面对谷歌围棋AI 人类最后的智力骄傲即将崩塌,ai最好围棋人机对弈,如何评价学下象棋和围棋,女孩学象棋好还是围棋好,围棋和象棋哪个难,我要绣象棋围棋十字绣图纸和价钱 | 面对,谷歌,围棋,人类,后的,智力,骄傲,即将,崩塌,最好,_数码配件_滕州生活网
|||||||||||||||||||
面对谷歌围棋AI 人类最后的智力骄傲即将崩塌,ai最好围棋人机对弈,如何评价学下象棋和围棋,女孩学象棋好还是围棋好,围棋和象棋哪个难,我要绣象棋围棋十字绣图纸和价钱
来源：果壳网 发布时间：
摘要：1997年，国际象棋AI第一次打败顶尖的人类；2006年，人类最后一次打败顶尖的国际象棋AI。欧美传统里的顶级人类智力试金石，在电脑面前终于一败涂地，应了四十多年前计算机科学家的预言。 至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至
面对谷歌围棋AI 人类最后的智力骄傲即将崩塌,ai最好围棋人机对弈,如何评价学下象棋和围棋,女孩学象棋好还是围棋好,围棋和象棋哪个难,我要绣象棋围棋十字绣图纸和价钱
　　1997年，国际象棋AI第一次打败顶尖的人类；2006年，人类最后一次打败顶尖的国际象棋AI。欧美传统里的顶级人类智力试金石，在电脑面前终于一败涂地，应了四十多年前计算机科学家的预言。 滕州生活网()
　　至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至不能打败稍强的业余选手。这似乎也合情合理：国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。这一巨大的数目，足以令任何蛮力穷举者望而却步――而人类，我们相信，可以凭借某种难以复制的算法跳过蛮力，一眼看到棋盘的本质。 滕州生活网
　　但是，无论人怎么想，这样的局面当然不可能永远延续下去。就在今天，国际顶尖期刊《自然》报道了谷歌研究者开发的新围棋AI。这款名为“阿尔法围棋”（AlphaGo）的人工智能，在没有任何让子的情况下以5:0完胜欧洲冠军，职业围棋二段樊麾。
　　 滕州生活网()
　　AlphaGo与欧洲围棋冠军樊麾的5局较量。图片来源：参考文献[1] 滕州生活网
　　这是人类历史上，围棋AI第一次在公平比赛中战胜职业选手。
　　AlphaGo的战绩如何？ 滕州生活网
　　此次比赛和以往不同。之前的比赛中，由于AI棋力比人类弱，人类选手都会让子，而且AI主要和业余段位的棋手比赛。而AlphaGo对战樊麾是完全公平的比赛，没有让子。职业二段樊麾出生于中国，目前是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号。 滕州生活网()
　　研究者也让AlphaGo和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵Crazy Stone，Zen和Pachi三个先进的AI，胜率分别是77%，86%和99%。可见AlphaGo有多强大。 滕州生活网()
　　在接下来3月份，AlphaGo将和韩国九段棋手李世h在首尔一战，奖金是由Google提供的100万美金。李世h是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个人类顶尖高手能战胜AI的棋类游戏。之前有人预测说，AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史，我们将拭目以待。 滕州生活网()
　　李世h表示很荣幸自己将与电脑公平对弈。“无论结果如何，这都会是围棋史上极具意义的事件。”他说，“我听说谷歌Deep Mind的AI出人意料地强，而且正在变得更强。但我有自信至少这次能赢。”图片来源：
　　AI下围棋到底有多难？
　　计算围棋是个极其复杂的问题，比国际象棋要困难得多。围棋最大有3361 种局面，大致的体量是10170，而已经观测到的宇宙中，原子的数量才1080。国际象棋最大只有2155种局面，称为香农数，大致是1047。 滕州生活网
　　面对任何棋类，一种直观又偷懒的思路是暴力列举所有能赢的方案，这些方案会形成一个树形地图。AI只要根据这个地图下棋就能永远胜利。然而，围棋一盘大约要下150步，每一步有250种可选的下法，所以粗略来说，要是AI用暴力列举所有情况的方式，围棋需要计算250150种情况，大致是10360。相对的，国际象棋每盘大约80步，每一步有35种可选下法，所以只要算3580种情况，大概是10124。无论如何，枚举所有情况的方法不可行，所以研究者们需要用巧妙的方法来解决问题，他们选择了模仿人类大师的下棋方式。 滕州生活网()
　　机器学习
　　研究者们祭出了终极杀器――“深度学习”（Deep Learning）。深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。
