您正在使用IE低版浏览器，为了您的雷锋网账号安全和更好的产品体验，强烈建议使用更快更安全的浏览器
Google 和 Facebook： 究竟是谁搞定了围棋人工智能？| 深度
【编者按】本文来自知社学术圈士奇。美国时间1月27日，与Google两家之间玩了一场没有硝烟的战争。在相隔不到几个小时的时间里，双方先后公布了自家人工智能技术(AI)在围棋软件上的进展与水平。如此紧张的撕咬，恐怕并非巧合。我们来看看到底谁家的人工智能更强一些......| Facebook&脸书的声音周三早上，Facebook创始人扎克伯格在自己的脸书上敲了这么一段：“……科学家们已经花了20年教电脑兄下围棋，现在我们马上要实现啦 (We’re getting close)。在过去半年里，我们所创造的AI只用0.1秒就走一步，效果与以前那些几年才设计出来的系统一样好……”背后的故事Facebook去年11月就在International Conference on Learning Representations (ICLR) 上发表了论文《Better Computer Go Player with Neural Network and Long-term Prediction》作者为Yuandong Tian和Yan Zhu两名华人。论文介绍了代号为黑暗森林的围棋人工智能系统。几乎在扎克伯格发布消息的同一时间，Facebook人工智能研发中心发表了该论文的更新版，中心负责人Yann LeCun也在Facebook上作了相关介绍。该项目独立带头人Yuandong Tian表示：“围棋中极多的分支因子使得传统的搜索技术难有建树，即使在尖端硬件平台上运行也非常乏力。如果换了黑白方，围棋的评估体系也会有很大变化。”（Facebook围棋程序已达业余五段水平）这一次，他们在新版本系统黑暗森林2上面加入了蒙特卡洛树搜索，与之前的卷积相结合后，性能有了进一步提升。对战人类棋手时，黑暗森林2可以达到业余三段水平；通过7.5万次运行后，则可以在KGS服务器上稳定保持在业余五段水平。| Google&谷歌的声音同一天，Google在官方博客中表示：“……我们很骄傲地公告天下，我们的科学家已经搞定了围棋，并攻克了人工智能领域的一项重大挑战 (achieved one of the grand challenges of AI)……”两边的开场白都从介绍中国古代这项头脑竞技开始，Google甚至还提到了孔子和四艺。不过就后面的用词来看，Google的技术似乎更胜一筹。背后的故事Google的围棋论文可谓来得早不如来得巧。同样在1月27日，DeepMind团队发表的《Mastering the game of Go with deep neural networks and tree search》作为Nature封面论文上线。DeepMind是一个位于伦敦的人工智能团队，2014年其公司被Google以4亿英镑的价格收购。团队创始人Demis Hassabis在周三发表的官方博客中表示，他们开发的围棋程序AlphaGo融合了高级树状查找和深度神经网络。通过对神经网络进行的3000万步训练 (所有棋谱均来自人类专业棋手的比赛)，AlphaGo预测出人类对手下一步走法的正确率已经达到了57%，之前的纪录是44%。（AlphaGo 5-0 击败樊麾）谈到围棋战绩，Google明显应该更骄傲一些。AlphaGo在日以五连胜的成绩击败了欧洲围棋冠军樊麾。这次对决完全符合比赛规则，没有任何让棋设定。今年三月，AlphaGo将对阵世界顶尖棋手——韩国“飞禽岛少年”李世乭。让我们拭目以待。（韩国棋手李世乭）|&专家怎么看？樊麾，年三度欧洲围棋冠军在中国，围棋不仅是一项比赛，它还是生活的一面镜子。我们说，假如你的棋下得有问题，那很可能是你心性的问题——棋如其人。输棋确实很难过。和AlphaGo对战之前，我觉得我能赢。