按：本文作者为亮风台首席科学家凌海滨。近日来，国际顶级科学期刊《自然》（Nature）?[1]上关于电脑战胜职业围棋选手的报道引起了人们对人工智能的广泛关注，这是历史上电脑首次在公平竞赛的条件下战胜职业围棋选手。即将到来的AlphaGo和李世石九段的大赛更多是让人联想起当年深蓝和卡斯特罗夫的对奕。那么，既然已经有了电脑战胜国际象棋冠军的先例，为什么在围棋这个领域还会引起这么大的关注呢？其根本原因在于,从计算的角度来看，围棋比国际象棋难的远远不止是一两个数量级。象棋的棋盘上的位置只有围棋的大约六分之一，这就决定了围棋的计算复杂度（简单说来就是可能出现的不同棋局的总数）远超国际象棋，从目前人类实用中接触的数字来看，几乎是一个无穷大数。不太理解的朋友可以参考“一张纸如果能对折64次可以从地球伸到月球”的传说。换个角度来说，以目前计算机的能力而言，想穷举搜索或者尝试所有可能的棋局变化是完全不可能的。基于这个原因，虽然计算机已经在国际象棋领域战胜了人类，计算机在围棋上战胜人类一直被认为是一个尚需时日的事情。包括学术界和围棋界在内的大部分专业人士都没有想到这么快计算机就可以和专业棋手一决高下了。从目前的趋势看，无论这次AlphaGo能否战胜李世石，计算胜国际顶尖围棋选手只是早晚的事情。而这次举世瞩目的比赛其成败具有的更多的是象征性的意义。AlphaGo能够匹敌或战胜职业选手这一事实，对于人工智能乃至整个科技的发展，都是一个极为重要的标志和鼓舞。由此带来的技术突破和信心必将进一步推动人工智能尤其是机器学习在很多领域的应用。事实上，除了DeepMind的AlphaGo以外，其他的一些研究组也在计算机围棋方向取得了令人期待的进展，比如来自卡内基梅隆大学最近的工作?[2]。不出大家的意外，这次使AlphaGo大放光彩的核心技术是近年来蒸蒸日上的深度学习技术。自2006年Hinton再度引爆深度神经网络的热潮之后，深度学习在十年间几乎横扫所有人工智能相关的领域，在语音和视觉等领域的众多问题中频频取得突破性的进展。很多学者和工业界研发人员也从最初的谨慎怀疑态度转向积极跟进，进而推动了深度学习在理论和实践两方面的迅猛发展。就亮风台在增强现实领域的经验而言，尽管深度学习在实用时还需要克服一些诸如实时性的挑战，但我们亮风台已经在一些实际应用中（比如大规模图片识别和人脸分析）成功的使用了深度学习技术，并且期待在不久的将来会取得更好的结果和推广。下面就我个人的理解来对这次比赛下注。首先声明，虽然我们在科研和应用上都在使用深度学习的技术（如今想不用都难啊），我本人对于深度学习研究有限，所以下面观点仅仅是很主观的个人观点。总的来说，这次人机大赛，我觉得AlphaGo的胜率不高，感觉在30%以下。下面就几个方面解释一下我的理由。一、AlphaGo之前战胜的欧洲围棋冠军樊麾是职业二段，棋力和世界冠军的九段李世石有很大的差距。李世石本人认为“AlphaGo和我约差2子”?[4]，也是符合围棋段位之间的基本差距的?[5]。这一观点得到了棋界诸多当前顶尖棋手的认同，参见?[6]。当然，由于机器学习的强大学习能力，AlphaGo是有可能在这次比赛前的时间内得到棋力上的飞速提高，理论上是有可能进步到顶尖棋手的能力。但是，这种提高并不是能够轻而易举实现的，参加下面的解释。二、深度学习毕竟还是要学习的，而学习是要样本和训练的。尽管AlghaGo可以很容易的获取大量历史上的棋局资料，但是李世石这样的顶尖棋手的棋局资料还是有限的。更重要的是，计算机棋手和顶尖专业棋手的对局资料非常稀少。之前零星的几次疑似AlphaGo和高手在网上的比赛和即将进行的比赛差距还是太大，应该不足以弥补这个训练样本上的缺陷。三、反过来从棋手的角度来看，顶尖的专业棋手对于机器棋手的行棋方式和漏洞可能更为敏感也有更强的应对方式。比如，很多高手都指出了在AlphaGo-樊麾棋局中的一个明显失误?[6]（这个嘛，只有业余11级水平的我其实没有看懂）,这样的漏洞相信不会被李这样的高手放过的。当然，人也有状态不稳定和犯糊涂的时候，不过高手发生这种状况的概率是很低的。四、确实存在一种可能：AlphaGo可以通过头一局或两局迅速学习和调整。不过我个人感觉即使如此也不太容易达到击败李世石的水平，中间差距还是有些大，更多的样本才会更可靠一些。