AI围棋_AI围棋小游戏_AI围棋游戏在线玩AI围棋&&AI围棋操作：鼠标控制下棋，WASD键+空格键下黑子，方向键+回车键下白子，esc/delete键悔棋。AI围棋小游戏其他版本热门游戏专题操作说明鼠标控制下棋，WASD键+空格键下黑子，方向键+回车键下白子，esc/delete键悔棋。如何开始游戏加载完毕即可开始游戏游戏介绍还记得围棋少年那部动画片吗？里面江流儿再围棋少年里面意气风发，下的一手好棋，还打败了想羞辱我们得日本棋手，兼职慷慨激昂，你要不要学上两招过过瘾呢？标签：大小：123KB游戏目标将对方的子上下左右均包围起来即可消除，并获得最后胜利吧！游戏评论聂卫平大赞腾讯围棋AI：对一力辽这盘是绝艺名局_棋牌_腾讯视频
三倍流畅播放
1080P蓝光画质
新剧提前看
1080P蓝光画质
纯净式无框播放器
三倍流畅播放
通用代码支持视频在iPhone/iPad/Android上播放
扫码分享到微信
扫描二维码随身看视频
立即下载腾讯视频APP
请根据您的设备选择下载版本
63.2万
5.9万
22.2万
25.7万
<a href="javascript:void(0);"
class="btn_next"
r-on="{click: onNext}"
r-show="{page
<a href="javascript:void(0);"
class="btn_next "
r-on="{click: onNext}"
r-show="{page &#xe620;
体育热播榜
?1,095,808
?20,307,915
?16,313,667
?12,378,139
?11,212,287
?10,341,739
?10,210,564
?9,959,043
?9,487,679
?8,989,570
?8,535,678
?9,794,751
?8,530,578
?8,010,960
?7,431,515
?7,419,843
?7,386,501
?7,036,091
?5,495,008
?5,350,674
?5,023,280为什么说围棋AI将会毁掉围棋-土地公问答
为什么说围棋AI将会毁掉围棋
为什么说围棋AI将会毁掉围棋
答：因为围棋al只会选择对他最有利的下法。al的最终目的是无法被战胜，正是这一点将毁掉围棋。 我们都知道，人类文明的进步是伴随着一个又一个错误的选择。如果不能犯错，那将毫无意义。 很遗憾，围棋al几乎不会犯错。
因为围棋al只会选择对他最有利的下法。al的最终目的是无法被战胜，正是这一点将毁掉围棋。我们都知道，人类文明的进步是伴随着一个又一个错误的选择。如果不能犯错，那将毫无意义。很遗憾，围棋al几乎不会犯错。
其它类似问题
其它人正在问的问题这也许将是围棋AI的最后死穴
围棋AI下赢了欧洲冠军。这件事情本身还没那么可怕，毕竟棋界人士一致认为这几盘棋的人类发挥得并不好。但是毫无疑问，AI迟早会碾压人类，区别只是时间长短而已，柯洁也这么认为。
那怎么办？是否我们就要安心承认机器的霸主地位，甘做二流棋手了呢？
当然这样不见得就是坏事儿。人类画师的仿真能力早就输给了摄影，但绘画也没有因此失去意义；国际象棋的顶尖AI已经连续十年没输给人类了，但人类间的国际赛事依然如火如荼。无论把围棋看成竞技还是艺术，战胜自己都是最重要的。世界第一不过是名分而已，无论是人还是机器。
但是如果有一天我们必须决出胜负，如果反叛的AI要求以围棋裁断地球的归属，如果我们必须向外星人证明人类智慧，那是不是就束手无策了呢？人还会偶尔失误，AI难道不是滴水不漏的吗？
也不一定。如果真的有那么一天，我们可能还会有一根救命稻草：对抗样本。
在意想不到的地方绊倒
2014年底，三位人工智能研究者在arxiv上贴出了一篇论文预印本。论文标题很有趣：《深度神经网络很好骗》。
深度神经网络是目前最热门的人工智能路线之一，谷歌的AlphaGo围棋软件就以它为核心，而且相当多的人认为这是未来最有前途的高级人工智能。但神经网络的功能当然不止下围棋，它们还在许多其他领域实现了卓越成就，比如“视觉分类”任务——神经网络可以相当准确地判断出图片是猫还是企鹅。
相当准确，但并不完美。研究者发现，人为设计的图像很容易骗过它们。这本身没什么了不起，人脑也很容易被骗——但是，令神经网络摔倒的那些图，在人看来却是完全正常的。
