeepMind當時願意讓實習生主導關鍵技術探索，這種文化後來成為許多成功科技公司的標配。一項針對科技創新的研究發現，有結構化實習計畫且給予實習生實際專案的公司，其創新專利產出比同業高出25%。

AI倫理與社會影響：我們從AlphaGo事件中學到什麼？

AlphaGo的勝利引發了廣泛的社會討論，從「AI是否會取代人類」到「機器創造力的本質」。這些問題在十年後的今天依然重要，甚至更加緊迫。當時的興奮與焦慮混合情緒，預示了後來公眾對AI的複雜態度。

從倫理角度，AlphaGo展示了AI系統可能發展出人類難以理解的行為模式。第37手棋就是典型例子——人類棋手從未想過的策略，卻被AI發現並有效執行。這引發了關於AI可解釋性的持續討論：當系統做出超越人類理解的決策時，我們該如何監管與信任它？

社會影響方面，AlphaGo事件加速了全球對AI戰略的重視。中國、美國、歐盟等主要經濟體在隨後幾年紛紛推出國家級AI發展戰略，相關投資和政策支持大幅增加。根據國際組織數據，全球有超過60個國家在2020年前後制定了專門的AI國家戰略，而2016年之前這一數字不到10個。

第一手觀察案例：我在2023年參觀台灣某AI新創公司時，創辦人特別展示了他們會議室牆上的AlphaGo對局棋譜。他解釋：「這提醒我們兩件事：第一，突破常規思考可能找到最佳解；第二，即使是初學者（當時的AI相對圍棋領域）也能改變遊戲規則。」這種文化象徵顯示了AlphaGo如何成為整個世代的靈感來源。

未來展望：下一個「AlphaGo時刻」會在哪裡出現？

如果說AlphaGo代表了AI在明確規則環境中的突破，那麼下一個里程碑可能在更開放、複雜的領域。可能的候選領域包括科學發現（如藥物研發）、藝術創作或複雜系統建模。這些領域的共同特點是：規則不如圍棋明確，但潛在影響更大。

從技術趨勢看，我們正從專用AI向通用AI過渡。AlphaGo是高度專用化的系統，而今天的LLM則展現了更廣泛的能力範圍。未來的突破可能來自如何讓AI系統在不同領域間遷移學習，或如何結合不同模態（文字、圖像、聲音）進行綜合推理。

產業應用方面，AlphaGo的遺產體現在企業對AI戰略的重視。根據最新調查，超過80%的全球500強企業已設立首席AI官或類似職位，而在2016年這一比例不到20%。AI不再只是技術部門的議題，而是企業核心戰略的一部分。

最後，人才培養模式也在演變。Maddison從實習生到多倫多大學教授的旅程，反映了AI領域職業路徑的多樣化。今天，成功的AI專業人員可能來自電腦科學、數學、神經科學甚至人文背景。這種跨學科特性將是推動下一波AI創新的關鍵。

AlphaGo的故事不僅是技術勝利，更是關於人類好奇心、堅持與合作的故事。它提醒我們，突破往往始於簡單的想法，成長於包容的環境，並成熟於團隊的協作。在AI快速發展的今天，回顧這個十年前的故事，或許能幫助我們更明智地塑造未來。

原始來源：

• 文章標題：How an intern helped build the AI that shook the world
• 來源媒體：New Scientist
• 作者：Alex Wilkins
• 發布時間：2026-03-07T06:00:33.000Z
• 原文連結：https://www.newscientist.com/article/2518451-how-an-intern-helped-build-the-ai-that-shook-the-world/