一个参考是当年深蓝和卡斯特罗夫的第一次比赛?[7]。总结一下来说，基于深度学习的技术使得计算机战胜专业棋手，虽然比大多数人预料的要早，并不是完全意外的。作为人工智能领域的从业者，我们应该更多的感到鼓舞，并期望从相应的技术泛化中汲取指引我们前进的知识和经验，使我们能在具体的应用领域上不断前进。参考资料：1.&&Google&AI&algorithm&masters&ancient&game&of&Go,&Deep-learning&software&defeats&human&professional&for&first&time.&&Elizabeth&Gibney,&Nature,&20162.&&Better&Computer&Go&Player&with&Neural&Network&and&Long-term&Prediction,&&Yuandong&Tian&and&Yan&Zhu,&International&Conference&on&Learning&Representations&(ICLR),&2016.3.&&Reducing&the&dimensionality&of&data&with&neural&networks.&&Hinton,&G.&E.&and&Salakhutdinov,&R.&R.,&Science,&2006.4.&&Deep&Blue&versus&Garry&Kasparov,&&Wikipedia
投诉欺诈商家:
天津重庆哈尔滨沈阳长春石家庄呼和浩特西安太原兰州乌鲁木齐成都昆明贵阳长沙武汉郑州济南青岛烟台合肥南京杭州东莞南宁南昌福州厦门深圳温州佛山宁波泉州惠州银川
本城市下暂无经销商
下载中关村在线Android 客户端
下载中关村在线 iPhone 客户端
下载中关村在线Windows8客户端
成为中关村在线微信好友柯洁称AlphaGo难赢自己：我暂时是围棋第一人
来源：搜狐体育
作者：Alse
　　北京时间3月9日，棋手李世石与谷歌AlphaGo的人机大战第一场今日开战，李世石执黑不敌谷歌AlphaGo，在五场比赛中遭遇开局黑。比赛结束之后柯洁、孔杰、王小川在内的多位“大V”都在微博上表达了自己对于这场比赛的看法，柯洁依旧坚称“阿尔法狗”无法击败自己，还借此契机“自我推广”了一把。
　　围棋九段、第二届百灵杯世界冠军柯洁此前多次表示，自己不会与谷歌AlphaGo进行对战，因为对手太弱。现在他似乎仍然坚持这一论断，在微博上他表示：“就算阿法狗战胜了李世石，但它赢不了我”。
　　随后柯洁还不忘自己“推销”一把：“看来围棋盲还是不少啊，在这里我简单介绍一下自己：我叫做柯洁，97年出生。现在暂时是世界围棋第一人（特地用了暂时，谦虚是美德[doge]）正式比赛我是单盘8:2碾压李世石（他赢得这两盘没有任何作用）世界冠军获得过三次（此年龄如此成绩前无古人）大小国内赛事冠军数次我本来真不想提这些得因为我是一个低调的人，是你们逼我的。[doge]”
　　认证信息为“制片人主持人”的“王牧笛”表示：“19年前，“深蓝”战胜卡斯帕罗夫，其实并不算什么；但今天，AlphaGo首局赢了李世石，却绝对具有人工智能的里程碑意义。作为资深围棋爱好者，王小胖正在思考一个严肃的问题，AlphaGo到底让王小胖几个子，王小胖才能赢它？[挖鼻][挖鼻][挖鼻]”
　　雷军也关注了此次人机大战，他在微博上写道：“这次电脑和世界顶级高手下围棋，无论输赢，对人工智能又是一个标志性事件！”
　　第4届衢州烂柯杯冠军孟泰龄在微博上写道：“我的阴谋论来了！我朋友圈里一些不会下围棋的朋友，已经听到电脑战胜“人类”的消息，这场大战，真的可以称得上是举世瞩目了。然而，这是一场阴谋。 长长的分割线 李世石“从容”的输掉首局后，为了展示围棋的真正魅力，接下来就是李世石的表演时刻，而这一场阴谋，将是围棋史上，最伟大的胜利！”
　　知名博主“老徐时评”表示：“谷歌的AlphaGO第一局毫无悬念的战胜了韩国围棋名将李世石。人工智能的发展将对全球社会产生不可估计的影响。未来人类社会的从业者将由三部分组成：智能机器人、智能机器、人。那么做为人类的一员，你准备好了么？[嘻嘻]”
