AlphaGo（阿尔法围棋程序）总体上由两个神经网络构成，以下把它们简单称为“两个大脑”。这只是一个比喻，在对弈时，这两个大脑是这样协同工作的：第一个大脑的简单模式会判断出在当前局面下有哪些走法值得考虑。第一个大脑的复杂模式通过蒙特卡洛树来展开各种走法，即所谓的“算棋”，以判断每种走法的优劣。在这个计算过程中，第二个大脑会协助第一个大脑通过判断局面来砍掉大量不值得深入考虑的分岔树，从而大大提高计算效率。与此同时，第二个大脑通过下一步棋导致的新局面的优劣也能给出关于下一步棋的建议。最后，两个大脑的建议被平均加权，做出最终的决定。

其实，这两个大脑的工作方式确实和人类很相似，一个__________细部，一个__________全局。但AlphaGo最终结合两者的方式相当简单粗暴：让两者各自评估一下每种可能的优劣，然后取一个平均数，这可绝不是人类的思维方式。

对人类来说，这两种思考问题方式的结合要复杂得多——不仅仅在围棋中是这样。人们并不总是同时对事态做出宏观和微观的判断，而是有时情绪、心理和潜意识的应激反应。这当然是人类不完美之处，但也是人类行为丰富性的源泉。

为什么要让人工智能去下围棋？有很多理由。但在我看来最重要的一个，是能够让我们更深入地理解智能的本质。

神经网络和机器学习在过去十年里跃进式的发展，确实让人工智能做到许多之前只有人脑才能做到的事，但这并不意味着人工智能的思维方式接近了人类。而且吊诡的是，人工智能在计算能力上的巨大进步，反而掩盖了它在学习人类思维方式上的短板。和国际象棋中的深蓝系统相比，AlphaGo已经和人类接近了许多，深蓝仍然依赖于人类外部定义的价值函数，所以本质上只是个高效计算器。但AlphaGo的价值判断是自我习得的，这就有了人的影子，而且AlphaGo的进步依赖于海量的自我对局数目，这当然是它的长处，但也恰好说明它并未真正掌握人类的学习能力。一个人类棋手一生至多下几千局棋，就能掌握AlphaGo在几百万局棋中所训练出的判断力，这足以证明，人类学习过程中还有某种本质是暂时无法用当前的神经网络程序来刻画的。

这当然不是说AlphaGo应该试图去复制一个人类棋手的大脑，但是AlphaGo的意义也不应该仅仅反映在它最终的棋力上。它是如何成长的？它的不同参数设置如何影响它的综合能力？如果有其他水平相当的人工智能和它反复对弈，它能否从对方身上“学到”和自我对弈不同的能力？对这些问题的研究和回答，恐怕比单纯观察它是否有朝一日能够超越人类重要得多。

某国承办了一次国际大赛，决定将赛事分配给该国的3个城市具体筹办。现有甲、乙、丙、丁、戊、己、庚7个候选城市通过了初选。根据要求，最终负责筹办的城市还需符合以下条件：
（1）甲和乙要么都入选，要么都不入选；
（2）丙与丁至多只能有一个入选；
（3）丙和甲至少要有一个入选。

喜马拉雅山是目前地球上最高的山脉。其顶峰珠穆朗玛峰高达8848米，堪称世界之最。

近半个世纪以来，地质学家对喜马拉雅山进行了研究，特别是近20年来世界各国学者纷纷对青藏高原进行实地勘测，弄清了喜马拉雅山脉的来龙去脉。科学家们从喜马拉雅山的远古海底沉积层中找到了鱼龙、三叶虫、珊瑚、海藻等古海洋生物的化石标本，从而证明：早在4000～5000万年前，喜马拉雅山脉所处地区是一片湛蓝的大海。

众所周知，地球最上层约不到100公里的厚度是一层带有弹性的坚硬岩石，叫做岩石层，岩石层可以发生脆性断裂，形成为数不多的板块，板块之间可以作相对运动。根据板块大地构造假说，科学家们将全球岩石分为6个大板块，即欧亚板块、美洲板块、非洲板块、太平洋板块、印澳板块和南极板块。喜马拉雅山脉的形成就是由于欧亚板块和印澳板块的互相碰撞，使得沉积在海中的巨厚沉积岩褶曲隆起所致。这样古海便渐渐消失，代之以高耸入云的山脉。

科学家们经过测量，发现印澳板块至今仍在向北漂移，致使喜马拉雅山脉继续不断升高。近万年来，喜马拉雅山脉升高了500米，即以每年5厘米的速度在上升。一些地质学家认为，地球上的山脉是不会超过万米的。他们曾用生活中的一个例子作解释。（）①我们用雪白细嫩的豆腐来“叠罗汉”，（）①不需叠上几层，最底层的豆腐必将由于承受不了其上的压力而最终“垮台”。这个例子同样适用于山脉的升高。因为山脉的升高也像是“叠罗汉”，只不过是用泥土、岩石在不断堆积而已。在山体不断抬升之际，山底所承受的压力也是相应增大，一旦达到极限，偌大的山体就会像豆腐那样散架崩塌。经过推算，科学家们认为这个极限负荷是当山脉上升到10000米时的负荷。这一假说同样证明了地球上至今没有万米高山的原因。然而，喜马拉雅山脉还在不断上升，（）②上升速度仍保持每年5厘米不变，（）②不用25000年，高度将超过万米。到那时，喜马拉雅山脉是散架崩塌，还是继续高耸地球上，可以说至今还是一个谜。