在第一局失利后，我改变了战术，增强了进攻，但还是输了。问题是人类有时会犯致命的错误，因为我们是人。有时我们会疲惫，有时我们求胜心切，我们总有这样那样的压力。电脑程序不会这样，它非常强，也非常稳定，简直就像一堵墙一样。对我来说这是很大的差别。我知道AlphaGo是个电脑，但如果没人告诉的话，我可能会觉得它是个有点陌生却又非常强大的对手，是个真人。当然，输掉比赛让我不太开心，不过作为职业选手，我们输过很多比赛。所以，失败了就从中学习，也许会有所收获。总之从长远来讲这是一件好事。Toby Manning，英国围棋协会司库，樊麾人机对战的裁判围棋玩家都知道，人工智能尚未解决围棋这个问题。所以我想人们会希望见到电脑达到人类专业水平，但我觉得这可能还要10年的时间。在这次比赛中，我本来是看好樊麾的。很神奇的是，在比赛过程中你很难分辨谁是人类，谁是电脑。在很多围棋软件的比赛中，你可以看到很多合理的棋路，然后电脑还是会瞬间崩盘。但这次不一样，你真的很难分辨谁是谁。AlphaGo与人类不同的一大特点是掌控时间的方式，樊麾下棋所用的时间比电脑要长。AlphaGo的路数看起来并不像人类那样具有侵略性。它会平静地布局，而非发起进攻或试图吃掉一片棋子。我认为围棋界的主要反应会是，就像IBM的深蓝获得国际象棋大师地位后一样，人们希望自己能够掌控软件，并在自己的比赛中弥补自己的不足。Hajin Lee，国际围棋联合会秘书长当我知道那个电脑要挑战职业顶尖棋手李世乭的时候，真的很吃惊。我当时觉得这个挑战者绝对对顶级选手有多强完全没概念。但实际上，可能我才是那个不知道这个电脑有多强的人。现在我对这个比赛非常兴奋。谁会赢呢？我不知道。李世乭自己也觉得可能那电脑跟他一样强。可能是我听到了太多AlphaGo的消息，我现在惊讶于它的强大。同时我也非常了解李世乭的水平，所以我认为他们双方五五开吧。我觉得围棋是个很有内涵的竞技，我不觉得如果电脑AI击败了人类会对围棋造成什么伤害。我想人们会接受自己被电脑技术超越这件事。Jonathan Schaeffer，阿尔伯塔大学计算机科学家，Chinook设计师我想这还不是围棋版的深蓝时刻。真正的成就是这个程序能作为选手在顶级比赛中较量的时候。深蓝从1989年开始就常常战胜各路大师，最后登顶则是八年之后的事情。但就目前情况来看，我认为AlphaGo和顶级人类选手之间的差距被大大缩短了。可能只需要再进行一点努力和改善，再提高一点计算能力，不出一两年，它就能打败人类。就今年3月份的比赛来说，不是打击AlphaGo团队，我还是看好人类。我们可以把AlphaGo看成是少年天才。它突然学了一手好棋，进步神速，但毕竟还是经验有限。从国际象棋和西洋跳棋来看，经验还是很重要的。Demis Hassabis，DeepMind创始人AlphaGo正在突飞猛进，甚至会超越最棒的人类选手。能够看它在围棋规则内去创造新的东西，感觉很神奇。我们对自己创造的这个系统有种很密切的感情，特别是它被创造的方式——它会学习，我们也会教它，它的风格就像人一样。和其他编出来的程序不同，你不知道它到底都会什么，因为它能够自己学习。| 结语用Facebook人工智能研究中心Yuandong Tian的话说，两家公司确实存在着某种“友好”的竞争。是呀，这样两家公司之间的较量一定是件好事。脑海里不禁想起了去年Google Chrome团队送给Microsoft Edge团队的那个大蛋糕，不知道这一次是谁送给谁呢？参考文献1.&Nature doi:10.1038/nature.2.&http://120.52.73.78/arxiv.org/pdf/.pdf3.&Googleblog、Facebook、&Wired【作者介绍】知社学术圈，由清华教授发起的海归学者发起的公益学术交流平台，旨在分享学术信息，整合学术资源，加强学术交流，促进学术进步。作者文章推荐阅读：
同步到新浪微博
中国智能硬件第一媒体。