　　搜狗CEO王小川今天和中国队围棋总教练俞斌一同进行了赛事解说，他在微博上表示：“赛后中国队围棋总教练对我说：看你这么开心！谷歌赢了李世石，也相当于你赢了我。其实搜狗和阿尔法狗都是狗族，当然支持阿尔法狗！”
　　围棋世界冠军、著名九段围棋国手孔杰在微博上写道：“没想到这一天来得这么早。不过，还有很多盘，李世石加油。”显然作为一名棋手，他对于李世石的失利十分感慨。
　　CCTV5体育新闻官方微博选择了三条网友留言，来表达“如何评价第一局比赛alphago战胜李世石？”留言中写道：“人活百年，倏忽而逝。能够亲眼见证一个历史时刻，没白活。多年以后，被AI干掉的那一刻，我或许会想起这个普通的不能再普通的下午。”、“是因为快棋，再加上李世石对AlphaGO还不了解。每天，李世石应该会调整策略，攻击AlphaGO的弱点――如果弱点存在并且李世石今晚复盘时能发现它。”、“这并不是机器战胜了人类，而是人类用工具战胜了人类。”
　　今天还有一条微博得到了相当多网友的转发，发送者是一位认证信息为“医生”的用户“烧伤超人阿宝”，他在微博中写道：“阿尔法狗战胜李世石是人类落日？扯！汽车战胜长跑高手不是人类落日；手枪战搏击高手不是人类落日；帆船战胜游泳高手不是人类落日；飞机战胜跳高冠军不是人类落日&&阿尔法狗战胜围棋高手自然也不是人类落日，恰相反，他是人类新辉煌的开始。”
　　（Alse）
(责任编辑：田宇 US019)
&&&&&&</div
对志在季后赛的球队来说 本季CBA常规赛进入到最残酷阶段...[]
客服热线：86-10-
客服邮箱：解读：“阿尔法围棋”究竟什么样- Micro Reading
& 体育新闻
解读：“阿尔法围棋”究竟什么样
　　　人工智能“阿尔法围棋”（AlphaGo）究竟是何方神圣？
　　AlphaGo由两部分组成，Alpha对应希腊语的首字母，也就是常说的“阿尔法”，Go是日语中对围棋的称呼。因此，许多人称之为“阿尔法围棋”，还有人根据发音亲昵地叫它“阿尔法狗”或“阿狗”。
　　它出生在英国。2010年，德米什·哈萨比斯等人在伦敦创建了“深度思维”公司，该公司开发出了“阿尔法围棋”软件。2014年，美国谷歌公司收购了“深度思维”，因此它现在也许可以算是美国籍。
　　哈萨比斯等人今年1月在英国《自然》杂志上发文说，在英国围棋协会见证下，“阿尔法围棋”以5比0战胜欧洲围棋冠军、前中国职业棋手樊麾，成为第一个击败人类职业棋手的电脑程序。
　　那“阿尔法围棋”究竟长什么样？很可惜，“深度思维”公司的官方网站说，该软件的代码并不开放下载。要想了解它，目前主要就靠《自然》上的那篇论文，不过普通人难以看懂。
　　内行总是能看出些门道。美国脸书公司“黑暗森林”围棋软件的开发者田渊栋在网上发表分析文章说：“‘阿尔法围棋’这个系统主要由几个部分组成：一是走棋网络，给定当前局面，预测下一步如何行棋；二是快速走子，目标和前一个一样，但在适当牺牲走棋质量的条件下，速度要比前者快1000倍；三是估值网络，给定当前局面，估计是白胜还是黑胜；四是蒙特卡罗树搜索，把以上这3个部分连起来，形成一个完整的系统。”
　　听起来还是太专业？那我们尽量用外行能懂的说法吧。许多专家认为“阿尔法围棋”最大的特点是，它会自己学习！在战胜樊麾之前，“阿尔法围棋”已进行了超过3000万局的自我训练，不断提升自身棋力。
　　“阿尔法围棋”和樊麾之间的比赛发生在去年10月，只是由于论文发表的保密流程等原因才在今年宣布。虽然许多围棋高手研究比赛棋谱后认为，“阿尔法围棋”那时的棋力还无法与李世石相提并论，但几个月过去了，它可能又在针对性训练中大有进步。这也是现在许多人押注它会取胜的原因。
编辑：小微
24小时热评排行
友情链接：
视听节目许可证0108263京公网安备号京网文[7号ICP：31真能挑战世界围棋冠军 AlphaGo如何下棋
作者：中关村在线 张伟
