网友们看到这一幕，心头涌起一阵怜爱，呼吁多谅解。
露天公厕四面透风，只遮住重要部分，让人膛目结舌。
声明：本文由入驻搜狐公众平台的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
　　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。
　　一个例子
　　问题：
　　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：
欢迎举报抄袭、转载、暴力色情及含有欺诈和虚假信息的不良文章。
请先登录再操作
请先登录再操作
微信扫一扫分享至朋友圈
搜狐公众平台官方账号
生活时尚&搭配博主 /生活时尚自媒体 /时尚类书籍作者
搜狐网教育频道官方账号
全球最大华文占星网站-专业研究星座命理及测算服务机构
拓扑社是IT桔子旗下专注企业级服务的垂直媒体，关注和报导T...
主演：黄晓明/陈乔恩/乔任梁/谢君豪/吕佳容/戚迹
主演：陈晓/陈妍希/张馨予/杨明娜/毛晓彤/孙耀琦
主演：陈键锋/李依晓/张迪/郑亦桐/张明明/何彦霓
主演：尚格?云顿/乔?弗拉尼甘/Bianca Bree
主演：艾斯?库珀/ 查宁?塔图姆/ 乔纳?希尔
baby14岁写真曝光
李冰冰向成龙撒娇争宠
李湘遭闺蜜曝光旧爱
美女模特教老板走秀
曝搬砖男神奇葩择偶观
柳岩被迫成赚钱工具
大屁小P虐心恋
匆匆那年大结局
乔杉遭粉丝骚扰
男闺蜜的尴尬初夜
客服热线：86-10-
客服邮箱：播放列表加载中...
正在载入...
分享视频：
嵌入代码：
拍下二维码，随时随地看视频
您的智商已下线：谷歌围棋AI完败欧洲冠军
上 传 者：
内容介绍：
您的智商已下线：谷歌围棋AI完败欧洲冠军
Channel Me 精选
我来说点啥
版权所有 CopyRight
| 京网文[0号 |
| 京公网安备：
互联网药品信息服务资格证：（京）-非经营性- | 广播电视节目制作经营许可证：（京）字第403号
<img src="" width="34" height="34"/>
<img src=""/>
<li data-vid="">
<img src=""/><i data-vid="" class="ckl_plays">
<img width="132" height="99" src=""/>
在线人数：
<li data-vid="">
<img src=""/><i data-vid="" class="ckl_plays">
<img src="///img/blank.png" data-src=""/>
<img src="///img/blank.png" data-src="http://"/>
<li data-vid="" class="cfix">
src="///img/blank.png" data-src=""/>
<i data-vid="" class="ckl_plays">
<li data-vid="" class="cfix">
src="///img/blank.png" data-src=""/><i data-vid="" class="ckl_plays">
没有数据！
{upload_level_name}
粉丝 {fans_count}
{video_count}
{description}深入浅出谷歌人工智能围棋“大脑”,最强大脑速成围棋法,自然围棋人工智能,谷歌机器人围棋,ai最好围棋人机对弈,谷歌围棋比赛视频
深入浅出谷歌人工智能围棋“大脑”
时间： 22:35:55 来源：大数据文摘
原标题：深入浅出谷歌人工智能围棋“大脑”
　　转自|董老师在硅谷（ID: donglaoshi-123）
　　在象棋和国际象棋中，电脑软件都非常厉害，只有围棋是唯一“电脑下不过人类”的项目。而今年1月份有个爆炸性新闻：谷歌DeepMind开发的人工智能围棋程序AlphaGo以5：0的压倒性优势击败了欧洲围棋冠军、专业二段棋手。那么3月份AlphaGo会和韩国九段、世界冠军李世石进行对弈。如果此役AlphaGo获胜，这意味着人工智能真正里程碑式的胜利。
