事實上，1997年俄羅斯西洋棋棋王蓋瑞卡斯帕洛夫被IBM超級電腦「深藍」打敗，就一度引起討論。因為西洋棋在俄羅斯文化中舉足輕重，即便今日，西洋棋仍是俄羅斯小學必修課程，可以想見當年卡斯帕洛夫被電腦打敗時帶來的衝擊。
西洋棋的合理棋局有10的47次方種，也就是10的後面加上47個0。深藍的運算速度，每秒鐘可算2億種棋局，能夠推算12步以後的結果，而人類高手大概可以推算10步。
2017年AlphaGo戰勝人類的圍棋，合理棋局有10的171次方種，兩者複雜程度相差10的124次方；但這並不代表能夠破解圍棋的AlphaGo，要比破解西洋棋的深藍強上10的124次方倍。
無論是深藍或AlphaGo，當時都還無法破解所有棋局，但為什麼還是能夠打敗人類高手？其中一個可能，是電腦推算步數的能力超越人類；另一個可能，則呼應了《后翼棄兵》這部劇。（延伸閱讀｜下棋輸，益智搶答也輸⋯⋯這件事，人類終於贏過AI！）
《后翼棄兵》影集敘述西洋棋新秀崛起的故事。圖片來源：Netflix
機器學習 拋下人類經驗創新局
《后翼棄兵》的英文劇名「Queen’s Gambit」，指的是在開局時先犧牲皇后前方的士兵，以取得後續優勢的開局法。西洋棋裡有非常多種開局法，在人工智慧的研究上稱為「人類的經驗法則」——經過長期經驗累積後，知道這樣的開局法及之後的走勢，再搜集各種下棋經驗後，成為棋譜。
當AlphaGo打敗棋王李世乭時，曾被批評AlphaGo不過是棋譜記的比人類多，根本算不上人工智慧。於是，其開發公司Google DeepMind決定推出AlphaGo Zero：一款只有圍棋基本規則、完全沒有存放人類經驗法則（棋譜）的電腦；Google讓AlphaGo Zero自己跟自己對弈，它在3天內就玩了400萬局，自己摸索出更新、更好的圍棋定式。
AlphaGo Zero不以人類棋譜為基礎，反以自我對弈、摸索出更好的圍棋定式。圖片來源：截自DeepMind網站
就連當時世界第一的中國籍圍棋高手柯潔都說，在與AlphaGo Zero對弈時，根本看不出對方下的子是好還是壞，因為AlphaGo Zero完全不照人類經驗下棋。
AlphaGo Zero利用機器學習（目前AI最常用的演算法），從零開始學了400萬局；從無知到無敵的過程，就像《倚天屠龍記》裡的張無忌學太極劍法及拳法——師父張三豐不斷問他「忘記了多少」，直到張無忌全部忘光原本所學，才真正達到太極的「無招勝有招」「神在劍先，綿綿不絕」。AlphaGo Zero也是拋下所有人類經驗，才能一口氣打敗柯潔，讓他完全摸不透，輸得心服口服。（延伸閱讀｜烏龍判決有解？哈佛實驗：AI法官少保釋5成高風險罪犯｜城市圖書館）
人腦能處理12個變數 AI能處理上萬變數
這是因為，「人類學習經驗」這個方法有個很大的限制，就是人腦能同時處理的變數有限。
當同時有10、12個變數要處理時，幾乎就已達到全人類極限；但目前多數的AI都能同時處理幾千、幾萬個變數；幾年後的AI，相信也都能用合理的成本，同時處理幾百萬到幾千億個變數。因此也有人認為，從此以後，「最強的人類再也贏不了最強的電腦」「AI可以取代人類」等等。
但在醫療領域，醫療AI若要像AlphaGo Zero一樣快速學習累積經驗，除非能夠找400萬個真實病人，讓AI自己嘗試對病人做各種診斷及治療，從各種可行、不可行的結果中自我學習，成為完全不靠人類經驗法則治病的「Physician Zero」——當然，這是絕對不可能的做法。
況且，疾病的本質並不像物理學的「E=mc²」，用3個變數就能解釋原理，做出決定正確診斷與治療。在醫學這種自然科學裡變數特別多，從相對簡單的身高、年齡、性別，到越來越複雜的飲食、運動、生活習慣、環境、吃過哪些藥、生過哪些病、基因、微生物體等零零總總加起來，可以保守歸納出超過200萬個變數因子。（延伸閱讀｜李友專專欄︱「AI會取代人類醫師」？你可能問錯問題了）
人的基因、體內微生物、生活習慣等自然變數皆會影響疾病狀況，因此較難以簡單的定理去歸納。圖片來源：Shutterstock
未來某一天，如果能用合理成本、長期且正確地蒐集人類的病歷，與這200萬個健康因子的大數據資料，讓AI做百萬個變數分析訓練模型，一定會產生在疾病的預測、診斷和治療能力上，超越人類醫生的AI。
而結合AI做到超多變項分析，加上人類的道德感與同理心，才能達到真正精準的醫學做出正確的預測、診斷與治療——人類與AI，要像《后翼棄兵》劇中的俄羅斯人一樣團結合作，才能打敗「疾病」這個可怕的對手！（延伸閱讀｜李友專專欄｜如何掌握醫療體系的「三不管地帶」？早覺醫療：醫療AI的新戰場（上））
未來城市・智慧醫療深度專題