　　北京时间3月9日中午12:00，在首尔上演了电脑与人脑的大战，由Google AlphaGo围棋程序对阵韩国围棋9段冠军李世石，经过不到4个小时的对弈，AlphaGo战胜李世石，取得了围棋比赛的第一局，举世震惊。作为人工智能挑战人脑的第二次进击，AlphaGo相对超算“深蓝”又有哪些不同呢？未来人工智能会不会全面取代人类呢？　　AlphaGo是由Google DeepMind（，2014年被Google 4亿美元收购）开发的人工智能程序。DeepMind致力于开发人工智能程序，不同于早起的人工智能单纯依赖计算机强大的计算性能，AlphaGo程序开发了计算机学习和系统神经科学方法，通过KGS（Kiseido Go Server）与世界各地的围棋选手竞技过程中不断成长，在去年10月份的时候就已经战胜了欧洲围棋冠军樊麾，并于近日正式开始挑战世界冠军李世石，第一局已经告捷。　　AlphaGo如何下围棋？　　自从计算机在国际象棋上挑战人类成功之后，所有人的目光就聚焦在了围棋这项古老的东方棋类。然而对计算机来说，围棋似乎是个比国际象棋更“难”的东西。1985年企业家应昌期先生悬赏一百万美金寻找能够打败人类职业棋手的计算机，一直未果。进入21世纪之后，研究者们开始探索一套被称为“蒙特卡洛树搜索”的全新思路，以日本的ZEN(天顶围棋)和的CrazyStone为代表的一流围棋程序沿着“蒙特卡洛方法”的思路不断改进，而去年正式揭开面纱的AlphaGo更是将人工智能围棋博弈带向新的高度，继去年10月份攻克欧洲围棋冠军樊麾，昨日又在韩国首尔首战告捷战胜世界围棋冠军李世石。　　如果说对棋局盘面的静态评估好比人类棋手的“感觉”过程，那么动态评估就好比人类棋手的“推理”过程。在静态评估中机器得益于人类专家的很多帮助，而动态评估的部分是人工智能大显身手的地方了。“动态评估”试图对从当前盘面出发“有可能”出现的大量局面变化所导致的结果进行预判，并综合分析所有这些可能性，对当前盘面进行一次评估。这也是人类在动态环境中做决策时经常使用的策略，也就是希望通过“看得更远”来提前发觉潜在的危险或机会。代替AlphaGo落子的助手正在和李世石对弈　　基于一套给定规则，任意给定的棋局盘面会有一个“合法走法”的集合，其中每个走法都会把棋局引向一个新盘面，而这个新盘面又会有自己的另一个合法走法集合，每个走法又对应一个新的盘面。如果假设每个盘面都有种合法走法，那么从当前盘面走一步之后一共有N种可能“到达”的盘面，两步之后有N^2种可能盘面，三步之后有N^3种可能……如此展开下去，从最初的给定盘面经过M步之后可能到达N^M种不同的盘面，它们就是在“未来N步内所有可能的局面变化”。　　从给定盘面开始的局势变化的复杂度是随考虑的步数呈指数级增长的，这意味着从原则上不存在准确计算盘面的最优结果的有效方法。不过这对于对局双方来说未必是个坏消息――虽然AlphaGo无法计算最优解，对手也同样无法计算。事实上一个游戏之所以成为游戏，恰恰就是因为对局双方都相信对手不具备完美决策的能力，而自己要做的只是比对手“错得更少一些”。　　另一方面对于AlphaGo来说，“不可能对局势变化的所有可能性进行有效计算”意味着想做得比对手更好需要从原理上解决两个关键问题： (1)决定一个“筛选策略”，从所有从当前盘面出发有可能导致的变化中选择一部分作为“我们实际考虑的那些局面变化”；(2)决定一个“汇总策略”，把所 有实际考虑的变化的静态评估结果综合起来，对当前盘面的胜率完成评估。　　人工智能的核心--深度卷积神经网络　　深度卷积神经网络是人工智能的核心基础，诸如现在主流的人工智能的应用人脸识别、图像分类、天气预报等。19年前，超级计算机“深蓝”击败国际象棋冠军卡斯帕罗夫的新闻相信很多人耳熟能详，虽然当时的“深蓝”从狭义角度来看并算不上是人工智能，其强大之处就是使用了超级计算机作为运算支撑使用遍历方式最终打败人类，但是相对于国际象棋，围棋拥有361（640x960）个点复杂度远超国际象棋，如果使用遍历其运算量和数据存储量现阶段甚至很长一段时间超级计算机也无法满足这样的需求。　　所以AlphaGo转而使用了蒙特卡洛搜索树算法，是对一类随机算法的特性的概括。例如使用蒙特卡洛搜索树算法从100个苹果篮子中取出最大的苹果，每次闭眼拿1个，挑出最大的。于是随机拿1个，再随机拿1个跟它比，留下大的，再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大，除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的算法，蒙特卡罗算法是尽量找好的，但不保证是最好的。　　