海归学者发起的公益学术交流平台，旨在分享学术信息，整合学术资源，加强学术交流，促进学术进步。
扫描二维码，关注作者
当月热门文章
本栏目由提供
为了您的账户安全，请
您的邮箱还未验证,完成可获20积分哟！
您的账号已经绑定，现在您可以以方便用邮箱登录虎嗅网 - 小扎很爱AI，Facebook也在研究下围棋，这种人工智能是无害的么？ - 科技新闻 - 新闻详细内容 - 后花园网文
虎嗅网 - 小扎很爱AI，Facebook也在研究下围棋，这种人工智能是无害的么？
(左方向键)&(右方向键)&(回车键)&(B键)&&(N键)&(S键)&&&浏览次数:15&&&&发布时间: 15:56:00&&&出处:虎嗅网&&&
　　今早（1月28日），我们都知道了谷歌的AI（人工智能）程序领域AlphaGo击败了职业围棋选手，并要进一步挑战韩国围棋9段选手李世石，李世石是近10年来获得世界第一头衔最多的棋手。　　其实，Facebook在专注社交领域之余也在潜心研究AI技术，同时也关注了围棋的AI算法。　　在本周三时，Facebook的CEO Mark Zuckerberg就表示，“我们的AI程序可以基于搜索并根据游戏的进展，布局每一步棋可能的移动的位置。”如今这版本的AI围棋算法已经明显比其上一版本要快很多（Zuckerberg强调目前每步只需0.1秒），并且这版算法也保留了之前版本的优点。　　为何AI技术都会关注在围棋领域，因为不同于国际象棋，由于围棋的规则，围棋的每步落子与战略布局都会有更多的排列组合，对于AI技术来说是一个技术上更难以攻克的项目。因此，如果谁家的围棋AI技术可以胜过人类冠军选手，就能在某种程度上说明这家公司的AI水平更厉害。目前还没有一个围棋的AI程序可以击败人类围棋冠军选手。　　每个企业家对待AI的态度都不同，在Elon Musk看来，AI就是人类的敌人，当他提到AI时他会说，“我们不要做蠢事情。”在2014年，Musk就提出过“AI是魔鬼”的论调，而且他的阵营里也不乏像Bill Gates和Stephen Hawking这样站在技术、知识前沿的人。　　但Zuckerberg与他们持相反的观念。今天年初Zuckerberg曾发表过希望过上钢铁侠Tony一样的生活，拥有一个Jarvis一样的管家，利用VR实现远程办公。　　在Zuckerberg的设想里，AI家具系统可以让你控制室内的“音乐、灯光、温度等等。”他还提到希望这个家具系统可以识别出来访者是房屋主人的好朋友，然后自动开门让访客进来；在房主刚出生的女儿哭闹时，提醒房主给予婴儿关爱。而最重要的是，扎克伯格希望这些功能可以被普及到平民家庭，而不只存在于百万富翁的家中。目前，扎克伯格已经找到了一款他喜欢的产品：“对于音乐服务来说，亚马逊的Echo就很棒。当我照顾Max（Max是扎克伯格刚有的女儿）两手空不开时，我可以通过语音控制音乐。”#刚放完产假的扎把拔三句不离女儿，唔呦~　　Zuckerberg认为，“我们不应该对AI感到害怕。相反的，我们应该对其中可能造福人类世界的美好的一面寄予厚望。譬如AI将能够通过诊断疾病来挽救生命，能够代替人类驾驶以创造更安全的环境。AI还能够在帮助人类找到新行星以及更进一步了解地球气候等领域实现突破。AI将能够在一些我们今天尚未想到的领域为我们提供帮助。”在Zuckerberg看来，AI可以帮助人类提高生活质量。　　Zuckerberg提到的AI实际上是一种轻度人工智能，这样产品会按照人类的意愿定向地去完成指定的服务。　　但有一种可能，大家想象一下。有一天VR产品做得极致，可以让一切体验都如身临其境般真实，那么人类就可以足不出户。比如，当你想与朋友约会时，可以联系朋友一起打开VR产品，双方就可以像真的一起相约出去一样，你可以“摸到”ta，可以“闻到”草地的味道，可以“吃到”准备好的薯片等等。甚至你可以连朋友都不需要拥有，产品通过技术为你定制出你想要的任何人物形象，并与ta（们）约会。