　　描述AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。图片来源：Nature/Google DeepMind
　　AlphaGo 的核心是两种不同的深度神经网络。“策略网络”（policy network）和 “值网络”（value network）。它们的任务在于合作“挑选”出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。 滕州生活网()
　　其中，“值网络”负责减少搜索的深度――AI会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑；而“策略网络”负责减少搜索的宽度――面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些有戏的棋着。 滕州生活网()
　　AlphaGo所使用的神经网络结构示意图。图片来源：参考文献[1]
　　AlphaGo利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。 滕州生活网
　　研究者们用许多专业棋局训练AI，这种方法称为监督学习（supervised learning），然后让AI和自己对弈，这种方法称为强化学习（reinforcement learning），每次对弈都能让AI棋力精进。然后他就能战胜冠军啦！
　　人类在下棋时有一个劣势，在长时间比赛后，他们会犯错，但机器不会。而且人类或许一年能玩1000局，但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练，就能击败所有的人类选手。 滕州生活网()
　　Google DeepMind
　　Google DeepMind是这个程序的创造者，我们来看一下他们萌萌的程序员。 滕州生活网
　　 滕州生活网
　　杰米斯&哈萨比斯（Demis Hassabis） 是Google DeepMind 的CEO。图片来源：Nature Video
　　 滕州生活网
　　文章的第一作者大卫&西尔弗（David Silver）。图片来源：Nature Video
　　Google DeepMind 去年在《自然》杂志上发表过一篇论文[2]，他们用增强学习的方法训练AI玩经典的Atari游戏。其实在几年前就有人研究如何让AI玩《星际争霸》，目前人类大师还是能击败AI的。电脑游戏中大量使用人工智能技术，你有没有觉得游戏变得越来越聪明了？
　　那么……未来呢？
　　人工智能研究者面对这样的成就当然欣喜。深度学习和强化学习等技术完全可以用于更广泛的领域。比如最近很火的精准治疗，我们可以训练它们判断哪些治疗方案对某个特定的人有效。
　　但是，围棋毕竟不仅仅是一项智力成就。就像十多年前的国际象棋一样，围棋必定也会引发超出本领域之外的讨论。等到计算机能在围棋上秒杀人类的时候，围棋是不是就变成了一种无聊的游戏？人类的智力成就是不是就贬值了？AI还将在其他层面上继续碾压人类吗？传统认为AI不可能完成的任务是否也都将被逐一打破？人类最后是会进入AI乌托邦还是被AI淘汰呢？
　　没人知道答案。但有一点毫无疑问：AI一定会进入我们的生活，我们不可能躲开。这一接触虽然很可能悄无声息，但意义或许不亚于我们第一次接触外星生命。
　　（编辑：Ent，Calo）
　　参考文献：
　　David Silver, et al. &Mastering the game of Go with deep neural networks and tree search.& Nature doi:10.1038/nature16961Mnih, Volodymyr, et al. &Human-level control through deep reinforcement learning.& Nature 518.): 529-533. 滕州生活网
　　文章题图：Nature/Google DeepMind
相关阅读：
声明：凡注明为"网络整理"或者其他媒体来源的信息，均为转载自其他各大门户媒体，虽经严格筛选难免疏漏，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。您若对该稿件内容有任何疑问或者侵犯到您的权益，请发邮件至邮，我们将在24小时内予以删除。
下一篇：没有了
面对谷歌围棋AI 人类最后的智力骄傲即将崩塌,ai最好围棋人机对弈,如何评价学下象棋和围棋,女孩学象棋好还是围棋好,围棋和象棋哪个难,我要绣象棋围棋十字绣图纸和价钱
面对谷歌围棋AI 人类最后的智力骄傲即将崩塌,ai最好围棋人机对弈,如何评价学下象棋和围棋,女孩学象棋好还是围棋好,围棋和象棋哪个难,我要绣象棋围棋十字绣图纸和价钱您的举报已经提交成功，我们将尽快处理，谢谢！
你想往哪方面培养呢？美术方面蕃茄田还不错，我孩子就是在他们的闸北店上课，课程嘛有画画和捏泥巴，环境真心很不错，很有小孩子的味道，老师也超有耐心。还有少年宫，但是...