　　这也引起了笔者好奇心，在春节期间，跟Facebook的田渊栋（他的背景无可挑剔，卡耐基梅隆大学机器人系博士，Google X 无人车核心团队，Facebook人工智能组研究员）交流，他做的也是计算机围棋AI－－黑暗森林（熟悉三体的朋友知道怎么回事），今年1月份他的文章被机器学习顶级会议ICLR 2016接受，（表达学习亦被江湖称作深度学习或者特征学，已经在机器学习社区开辟了自己的江山，成为学术界的一个新宠。）
　　他聊天中谈到自从谷歌收购了DeepMind，投入大量资源去做好人工智能项目，不为别的，就是要向世界证明谷歌智能的强大。发表在顶级期刊《Nature》的论文光看作者就20个，明显是下了血本，前两位都是计算机围棋界的大牛，一作David Silver是计算机围棋和强化学习的顶级专家，整个博士论文就是做的围棋; 二作Aja Huang以前写过多年围棋软件，自己又是AGA 6D的水平。
　　还是不多说废话，下面是SpinPunch CTO 对AlphaGo的工作原理解读，原文见参考资料
　　谷歌DeepMind宣布他们研发的神经网络围棋AI，AlphaGo，战胜了人类职业选手。这篇论文由David Silver等完成。里面的技术是出于意料的简单却又强大。为了方便不熟悉技术的小白理解，这里是我对系统工作原理的解读。
　　◆ ◆ ◆
　　深度学习
　　“深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。
　　虽然神经网络在几十年前就有了，直到最近才形势明朗。这是因为他们需要大量的“训练”去发现矩阵中的数字价值。对早期研究者来说，想要获得不错效果的最小量训练都远远超过计算能力和能提供的数据的大小。但最近几年，一些能获取海量资源的团队重现挖掘神经网络，就是通过“大数据”技术来高效训练。
　　◆ ◆ ◆
　　两个大脑
　　AlphaGo是通过两个不同神经网络“大脑”合作来改进下棋。这些大脑是多层神经网络跟那些Google图片搜索引擎识别图片在结构上是相似的。它们从多层启发式二维过滤器开始，去处理围棋棋盘的定位，就像图片分类器网络处理图片一样。经过过滤，13 个完全连接的神经网络层产生对它们看到的局面判断。这些层能够做分类和逻辑推理。
　　这些网络通过反复训练来检查结果，再去校对调整参数，去让下次执行更好。这个处理器有大量的随机性元素，所以我们是不可能精确知道网络是如何“思考”的，但更多的训练后能让它进化到更好。
　　◆ ◆ ◆
　　第一大脑: 落子选择器 （Move Picker)
　　AlphaGo的第一个神经网络大脑是“监督学习的策略网络(Policy Network)” ，观察棋盘布局企图找到最佳的下一步。事实上，它预测每一个合法下一步的最佳概率，那么最前面猜测的就是那个概率最高的。你可以理解成“落子选择器”。
　　落子选择器是怎么看到棋盘的？数字表示最强人类选手会下在哪些地方的可能。
　　团队通过在KGS（网络围棋对战平台）上最强人类对手，百万级的对弈落子去训练大脑。这就是AlphaGo最像人的地方，目标是去学习那些顶尖高手的妙手。这个不是为了去下赢，而是去找一个跟人类高手同样的下一步落子。AlphaGo落子选择器能正确符合57%的人类高手。（不符合的不是意味着错误，有可能人类自己犯的失误）
　　◆ ◆ ◆
　　更强的落子选择器
　　AlphaGo系统事实上需要两个额外落子选择器的大脑。一个是“强化学习的策略网络（Policy Network）”，通过百万级额外的模拟局来完成。你可以称之为更强的。比起基本的训练，只是教网络去模仿单一人类的落子，高级的训练会与每一个模拟棋局下到底，教网络最可能赢的下一手。Sliver团队通过更强的落子选择器总结了百万级训练棋局，比他们之前版本又迭代了不少。