同时，像Zuckerberg提到的那样，房间会智能地为你提供你想要的一切，除了温度、音乐，当你想要苹果时，家里的冰箱或“管家”可以把它给你送到手中。　　而这之后，我们继续想象一下。我们可能会变成社会的“无情”人，人类之间不再需要面对面真正地交流，也不需要去大自然中，因为一切都可以通过VR呈现出和现实一样的环境，就像《黑镜》中演到的那样。也不要自己动手亲力亲为任何事情，机器人可以帮你完成。　　因为懒惰，一定有人可能连“健身”都会放弃掉，活在这个星球上只靠一颗脑，剩下的一切都可以机器帮你完成。甚至，最后连机器的智力、学习能力都比你高。　　到那时，人类的存在意义是什么，四肢还是否会存在？当机器比人类更“智能”时，我们是否还会被给予生存的权利？　　以现在的技术来说，距离这一天还很远，也许我们还不需考虑至此；也许这个逻辑过于简单，没有考虑到其他变量的影响，但是否我们需要为这样的一天到来而对AI保持警惕。　　我们总该用点什么,不然就错过了这个丰腴的时代,如果你正在想着应该用点什么来改变自己的生活,那你已经找对地方了,点击下载独物,或者在应用市场搜索“独物”下载,我们来聊一聊!更有免费众测待你参与（原标题：小扎很爱AI，Facebook也在研究下围棋，这种人工智能是无害的么？）
『』的更多其他内容（随机显示）01、 02、 03、 04、 05、 06、 07、 08、 09、 10、 11、 12、 13、 14、 15、 16、 17、 18、 19、 20、 21、 22、 23、 24、 25、 26、 27、 28、 29、 30、 31、 32、 33、 34、 35、 36、 37、 38、 39、 40、 41、 42、 43、 44、 45、 46、 47、 48、 49、 50、谷歌AI攻破围棋了，然而你眼中的「AI」真的是AI吗？--百度百家
谷歌AI攻破围棋了，然而你眼中的「AI」真的是AI吗？
分享到微信朋友圈
「人工智能」这个词现在已经被用滥了
来源丨medium
作者丨Jeffhawkins&&Donna&Dubinsky
编译丨拓扑社&&原野
编者按：围棋被视为计算机最难精通的游戏，尽管上世纪90年代，IBM超级计算机“深蓝”已击败国际象棋世界冠军，但是围棋一直未被技术攻克。今天谷歌宣布其新开发的AlphaGo以5：0完胜欧洲围棋冠军，人工智能再一次引发关注。然而在「人工智能」这个词已经被滥用的当下，你眼中的「人工智能」真的是人工智能吗？它又分为哪些方面？我们距离真正的人工智能到底又有多远呢？下面就由人工智能初创公司&Numenta&联合创始人&Jeffhawkins&和&Donna&Dubinsky为大家做普及拉，搬好小板凳吧。
「人工智能」这个词现在已经被用滥了，是不是屏幕上出现个卡通形象，能跟你对几句：「How&are&you&,&fine,&thank&you&and&you&?」这就是人工智能了？其实所有人对于它的理解早已经偏离了轨道，而「人工智能」领域的技术发展也使得它的内涵不断地发生变化。那么，什么才是真正的人工智能？它到底分哪些方面？我们距离真正的人工智能到底还有多远？
人工智能分为下面三个种类
别人经常问我们这样的问题：你们的科技产品究竟跟其他人有什么不同？这个问题非常难以回答，因为几乎所有人对「机器学习」、「机器智能」、「深度学习」、「人工智能」等概念都没有一个统一的定义。每个人都有自己的理解。更何况随着技术的不断创新，这些概念的范畴也在不断变化。上世纪&60&年代大家所说的「人工智能」和现在的人工智能可不是一码事。
让我们把这些混乱的概念捋清楚吧！通常来说，如果想要打造一台「聪明」的机器，有三个途径能够办到。它们分别是：经典&AI（Classic&AI）、简单神经网络（Simple&Neural&Networks）以及生物神经网络（Biological&Neural&Networks）。本文接下来的内容就是分别对每一个概念做说明。最终我们还会举出一个例子，说明不同的三种途径为何都指向同一个问题。而且本文主要是侧重于商业层面的介绍而非技术层面，所以内容尽可能做到通俗易懂，所以拜托那些行业里的专家老手不要吹毛求疵，逮着一些边边角角的问题吐槽不止。