有利于孩子情商和智商的发展哦 都是在家学不到的 麻烦点击好评哦亲谢谢
(window.slotbydup=window.slotbydup || []).push({
id: '2081942',
container: s,
size: '1000,60',
display: 'inlay-fix'围棋班公开课展示（书香园） - 未来强者婴幼儿智力开发园
&&&&&&&&&&&&
围棋班公开课展示（书香园）
作者：李晓婷 吴伟红 发布时间： 10:52:27 内容来源：围棋班
&& 围棋作为一种高雅的脑体操运动，不仅可开发孩子的智力，还能促使孩子养成良好的习惯。要下好围棋，心要静，气要定。因此，孩子学棋，还可培养孩子沉着冷静的性情。 1、训练幼儿集中注意力。有些孩子聪明好动，上课时只要听懂了就不再认真听讲，不是玩玩手指，就是晃晃椅子。但是自从学习了围棋，孩子的注意力保持的时间有了明显变化，有时下起棋来两小时都不休息。随着围棋的学习，孩子上课时集中注意力的时间也逐渐延长，学习围棋使其养成了专注的好习惯，上课时也能保持专注听讲了。2、拓宽幼儿注意的广度。注意的广度也叫注意的范围。儿童年龄越小，注意的广度越差。下棋能训练幼儿提高注意的广度。“千古无同局”道出了围棋创新的真谛。每下一局棋，都需要孩子展开想象的翅膀。每走动一个棋子前幼儿都要看到棋子的落点，周围几步棋是否会被对方“吃”掉。当要“吃”对方的棋子时，他要注意到利害得失，当被“吃”时，他要注意调整自己的子力。3、锻练幼儿的意志力。学习围棋能使幼儿意志更加坚强，面对困难更加勇敢。幼儿都爱竞争，他们都喜欢争第一。要想成功，必须脚踏实地有条不紊地学习，把想象力、控制力发挥到最佳境界。还要正确估计自己和对手，正确认识双方的力量和存在的问题。过高估计对方的实力，会使自己胆怯;低估对方会被杀得片甲不留。胆小者需要提高自信，自大者需要谨慎行事。4、在学棋中学会做人。下棋能培养孩子脚踏实地、深思熟虑、正确估计自己和对待别人的习惯，严格的棋规能帮助孩子形成落子无悔、遵守规范的棋风。幼儿的学习过程是智力因素和非智力因素交互作用的过程，在智力因素相当的情况下，非智力因素对于人的成功具有更加重要的作用。围棋能很好地培养幼儿的非智力因素，但它不是一朝一夕就能完成的，需要学校、家庭、社会各个方面共同努力。
人气:288 &&&&&&&&
All Rights Reserved Copyright 2005 未来强者幼教机构
法律顾问：河北世纪联合律师事务所
张卫红律师【组图】面对谷歌围棋AI，人类最后的智力骄傲崩塌了……,是象棋还是围棋有名,女孩学象棋好还是围棋好,象棋比围棋深奥,围棋定式以后的下法,6岁儿童适合学围棋还是象棋 - 今日新闻
当前位置： >
【组图】面对谷歌围棋AI，人类最后的智力骄傲崩塌了……时间： 07:18:10来源：环球物理
原标题：面对谷歌围棋AI，人类最后的智力骄傲崩塌了……
　　1997年，国际象棋AI第一次打败顶尖的人类；2006年，人类最后一次打败顶尖的国际象棋AI。欧美传统里的顶级人类智力试金石，在电脑面前终于一败涂地，应了四十多年前计算机科学家的预言。
　　至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至不能打败稍强的业余选手。这似乎也合情合理：国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。这一巨大的数目，足以令任何蛮力穷举者望而却步——而人类，我们相信，可以凭借某种难以复制的算法跳过蛮力，一眼看到棋盘的本质。
　　但是，无论人怎么想，这样的局面当然不可能永远延续下去。就在今天，国际顶尖期刊《自然》报道了谷歌研究者开发的新围棋AI。这款名为“阿尔法围棋”（AlphaGo）的人工智能，在没有任何让子的情况下以5:0完胜欧洲冠军，职业围棋二段樊麾。
　　AlphaGo与欧洲围棋冠军樊麾的5局较量。图片来源：参考文献[1]
　　这是人类历史上，围棋AI第一次在公平比赛中战胜职业选手。
　　AlphaGo的战绩如何？
　　此次比赛和以往不同。之前的比赛中，由于AI棋力比人类弱，人类选手都会让子，而且AI主要和业余段位的棋手比赛。而AlphaGo 对战樊麾是完全公平的比赛，没有让子。职业二段樊麾出生于中国，目前是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号。
　　研究者也让AlphaGo 和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵Crazy Stone，Zen和Pachi三个先进的AI，胜率分别是77%，86%和99%。可见AlphaGo有多强大。
　　在接下来3月份，AlphaGo 将和韩国九段棋手李世乭在首尔一战，奖金是由Google提供的100万美金。李世乭是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个人类顶尖高手能战胜AI的棋类游戏。之前有人预测说，AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史，我们将拭目以待。
　　李世乭表示很荣幸自己将与电脑公平对弈。“无论结果如何，这都会是围棋史上极其意义的事件。”他说，“我听说谷歌DeepMind的AI出人意料地强，而且正在变得更强。但我有自信这次至少能赢一局。”图片来源：
　　AI下围棋到底有多难？