　　单单用这种落子选择器就已经是强大的对手了，可以到业余棋手的水平，或者说跟之前最强的围棋AI媲美。这里重点是这种落子选择器不会去“读”。它就是简单审视从单一棋盘位置，再提出从那个位置分析出来的落子。它不会去模拟任何未来的走法。这展示了简单的深度神经网络学习的力量。
　　AlphaGo当然团队没有在这里止步。下面我会阐述是如何将阅读能力赋予AI的。为了做到这一点，他们需要更快版本的落子选择器大脑。越强的版本在耗时上越久－为了产生一个不错的落子也足够快了，但“阅读结构”需要去检查几千种落子可能性才能做决定。
　　Silver团队建立简单的落子选择器去做出“快速阅读”的版本，他们称之为“滚动网络”。简单版本是不会看整个19*19的棋盘，但会在对手之前下的和新下的棋子中考虑，观察一个更小的窗口。去掉部分落子选择器大脑会损失一些实力，但轻量级版本能够比之前快1000倍，这让“阅读结构”成了可能。
　　◆ ◆ ◆
　　第二大脑：棋局评估器 （Position Evaluator）
　　AlphaGo的第二个大脑相对于落子选择器是回答另一个问题。不是去猜测具体下一步，它预测每一个棋手赢棋的可能，在给定棋子位置情况下。这“局面评估器”就是论文中提到的“价值网络（Value Network)”，通过整体局面判断来辅助落子选择器。这个判断仅仅是大概的，但对于阅读速度提高很有帮助。通过分类潜在的未来局面的“好”与“坏”，AlphaGo能够决定是否通过特殊变种去深入阅读。如果局面评估器说这个特殊变种不行，那么AI就跳过阅读在这一条线上的任何更多落子。
　　局面评估器是怎么看这个棋盘的。深蓝色表示下一步有利于赢棋的位置。
　　局面评估器也通过百万级别的棋局做训练。Silver团队通过 复制两个AlphaGo的最强落子选择器，精心挑选随机样本创造了这些局面。这里AI 落子选择器在高效创建大规模数据集去训练局面评估器是非常有价值的。这种落子选择器让大家去模拟继续往下走的很多可能，从任意给定棋盘局面去猜测大致的双方赢棋概率。而人类的棋局还不够多恐怕难以完成这种训练。
　　◆ ◆ ◆
　　增加阅读
　　这里做了三个版本的落子选择大脑，加上局面评估大脑，AlphaGo可以有效去阅读未来走法和步骤了。阅读跟大多数围棋AI一样，通过蒙特卡洛树搜索（MCTS）算法来完成。但AlphaGo 比其他AI都要聪明，能够更加智能的猜测哪个变种去探测，需要多深去探测。
　　蒙特卡洛树搜索算法
　　如果拥有无限的计算能力，MCTS可以理论上去计算最佳落子通过探索每一局的可能步骤。但未来走法的搜索空间对于围棋来说太大了（大到比我们认知宇宙里的粒子还多），实际上AI没有办法探索每一个可能的变种。MCTS做法比其他AI有多好的原因是在识别有利的变种，这样可以跳过一些不利的。
　　Silver团队让AlphaGo装上MCTS系统的模块，这种框架让设计者去嵌入不同的功能去评估变种。最后马力全开的AlphaGo系统按如下方式使用了所有这些大脑。
　　1. 从当前的棋盘布局，选择哪些下一步的可能性。他们用基础的落子选择器大脑（他们尝试使用更强的版本，但事实上让AlphaGo更弱，因为这没有让MCTS提供更广阔的选择空间）。它集中在“明显最好”的落子而不是阅读很多，而不是再去选择也许对后来有利的下法。
　　2. 对于每一个可能的落子，评估质量有两种方式：要么用棋盘上局面评估器在落子后，要么运行更深入蒙特卡罗模拟器（滚动）去思考未来的落子，使用快速阅读的落子选择器去提高搜索速度。AlphaGo使用简单参数，“混合相关系数”，将每一个猜测取权重。最大马力的AlphaGo使用 50/50的混合比，使用局面评估器和模拟化滚动去做平衡判断。
　　这篇论文包含一个随着他们使用插件的不同，AlphaGo的能力变化和上述步骤的模拟。仅使用独立大脑，AlphaGo跟最好的计算机围棋AI差不多强，但当使用这些综合手段，就可能到达职业人类选手水平。
　　AlphaGo的能力变化与MCTS的插件是否使用有关。