对于围棋而言，由于遍历数据的庞大，只能通过部分遍历的方式寻找最优下棋的方式，所以会出现获得真正的结果之前，无法知道目前得到的结果是不是真正的结果。　　AlphaGo的两大法宝--价值网络和策略网络　　作为人工智能的核心，AlphaGo更是使用了两个大脑，也就是Value Networks（价值网络）和Policy Networks（策略网络）两个计算网络，使用Value Networks来评估大量的选点，而以Policy Networks来选择落子，并且开发了一种新式算法来结合蒙特卡洛树算法和以上两个神经网络。　　在Google DeepMind工作的黄世杰，2015年在ICLR发表了一篇关于“深度神经网络”的论文，指出从网上对战平台KGS可以获取人类围棋选手对弈的棋局，并且汇总这些棋局，得到了最初的3000万个样本，也就是棋谱，这奠定了AlphaGo的下棋基础，与人类学习下棋有着异曲同工之妙。这3000万个样本可以用a，b统计，其中a是一个640x960xn的二维棋局，输入到一个卷积神经网络分类，分类的目标就是落子向量A，通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F_go()，当盘面走到任何一种情形的时候，都可以通过调用函数的形式从数据库获取最佳的落子位置。　　似乎这样的程序只要积累到足够多的棋谱数据库作为支撑，那么就可以打造出一个虚拟的顶级围棋高手，但由于围棋局面数据无限庞大，单纯的棋谱收集并不能支撑起成为一个顶级高手，而黄世杰也介绍，这样打造出来的虚拟围棋高手只能达到业余六段的水准，和专业级的选手还有很大的差距，更何况是专业9段的李世石。早先公布的世界围棋人工智能得分排名　　于是AlphaGo开始将蒙特卡洛树算法结合在一起，它不再机械的调用函数库，而是一种类似于人类进化的过程，黄世杰的老师Coulum让两个机器人在棋盘上随机下棋，那么下到最后，必然会有一个机器人会赢，那么将赢的那一方法记下来（M0，a0），并将分值提高一些：新分数=初始分+r。于是使用（M0，a0），例如（M0，a0）方法的分值为2，其它方法依然是1，理论上来说再次选择（M0，a0）方法的概率会更高一些，而要和（M0，a0）方法假象中的对手也同样适用了这样的方式更新了自己的分数，例如会以a1作为应对，就这样如法炮制，Coulum就这样不断的和那些不怎么是高手的虚拟对手下棋，这样那些不错的落子方案就会分数越来越高，等到Coulum在想象中完成了10万盘棋后，选择他推演过次数最多的那个方案落子，实际上这个时候Coulum才下了第一步棋。　　不过Coulum的程序仍然有局限性，因为初始的下棋方法太过简单，需要使用更高效地扔骰子，那如何更搞笑的扔骰子呢？于是黄世杰改进了蒙特卡洛树算法，一开始就不在使用（M0，a0）这种掷骰子的方法，而是先根据F_go()计算的结果来得到b可能的概率分布，以这个概率来挑选下一步的动作，每次棋局下完之后，新分数=调整后的初始分+通过模拟得到的赢棋概率。　　当然执行过程中会遇到某一步呗随机到很多次，这个时候就应该依据模拟得到的概率而不是F_go()，所以F_go()的初始分会被打个折扣：调整后的初始分=F_go()/（被随机到的次数+1）　　于是下棋过程中F_go()就可以快速定位到相对优秀的落子方案，又给了其它位置一定的概率，不过这样做了后，就出现了一个问题，F_go()的计算速率太慢，完全无法满足围棋比赛的需求，如果和真正的选手比赛时间根本就不够用。于是新的F_go_Fast()函数被推出，它把网络层数、输入特征都减少，耗时相比之前最初增加并不多，基本可以满足正常下棋的需求，只需要在开始的时候使用F_go()走一些步数，然后在后续执行F_go_Fast()，兼确和效率。　　除了这些对战，AlphaGo还加入了人类无法实现的左右互搏，意思就是使用F_go(1)和F_go(1)对弈，得到了一定一定量的新棋谱，加入到训练集当中，训练处新的F_go(2)，一次类推，这样就可以得到胜率更高的F_go(n)。