经典人工智能（Classic&AI）
实现人工智能在一开始，只是针对计算机程序的开发，使得程序能够处理一些对于人脑来说最简单的任务，比如识别文本，又或者是在照片中识别物体。这方面的科研进展一直非常缓慢。
对于很多需要处理的问题，研究人员都表示计算机必须介入到足够大量的信息，才能逐渐摸到「智能」的边界。为此，他们推出了「专家系统」，一套结合了专业领域知识、规则，用来解决问题的计算机程序。比如在医疗领域通过询问各种各样的问题来丰富这个系统，如果这个计算机程序没有回答上来提出的问题，那么专家就会补充问题的内容，将分析的范畴缩小。经典人工智能往往是用来解决某一个具体问题的。
IBM&的&Watson&被视为「经典&AI」中的典型代表。它基于某个特定的问题，创建一个超级宏大的知识库，虽然它不依赖于「编码规则」（encoded&rules），但是它要求专家能够深入其中，提供数据以及评估计算机的人工智能表现。之所以「经典&AI」要瞄准某一个专业领域来解决问题，是因为它本身就没有能力进行真正意义上的自我学习的。所以从这点上来说，它其实跟我们大众经常谈及的「人工智能」概念相去甚远。
简单神经网络方式
当「经典&AI」的技术局限性越来越清晰可见，一些研究人员转向了另外一个领域：智能计算机应该仿效人脑的神经网络来重新打造，最后就应运而出人工神经网络（ANN）技术，它出现在&50&多年以前，当时几乎没有什么人知道人脑神经是怎么工作的。从那时候开始，神经学家开始进入到神经解剖学以及生理学，但是&ANN（人工神经网络）领域却几乎没有什么起色。所以，尽管挂了个「神经网络」的名字，但是&ANN&其实跟真正的神经网络并没有什么关系。相反，ANN&的强调已经从现实生物层面转向了不依靠人工介入而提取数据。所以&ANN&最大的优势就在于，它再也不需要人为地去给系统设定一些规则，而直接从数据中学习一切了。如今的&ANN&被归到了具有更宽范畴的「机器学习」这个领域之内。在「机器学习」里还存在其他数学及统计上的科技创新。机器学习，其中包括了&ANN，着眼于数据更加宏大的范畴，提取更具价值的信息，并将结果分出不同的类别。
如今的&ANN&已经朝着「深度学习网络」迈进，其原因是目前计算机性能的飞速提升，以及可供电脑「练习」的信息量的指数级提升。深度学习所解决的问题包括了：图片识别、语言翻译、以及反垃圾邮件机制。
尽管「简单神经网络」能够解决「经典&AI」无法解决的问题，但是它也是存在局限性的。举个例子，如果机器进行「学习」的时候数据量没有大到一定程度，那么这项技术就无从谈起。另外，发生在数据之间的关系如果不稳定，经常变化，那么这一类问题它也应付不来。简而言之，「简单神经网络」是试图利用高级数学领域的很多方法，从大规模的统计数据组合中寻找到一些固定的模式，进而形成自己的人工智能系统。
但是，在经典人工智能以及简单神经网络的能力范畴之外，还存在大量亟待解决的问题。在我们看来，这两种方式并不能称之为「真正意义上的人工智能」，它们也无法引领我们走向彼岸，于是，就有了第三条路径。
「生物神经网络」
所有人都同意人脑就是一个智能系统，这也是所有人认可的唯一一个真正智能性的事物。我们相信，通过学习大脑的工作机理来搞清楚所谓的「智能」是什么，大脑中哪些部分决定着「智能」，进而开发出真正意义上的人工智能系统。举个例子，我们都知道大脑是利用「稀疏分布式呈现」（Sparse&Distributed&Representation&简称「SDR」）这种工作机理来工作的，它是「语义概括化」及「创新」的决定性因素。