　　这篇论文还详细讲了一些工程优化：分布式计算，网络计算机去提升MCTS速度，但这些都没有改变基础算法。这些算法部中分精确，部分近似。在特别情况下，AlphaGo通过更强的计算能力变的更强，但计算单元的提升率随着性能变强而减缓。
　　◆ ◆ ◆
　　优势和劣势
　　我认为AlphaGo在小规模战术上会非常厉害。它知道通过很多位置和类型找到人类最好的下法，所以不会在给定小范围的战术条件下犯明显错误。
　　但是，AlphaGo有个弱点在全局判断上。它看到棋盘式通过5*5金字塔似的过滤，这样对于集成战术小块变成战略整体上带来麻烦，同样道理，图片分类神经网络往往对包含一个东西和另一个的搞不清。比如说围棋在角落上一个定式造成一个墙或者引征，这会剧烈改变另一个角上的位置估值。
　　就像其他的基于MCTS的AI， AlphaGo对于需要很深入阅读才能解决的大势判断上，还是麻烦重重的，比如说大龙生死劫。AlphaGo 对一些故意看起来正常的局也会失去判断，天元开盘或者少见的定式，因为很多训练是基于人类的棋局库。
　　我还是很期待看到AlphaGo和李世石9段的对决！我预测是：如果李使用直（straight）式，就像跟其他职业棋手的对决，他可能会输，但如果他让AlphaGo陷入到不熟悉的战略情形下，他可能就赢。
　　－－－－－－－－－－－－－－－－－－－
　　原文结束分割线，下面是董老师抒情咏叹调：）
　　这里我还想到另一个人，中国最强大脑选手鲍橒，当时看了他走出蜂巢迷宫，被他的超强的空间记忆和想象能力深深震撼了，而他的职业就是围棋选手，并且是盲棋。他能完成1对5的围棋盲棋，实在是很不可思议的事情。在围棋圈内，几乎没有棋手能完成盲棋，因为确实太难了。笔者也向他询问了对这个事情看法，他说，欧洲冠军没能摸到程序的底，但从棋谱来说，对谷歌程序我也难以取胜，确实下的不错。虽然围棋圈一致看好李世石，不过我不敢确定谷歌的程序3月份进展到什么地步。
　　再说到Facebook田博士，跟谷歌DeepMind超豪华团队长期投入不同，他就在半年多前从立项到实现，直到最近才有一个实习生加入帮他，而背后是他付出的心血，为了抢时间，在圣诞新年都是加班加点，按他所说，每日工作10＋小时，自己搭机器，写代码，调参数，单枪匹马做出成绩。
　　谈到跟谷歌团队的较量，田博士说：“这是一场必败的战斗”，但我还是很佩服他，他让我想到三国时代赵子龙，单枪匹马大战曹军，力拔山兮气盖世！因为他是真正的勇士。正是有了这些英勇无畏的科学家，一次次打破常规，挑战极限，我们才知道人类如此大的潜力。最近短短几年的发展，从大数据，深度学习人工智能到虚拟现实，从发现了类地球行星，证实引力波，从Hyperloop，无人驾驶，量子计算，这些魅力无穷的科技让我们对世界的认识上升到新的高度。面对这个激动人心的时代，我想说，天空是我们的极限，宇宙是我们的极限，未来才是我们的极限！
　　最后允许我拿田博士的话来结束。
　　我有时候会问自己：“我是不是背弃了梦想？”我想除了我自己，任何人都不会给我答案，任何评论也不具效力。我记得有人问过，如果梦想从践行的一开始，就在不自觉地向现实妥协，那样的梦想还是最初的梦想么？其实，这样的问题没什么可纠结的，因为世界从来就不是二元的，梦想和现实，如同高悬的日月，日月之间，有一条灰色的路，在自己脚下蜿蜒曲折，绕过各种险阻，一直向前。
　　“而我能做的，只是要在奔跑时，不停提醒自己，还记得“梦想”这个词的含义。”
　　参考资料
　　How AlphaGo works //alphago/
　　Nature 论文：/nature/journal/v529/n7587/full/nature16961.html
　　关于 AlphaGo 论文的阅读笔记 /p/5042969.html
　　关于围棋AI的新思路 /yuandong/
　　往期精彩文章推荐，点击图片可阅读
　　斯坦福首席人工智能科学家:如何教计算机&看懂一张图&？
　　[重磅]百度研究院副院长余凯：大数据与人工智能(41PPT)
本文相关推荐
友情链接：
统计代码：