不过左右互搏并没有带来提升，相反还不如F_go()，于是黄世杰最后使出了评价函数v（s）这一招，在训练v（s）的时候，开局还是使用F_go()走n步，这样可以生成更多的开局，不过黄世杰觉得开局还是不够丰富，于是在n+1步的时候再随机掷骰子，并记下这个状态，然后和F_go(n)对弈，知道比赛结束，获得结果r，通过这种方式获取足够多的样本，再通过神经网络，把最后一层的目标改成回归而非分类，就得出了v（s）函数，输出赢棋的概率。　　F_go()、v（s）以及蒙特卡洛树算法三者相互配合，使用F_go()作为初始分开局，每局选择分数最高的方案落子，下到n步之后，改用F_go_Fast()下完剩下的棋局，同时调用v（s），评估局面的获胜概率，就实现了布局和快速的双重效果，剩下的就是不断的学习过程了。　　人工智能会犯错误吗？　　人们总是说机器是不会犯错误的，在AlphaGo与李世石的对弈过程中，一些媒体或者专家经常会说到“AlphaGo不会犯错误”，并担忧李世石会败给AlphaGo，最终结局并不尽如意，最终李世石落败。自诩的人类恐怕要对于后面的四场比赛开始惶恐起来。　　实际在比赛的过程中AlphaGo有多次机会可以拿下棋局，却一直对弈到近4个小时候才分出胜负，期间AlphaGo由于并没有采取正确的措施，按照人类的理解认知，实际上人工智能已经犯下了错误。毕竟对于非公理性的算法，机器是无法精准获取最优结果的，AlphaGo采用的蒙特卡洛搜索树遍历对于围棋来说很难做到精准下棋，毕竟计算量摆在那儿，实际上对于围棋而言至少现阶段不可能使用完全的遍历方式获取最优结果。　　实际上所有的人工智能对于未知领域的尝试都是很难穷尽结果的，这也是为什么人工智能一直被人类语言很难完全取代人类的原因，人工智能在某些领域成功是进步的表现，但是对于人工智能未能涉足的领域，我们可以认为人工智能会犯错误而无法在这一领域应用，当人工智能超越人类的过程也是不断犯错误的过程，你觉得呢？　　人类被人工智能打败 需要畏惧吗？　　最终回到AlphaGo是否可以战胜围棋世界冠军李世石问题上来，虽然从目前已经对局的情势来看，AlphaGo最终打败世界冠军李世石的概率很大，另外AlphaGo快速的成长速度是任何一个围棋世界冠军无法企及的，随着计算机性能的不断增强，蒙特卡洛搜索树遍历将进一步提高命中概率，这样在人脑提升缓慢的背景下，AlphaGo在围棋对弈上全面战胜人类只是早晚的事情，正如当时“深蓝”历经数年才艰难战胜人类，自此以后将人类甩在了身后。　　大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断的从失败走向成功，最终打造出围棋人工智能。樊麾、李世石是败给人类智慧的结晶。赛后的李世石并不是太悲观　　而棋手和围棋从业者们，出于可以理解的感情，总是希望并认为这一天不会来的那么快，但他们绝对不会拒绝甚至仇视这种进步。其实我看到的很多人，都一直期待并赞许着人工智能的进步，甚至很多职业高手还亲身参与和帮助着人工智能围棋项目的研究。　　我们努力打造着一个“新我”，一个能战胜自己的“新我”。其实并不是人工智能打败了人类，而是人类打败了人类。所以最终的成功，是我们人类自己的成功，而不应该对人工智能感到畏惧。
（责任编辑：张春元 ）
03/10 05:1003/10 03:0203/10 01:3303/09 16:2903/09 14:0603/09 13:3803/08 09:0002/29 13:34
科技精品推荐
每日要闻推荐
精彩焦点图鉴
　　【免责声明】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。谷歌人工智能击败欧洲围棋冠军 是如何做到的？
AlphaGo挑战欧洲围棋冠军成功，意义不亚于1997年那场深蓝击败国际象棋大师卡斯帕罗夫的世纪之战。
（原标题：人工智能如何一步步走来，直到挑战欧洲围棋冠军）