我们也相信，真正意义上的智能机器将是基于&SDR&来开发的，而&SDR&并不是那种可以模块化嵌入到现有技术上的东西，它更像是一个系统或者平台，所有的东西都要植根于上面。另外智能系统还包括了「模式序列化的记忆」、「持续不断的学习」、「行为将作为学习的核心组成部分」等等内容。另外，我们都知道生物神经组织远比「简单神经网络」中所使用的简单神经元要复杂得多，而决定了这两者为什么会有这么惊人的差异的东西就是人类需要攻克的内容。现在人们之所以还没有实现真正意义上的人工智能，就是因为故步自封，在「简单神经网络」方法上做渐进性的创新。而如果想要获得人工智能，那么就得彻底从这个方式上跳脱开，从无到有的以一种更加接近于生物学意义的方式来从事人工智能的研发工作。
Numenta&的科技产品：Hierarchical&Temporal&Memory（HTM）是「生物神经网络」（Biological&Neural&Network）方法的最佳代表。HTM&系统能够学习数据流的结构，侦测异常状况以及预测。它持续不断地从未打标签的数据上进行学习。通过采取一种更加接近生物机能的方式，大脑给了我们一张去往未来的路线图，比如帮助我们完成对行为、注意力、短期记忆等功能的理解。这张路线图让&HTM&能够拥有其独特的优势，成为了最有可能打造出人工智能的「候选人」之一。
让我们选择一个问题，然后看看三种不同的路径都是怎么去解决相同的一个问题的。另外还得再次重申，我们出于便于理解的目的将以下的介绍进行简化，以最大化的凸显出三种途径的不同。
曾经有公司要求我们能够查出潜藏在员工队伍中的一些不良员工，发现这些员工在职场上的恶意行为。就比如说一些公司会有商业机密文件，它想知道目前拥有进入内部系统权限的人当中，到底哪些人正在滥用这个权力以及独有的信息。但是，员工的行为发生变化是非常正常合理的。比如他们的岗位角色发生变化，职责也相应的变化。所以从中找出那些「恶意员工」是一件很难办到的事情。
解决方案：
「经典&AI」
「经典&AI」方法通过引入一系列的规则来解决问题。举个例子。让我们假设现在有一名分析师，他可以接触到保密级别的客户数据。「经典&AI」系统就会需要一个人来列举出问题有可能发生的场景，然后给这个系统编程，最后按照这些场景所具有的特点来在现实中寻找对应的例子。这个解决方案里面有可能会包括这样的例子：分析师在一个月内查看客户档案超过&10&次。
当「经典&AI」首次配置好，肯定会出现一些错误判断，把「好」的认为是「错」的，又或者是反过来。这些例子被单独挑拣出来，然后对系统进行重新修正，规则得以完善。在新的规则之下，一个月头几天时间里如果分析师查看了&10&次以上的保密信息将不会被挑拣出来，而在其他时间段里则会被视为「恶意行为」。
「简单神经网络」
「简单神经网络」则不同。它是立足于大量的历史数据，也就是曾经出现过保密信息泄露，将这些已知的信息集合成一个巨大的数据包。这个数据包在经过「简单神经网络系统」的处理之后，得到的结果是：「信息的滥用往往会发生在这个月的最后一个星期」。然后系统会比对每一个员工的行为，将其分类成「异常的」和「非异常的」。尽管这听上去跟「经典&AI」有点儿相像，但是软件的功能是来自于数据，而不是某一位专家人为的设置。
这两种方法都存在一些短板。在「经典&AI」的解决方案之下，你需要知道你正在寻找什么。但是罪犯是会为了躲避侦测而不断地变幻策略的，而规则肯定在新形势下就不适用了。而在「简单神经网络」解决方案之下，存在大量被打好标签的信息是前提，这样才能够从中发现一个共同的特点，但是这样的数据是跟某种特定的行为牢牢绑定在一起的。两种方式在面对「个人行为的模块化」上都不是很合适，一旦有新的模式出现，整个系统就要重新调整校对。
「生物神经网络」