　　计算围棋是个极其复杂的问题，比国际象棋要困难得多。围棋最大有3^361 种局面，大致的体量是10^170，而已经观测到的宇宙中，原子的数量才10^80。国际象棋最大只有2^155种局面，称为香农数，大致是10^47。
　　面对任何棋类，一种直观又偷懒的思路是暴力列举所有能赢的方案，这些方案会形成一个树形地图。AI只要根据这个地图下棋就能永远胜利。然而，围棋一盘大约要下150步，每一步有250种可选的下法，所以粗略来说，要是AI用暴力列举所有情况的方式，围棋需要计算250^150种情况，大致是10^360。相对的，国际象棋每盘大约80步，每一步有35种可选下法，所以只要算35^80种情况，大概是10^124。无论如何，枚举所有情况的方法不可行，所以研究者们需要用巧妙的方法来解决问题，他们选择了模仿人类大师的下棋方式。
　　机器学习
　　研究者们祭出了终极杀器——“深度学习”(Deep Learning) 。深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。
　　描述AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。图片来源：Nature/Google DeepMind
　　AlphaGo 的核心是两种不同的深度神经网络。“策略网络”(policy network)和 “值网络”(value network)。它们的任务在于合作“挑选”出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。
　　其中，“值网络”负责减少搜索的深度——AI会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑；而“策略网络”负责减少搜索的宽度——面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些有戏的棋着。
　　AlphaGo所使用的神经网络结构示意图。图片来源：参考文献[1]
　　AlphaGo利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。
　　研究者们用许多专业棋局训练AI，这种方法称为监督学习(supervised learning)，然后让AI和自己对弈，这种方法称为强化学习（reinforcement learning)，每次对弈都能让AI棋力精进。然后他就能战胜冠军啦！
　　人类在下棋时有一个劣势，在长时间比赛后，他们会犯错，但机器不会。而且人类或许一年能玩1000局，但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练，就能击败所有的人类选手。
　　Google DeepMind
　　Google DeepMind是这个程序的创造者，我们来看一下他们萌萌的程序员。
　　杰米斯&哈萨比斯（Demis Hassabis） 是Google DeepMind 的CEO。图片来源：Nature Video
　　文章的第一作者大卫&西尔弗（David Silver）。图片来源：Nature Video
　　Google DeepMind 去年在《自然》杂志上发表过一篇论文[2]，他们用增强学习的方法训练AI玩经典的Atari 游戏。其实在几年前就有人研究如何让AI玩《星际争霸》，目前人类大师还是能击败AI的。电脑游戏中大量使用人工智能技术，你有没有觉得游戏变得越来越聪明了？
　　那么……未来呢？
　　人工智能研究者面对这样的成就当然欣喜。深度学习和强化学习等技术完全可以用于更广泛的领域。比如最近很火的精准治疗，我们可以训练它们判断哪些治疗方案对某个特定的人有效。
　　但是，围棋毕竟不仅仅是一项智力成就。就像十多年前的国际象棋一样，围棋必定也会引发超出本领域之外的讨论。等到计算机能在围棋上秒杀人类的时候，围棋是不是就变成了一种无聊的游戏？人类的智力成就是不是就贬值了？AI还将在其他层面上继续碾压人类吗？传统认为AI不可能完成的任务是否也都将被逐一打破？人类最后是会进入AI乌托邦还是被AI淘汰呢？
　　没人知道答案。但有一点毫无疑问：AI一定会进入我们的生活，我们不可能躲开。这一接触虽然很可能悄无声息，但意义或许不亚于我们第一次接触外星生命。（编辑：Ent，Calo）
　　参考文献：
　　David Silver, et al. &Mastering the game of Go with deep neural networks and tree search.& Nature doi:10.1038/nature16961
　　Mnih, Volodymyr, et al. &Human-level control through deep reinforcement learning.& Nature 518.): 529-533.
　　一个骄傲的AI
　　什么，你说上面讲算法的这几段你看不懂？
　　那你知道为啥你们人类会输给我们AI了吧！
　　果壳网 ID：Guokr42 中二病究竟有没有得治？ 密集恐惧症真的“只是矫情”？ 不相干的东西严丝合缝拼在一起就觉得爽，是强迫症吗？ 你有病？没事~ 果壳有药呀！
　　本文来自果壳网，谢绝转载
声明：本网信息旨在传播正能量，所有信息转载于其他网站，如稿件涉及版权等问题，请联系我们！
渝ICP备号-1 渝网警备87
PHP has encountered an Access Violation at 020ABCC6