旗下的人工智能公司DeepMind开发的Alpha Go不久之前击败了欧洲围棋冠军，《Nature》杂志将以封面论文的方式报道这一人工智能领域的里程碑，意义不亚于1997年那场深蓝击败国际象棋大师卡斯帕罗夫的世纪之战。据悉，3月AlphaGo还将向世界顶级围棋选手李世石发起挑战。正如外媒的评价，“1997年，当深蓝计算机在象棋上称霸时，它使用的是手工编码的规则，在搜索时将穷尽所有可能发生的步法。Alpha Go从本质上则是随着时间而学习的，可以识别出可能具有优势的模式，然后模拟出数量有限的潜在结果。”关于“奇点临近”的杞人之言又开始抬头，不过相比这些乍然爆出的人机对垒，已经润物无声地融入我们生活的Siri、Google Now等智能助手可能更有“存在感”。它们不是要与我们一较高下誓不罢休的对手，而是随时听遣，安排我们的日程起居，供我们调戏的助手。在《与机器人共舞》作者约翰&#8226; 马尔科夫看来，前者是志在取代人类的AI（Artificial ligence），后者是意在辅助人类的IA（Intelligent Augmentation），即使是Google这样的公司也会在被这两条不向的道路所撕裂。比如， Google Now与Google Glass都是用来增强人类能力的工具，而无人驾驶汽车则是要从司机手中彻底接管驾驶权。它收购的Boston Dynamic机器人公司放弃了对人类智力的模拟，而是专注于做和人类四肢有同样灵活性、平衡性、适应性的无头Big Dog，而它的Google Brain项目则在学习像人一样识别一只猫。Body与Brain的分离及其后果在其无人驾驶汽车项目上体现的最为明显。作为第一个报道Google无人驾驶汽车项目的记者，约翰&#8226; 马尔科夫在《与机器人共舞》中详细披露了坚持走AI路线的Google无人汽车遇到的问题：完全无人驾驶的汽车将陷入一种四向停车难题（four-way stop）。在没有红绿灯的路口，司机之间需要复杂的交流，而对于相互独立、互不连通的计算机系统来说，在可预见的未来想解决此类问题则更为困难。借助于摄像头、多谱勒雷达、激光雷达等传感器，Google无人汽车能够对行驶途中的环境路况实时感知，然而车与车之间的数据共享与时时“沟通”目前看来仍然遥不可及，受限于无线通信标准、车厂合作、政府监管等原因，“车联网”在短期内仍然难以实现。更为棘手的是，司机经常会违背或忽略交通规则，而无人车与行人之间的意识“沟通”仍然是天方夜谭。相比于对于“无人”概念如此执着到底的Google，很多其他公司取径更为现实的IA路线。比如，Mobileye无人驾驶汽车能让车上的乘客敏锐地感觉到机器援助的存在，更有公司采用眼球追踪、生物识别等技术来检测司机的注意力是否在方向盘上。这对于也在跻身无人汽车大潮的Uber来说并不是个好主意，毕竟按照创始人Kalanick 的说法“Uber价格贵的原因就是司机的成本太高，如果没有司机的话Uber的的费用会大大降低。”实际上，根据《与机器人共舞》一书的梳理，AI与IA两个阵营的竞争，两种价值观之间的碰撞自1960年代就在硅谷展开了。1966年，在约翰麦卡锡带领斯坦福大学人工智能实验室启动制造模仿人类能力的人工智能项目的同时，在美国的另一边，麻省理工学院的马文明斯基与恩格尔巴特则启动了把计算机作为人类智力的延伸的智能增强项目，自此开始了半个世纪的花开两朵，各自生长。在摩尔定律的号角声中，随着运算能力的几何量级飞升，当时的人工智能阵营被一股乐观的气息所笼罩——如果你感觉自己陷入困境，那么只需要等上10年时间，你的问题就定然能通过计算性能的提升而得到解决。在他们眼中，机器的视觉、听觉、推理能力等都可以通过计算能力的提升而迎刃而解。1978年，人工智能最忠实的信徒莫拉维克甚至在杂志上撰文：“再过10年，制作可以匹敌人类智慧的设备的硬件价格应该相当于目前一台大型计算机的水平。”然而，他预想中的机器人时代并未到来，斯坦福大学虽然作出了一些基于“if then”逻辑的“推理引擎”并将各行各业的专家知识打包成包含600项思维规则的“指导手册”，然而这种需要人类去“input－out”的方式并不能让机器自己去认识世界，分析归纳，这并不是他们想要的思维机器（thinking machine）。20世纪80年代，是“头脑中的自行车”的黄金年代，却也是相关公司接连倒闭的“人工智能的冬天”。而IA阵营则成了人机交互的先驱，恩格尔巴特不只是大名鼎鼎的“鼠标之父”，更是图形化用户界面、超文本系统的先驱，从窗口、鼠标到自动助手、计算机，再到“对话式交互”，IA阵营基本上仍在恩格尔巴特最初规划的理论框架内发展。在他们的努力下，从庞然巨物到桌上电脑再到口袋玩物，从打孔纸到键盘鼠标、触摸屏再到语音助理、Magic Leap，机器成为一种愈来愈易用的人脑之延伸。