「生物神经网络」会从每一个分析师那里获取到数据（比如文件每天被查看的频率次数，邮件收发的数量等等），然后自动给每一个人建立一个「正常状态下的行为规范」模型。然后这个系统就会预测出来每一位分析师的正常行为是什么，异常行为是什么。所有的模块化计算全部都是自动完成的，不需要任何人工干预。它能够处理各种各样的指标，在「一视同仁」，不区分重要级别的前提下将大量数据进行高效处理。「生物神经网络」并不需要知道它正在找的东西是什么，而且还会针对每一个个体进行独立的建模，然后随着数据的变化而不断地进行自我纠正调整，也就是我们所说的学习。
我们回到最初的话题上。「人工智能」这四个字现在满大街都是了，已经用滥了。除了上面三种最为专业的途径之外，还附带其他旁门左道，因此已经失去了实际意义。而「机器学习」这个词的范畴就相对窄很多，它意味着从数据中去学习，其中包括了神经模型（ANN&以及深度学习）。我们使用「机器智能」来形容那些向「生物神经网络」看齐的，具有学习能力的机器。
尽管目前我们离理想中的「人工智能」相距甚远，但我们相信「生物神经网络」是目前实现真正意义的「智能机器」的最快，也是最直接的途径。
拓扑社也开始招聘啦，欢迎对企业级服务领域感兴趣的小伙伴联系我们，我们招聘岗位有新媒体运营、编译、分析师等，简历请发送至,&或者直接加上拓扑社负责人的微信号推荐或者自荐哦：&&陈菁，谢谢！
本文为拓扑社原创，未经同意不得转载或引用
寻求报道&合作请联系：
分享到微信朋友圈
在手机阅读、分享本文
还可以输入250个字
推荐文章RECOMMEND
阅读：20万
阅读：17万
阅读：17万
热门文章HOT NEWS
从只闻其声、不见其人，再是全脸被打上马赛克，然后是远景侧脸，直...
娱乐资本论
果粉俱乐部
小渔村科技
韩国今日亚洲
百度新闻客户端
百度新闻客户端
百度新闻客户端
扫描二维码下载
订阅 "百家" 频道
观看更多百家精彩新闻当前访客身份：游客 [
懒人推动世界的发展。
：引用来自“陨落的星石”的评论踏踏实实干事才是王...
：引用来自“陨落的星石”的评论踏踏实实干事才是王...
：引用来自“陨落的星石”的评论踏踏实实干事才是王...
：引用来自“陨落的星石”的评论踏踏实实干事才是王...
：踏踏实实干事才是王道
：引用来自“nut”的评论向往自由，有着想象力，I...
：向往自由，有着想象力，ITer的生活也可以精彩
：引用来自“总是好心情”的评论程序员转行写小说里...
：程序员转行写小说里
今日访问：0
昨日访问：3
本周访问：6
本月访问：6
所有访问：1043
谷歌人工智能打败围棋大师，到底什么是智能？
发表于4天前( 11:22)&&
阅读（134）&|&评论（）
0人收藏此文章,
近日，谷歌旗下DeepMind公司开发的AlphaGo程序击败了欧洲围棋顶尖高手，科技界不仅虎躯一震，感到发现了重大突破。
然而，拨开大数据，深度学习，神经网络这层看似高精尖的外衣，其实无论围棋还是象棋，都不过是一个分支预测游戏。
谷歌人工智能打败围棋大师，到底什么是智能？
近日，谷歌旗下DeepMind公司开发的AlphaGo程序击败了欧洲围棋顶尖高手，科技界不仅虎躯一震，感到发现了重大突破。
然而，拨开大数据，深度学习，神经网络这层看似高精尖的外衣，其实无论围棋还是象棋，都不过是一个分支预测游戏。
分支预测又是啥呢？我们假设现在棋盘上只剩下3个空位给电脑选手的黑子去下，那么电脑选手会怎么判断呢，他们脑子里是怎么想的呢，我们来看下图：
电脑选手选中一个分支，然后开始计算白棋选手下一步可能的落棋点，然后再根据这些落棋点，再进一步预测每一个白棋落点落棋之后，黑棋可能的下一步走法，直到最后分出胜（√表示电脑赢了）负（x表示人类赢了）。然后计算一下获胜的总概率，这样三个选择会有三个不同的胜率，如果是你你会选择哪个？当然是选择胜率最高的了。
当然，这只是最简化的描述，实际的情况比这个要复杂的多，不过原理类似，所以我们看到事情的发展类似树根的分支结构，本质上就是一个分支预测游戏，而传统的线性计算的方式，就没有更类似人脑的神经网络的拓扑结构更有效率。