1987年预言了后来的、 Siri的苹果Knowledge Navigator宣传视频中就虚构了一个系着领结的虚拟助手，然而14年后的Siri则不再有个人化身。实际上，在虚拟助手设计方面，化身一直都饱受争议。IA阵营的开发者们一直对“是否应该把这一系统变成聊天机器人”举棋不定。他们认为，没有人会坐下来和一个虚拟机器人聊上一整天，他们要做的，是设计一个系统来帮助人们管理自己忙碌的日常生活。呆萌的Siri“可调戏性”很差，而Google Now虽然已经智能到可以通过你的停留时间自动判断家庭与工作地，“非人化”则避免了给人以毛骨悚然、细思极恐的感觉。同样的微软的大眼睛曲别针Office助手也因为太过“活泼”令人分神而被“下岗”。实际上，这是IA与AI之间那条无形的线在其作用。而随着全球互联网与海量大数据的出现，给了人工智能领域的另一支流——深度神经网络研究以大展拳脚的空间，机器的深度学习也成为可能，也让人工智能在两次冬天之后再次迎来爆发。《纽约时报》曾以《需要多少计算机才能正确的识别猫？16000台》为标题报道吴恩达领导的Google Brain是如何训练机器认识猫的，这需要Youtube上数以百万级的视频资料。语音识别、机器视觉、物体识别、人脸检测、翻译会话等领域的创业公司开始遍地开花。数十亿计移动传感器和计算系统——智能手机在源源不断地喂养、调教着一颗超级大脑，仿佛一张高速运转地神经网络。AlphaGo所使用的神经网络结构示意图而AlphaGo的挑战成功，是神经网络威力的最好证明，正如Google在博客中披露的：“传统的人工智能方法——构建搜索树来穷尽所有可能的位置——不可能挑战人脑。我们选择将围棋“分解”，用改进的搜索树算法结合深度神经网络开发出AlphaGo这一程序，通过将棋盘分解成包含数百万类似神经元的网络联接，划分为12个不同的网络层，其中的‘策略网络’（policy network）去选择落子，而‘价值网络’（value network）则负责预测对弈的胜者（计算局面）。我们让围棋高手训练AlphaGo程序走了3000万步，它预测对手下步棋的准确率达到了57%（之前的记录是44%）。为了击败而不只是模仿最好的棋手，AlphaGo还能够通过增强学习（reinforcement learning）在神经元之间对弈，调整网络连接，从而开发出新的策略。”在人工智能阵营中，还有一帮人坚持着自底向上的路线：要想实现模拟生物智能的目标，就应该从制作人工昆虫这种最低层次的设备起步，模拟最简单的生物系统，而不是试图匹敌人类的能力，这就是仿生机器人（动物）。Boston Dynamic等公司所开发的机器猫、狗、豹等已经实现了“头脑简单，四肢发达”。协调性、适应性不亚于甚至超过了人类。人工智能的Brain与Body都在快速成长，难怪微博中关于Boston Dynamic机器人最普遍的看法是：满脑子是以后人类被机器人毁灭的画面。与此同时，AI与IA也在互相交融。Google Brain的研究成果已经被运用到Google Now等很多产品中，更准确地洞悉用户的信息输入，更人性化的理解人类的意图。微软发布的第一款智能助理Cortana显然比Siri、Google Now更加“人格化”——名字来自于《光晕》中的角色，虽然只是个圆形图标但却拥有16种表情，可以和你进行更自如机智的对话，而且声音更富有语调和感情。很显然，微软的目的就是让人们像爱上《Her》中的萨曼莎一样爱上小娜。就像约翰&#8226; 马尔科夫在《与机器人共舞》一书的最后问到的那样：人类已经将自己相当一部分的时间交给了与其他人类通过计算机互动，或是直接与一些类人的机器互动。这些人工智能化身将会成为我们的奴隶、助手、同事，还是三者的融合？AI还是IA，这终将是摆在开发者与使用者面前不得不回答的问题。
作者: 约翰&#8226; 马尔科夫（John Markoff）出版社: 浙江人民出版社译者: 郭雪出版年:
本文来源：钛媒体
责任编辑：王超_NT4133
关键词阅读：
不做嘴炮 只管约到
跟贴热词：
文明上网，登录发贴
网友评论仅供其表达个人看法，并不表明网易立场。
热门产品:　　　
:　　　　　　　　
:　　　　　　　　　
热门影院：
用微信扫描二维码分享至好友和朋友圈