最早按照这个算法玩的是IBM的深蓝，对方每下一步，哥们就会计算出所有可能性，所以叫穷举法，把所有可能都列出来，然后算概率，这有点像破解密码的暴力破解法，就是利用计算机的高效率把几乎所有可能的密码组合都试一遍，然后就等着撞大运了。
这种方式有点傻，就像特斯拉评价爱迪生：“如果说有一根针掉进草垛了，让他去找，他会毫不犹豫的，一根一根草挑出来找” 也就是说无论深蓝的对手是国际象棋大师还是你家的猫咪，他都会按照棋盘走根本不关注对手是个啥。
而这次的AlphaGo的确比深蓝有了一些智能，他发现原来对手都是人，没有猫咪！于是他的开发者们就让他跟无数人类对手练习，据说积累了3000万步的训练，于是它就渐渐熟悉人类下棋的一些习惯和规则，知道在一定情况下，人类选手更倾向于怎么走棋。这就像当年图灵破解二战德国的enigma机，并不是靠精妙的算法，而是总结出了德国人电文中的语言习惯，这种习惯出现多了就能作为基础来倒推密文，所以也是靠着对人的了解和熟悉，而不是算法。再举个大家都熟悉的例子，我们在上中学的时候会大量的刷题，尤其是选择题的时候，即便我不知道到底答案是什么，也可以总结“出三长一短选最短;三短一长选最长;长短不一要选B;参差不齐就选D。”就是我们已经了解和熟悉了出题老师的出题习惯。
知道了人类选手更倾向走的步骤，AlphaGo同学就开始计算最容易让自己获胜的路线，然后利用人类的下棋习惯，一步步把对手引入自己的圈套中，最终取胜。。。
那么问题来了，如果对手换成你家的猫咪呢，AlphaGo同学已经哭晕在厕所。
嗯，好吧，我们现在可以进入正题了，什么才算是智能呢？
智能≠智力
很多人觉得智商，智力高低决定智能的高低，说的在具体一点就是计算能力，数学能力，甚至很多本身研究人工智能的人也这么认为，然而这只是拼图中的一块，并不是全部的蓝图。
如果按照智商决定论，那么生物的发展过程应该类似计算机的发展过程，然而并不是。
现在的“人工智能”顶多算作“大脑”但是光有大脑生命却无法存活。大脑可以处理输入进来的信息，但是它却无法知道应该让什么信息进入，就好像你的电脑，如果你不操作，它就是一堆傻缺废铁，什么也不会干。
所以接下来生命引入了遗传信息，这是一套伟大的发明，把40亿年生命在地球的物理化学环境下尝试出来的正确组合都存放在了基因中，这样我们每个人生下来就已经是装好windows的了，驱动程序也都自带，开机就能用，不用再自己编写操作系统，自己编写驱动，自己编写应用软件了。
即使以上两个部分都具备了，还不是真正的智能，智能应该是有自主能力的，有自我意识的，但即使具备了上述条件，也顶多算个机器人，如果你不告诉他要干啥，他还是不知道该干什么。
那么有什么好办法告诉生命该干嘛么？跟他说向左走？跟他说向右走？貌似不行，需要给他一个目标，那最本质的目标是什么，就是你要保证自己存活。只有有了这个内置目标的机器人才能算作拥有智能的生命。表现在外在就是要“吃”
“吃”在生命中无所不在，细菌也会吞食周围的营养物。其实“吃”也可以延展到非生命领域，比如物体之间万有引力，物体靠着引力聚合在一起，逐渐形成高质量的星球，星球开始靠着强大的引力吸引飞过的小行星进入他的“胃”中，这就是非生命的“吃”，吃的越多，他的质量就越大，结构就越稳定，如果当作生命来看，就是存活的更好。正如王东岳老师所说的“人性是物性的绽放,人道是天道的赓续”
所以我认为，真正的智能三者缺一不可，既要有逻辑计算的大脑，又要现成打包的系统基因，还要具有“存活”这最基本的动因，才能具备真正的智能。
现在看看你家的猫咪，其实比AlphaGo同学不知道
智能多少倍，人工智能，依然任重而道远。
更多开发者职位上
1)">1)">1" ng-class="{current:{{currentPage==page}}}" ng-repeat="page in pages"><li class='page' ng-if="(endIndex<li class='page next' ng-if="(currentPage
相关文章阅读