左图被神经网络判定为熊猫。给它人为叠加上中图所示微小的扰动（实际叠加权重只有0.7%），就获得了右图。在人类看来，左图和右图没有区别；可是AI却会以99.3%的置信度，一口咬定右图是一只长臂猿。
这不是意外的小失误，不是偶然的程序bug和出错。研究者发现，只要对图片做出一些人类无法察觉的修改，就能让ai把它当成完全不同的东西；还很容易设计出一些图片，人类什么都看不出来，ai却能以99.99%的把握确信它是某个东西。更有甚者，这些奇特的错误并不限于某个特定的神经网络，能骗过一个网络的图片，也能骗过另一个；它们也不限于图片识别，甚至不限于神经网络本身——研究者所尝试过的所有机器学习模型，都出现了这样的问题。
AI认为左图是一只狗，右图是一只鸵鸟。图片来源：nautilus
八张图在AI眼中分别是知更鸟、猎豹、犰狳、小熊猫、蜈蚣、孔雀、菠萝蜜和气泡。置信度全部在99.6%以上。图片来源
而最大的问题是，当神经网络犯下这样的错误时，研究者并没有特别有效的修正办法。
AI的盲区，人类的救星？
对抗样本自然出现的概率确实非常之低。但是它取这个名字并不是没有理由的：如果真的有人在故意采取对抗手段，那么这就有可能成为该系统的死穴。比如，面对一个靠神经网络来筛选垃圾邮件的系统，垃圾邮件发送方就可以精心设计出对抗样本，逃过法眼（虽然为了垃圾邮件而如此大费周章大概不是很划算）。
而且，从绝对数量来看，对抗样本是非常之多的。如果在空间中任取一点，大部分都会错误归类。谷歌研究者伊安·固费罗（Ian Goodfellow）说，他们将随机生成的噪声样本给一个神经网络看，结果它以很高的置信度将70%的样本判定成了一匹马。
另一种方式构造的八张图，在AI眼中分别是王企鹅、海星、棒球、电吉他、货车、遥控器、孔雀和非洲灰鹦鹉。图片来源
现在，对抗样本是个坏消息，是系统漏洞。但如果有一天我们真的要和AI正面对决，那么对抗样本也许会成为我们的救命稻草，因为它有这三个特点：
第一，对抗样本并不限于一个具体的神经网络，因此制造对抗样本也不需要获得该模型的源代码之类的东西。只要模型是被训练来执行相同的任务的，它们就会被同样的对抗样本欺骗，哪怕这些模型有不同的架构、使用了不同的训练样本，也没有关系！因此，我们只要自己做一个模型，创造出相应的对抗样本，就能用这些样本攻击那些同样任务的AI。
第二，对抗样本很难用常规的办法解决。固费罗的研究组尝试了各种各样传统手段，包括多个模型取平均值、同一图像多次判断取平均值、带噪音训练、生成模型等等，都不能解决对抗样本问题。有针对性的专门训练可以让模型的抵抗力更强，但也无法真正消灭盲区。
第三，人类不会被这些样本欺骗。当然，人类也会在意想不到的地方跌倒——心理学已经提供了浩如烟海的视错觉和其他错觉例子。这些错觉可以认为是人类专属的“对抗样本”。但是面对神经网络的对抗样本，和面对人类的对抗样本，二者并不重合。我们都会犯错，但犯的错误不一样。
研究者正在努力堵上对抗样本的漏洞，但是完全有可能出现无论如何也堵不上的情况。在这样的背景下，人类和AI的战争如果爆发，也许将进入全新的战场。
对抗样本时代的围棋会是什么样子？
谷歌AlphaGo的源代码尚未公开，但是研究者在论文中明确指出了它对深度学习的依赖。因此有理由相信，它也会受困于精心设计的对抗样本——而当人类真的无法在棋盘上正面战胜AI的时候，可能必须开辟新战线，在大脑中决一死战。
到那时，围棋将成为一种双重游戏。对战双方不但要在物理的棋盘上攻城略地，还要设法引导对方步入心智陷阱。应该会有某些棋局能让AI错判，从而让它们下出大错棋，就像现在的研究者能让AI把大熊猫认成长臂猿一样。
但是对方的盲区棋局是什么样的？如何下出这样一盘棋局？实现这一局面需要在棋盘上做出多少牺牲？引导对方失误带来的收益能否补偿？是否有可能制造出这样的盘面，令对方陷入更大的心智陷阱，乃至直接死机？
AI反过来也可能也会利用人类的缺陷。我们不知道人类的围棋盲点在哪里，但原则上这也是可能存在的。这一看不见的战场，或许将比看得见的棋盘更加血腥。
唯一幸运的是，正如猫狗牛马的概念诞生于人类所处的物理世界，人类不会在它们身上犯错；围棋也是经人类之手诞生的，这也许能带给我们一些先天优势。如果哪一天我们必须去玩AI所创造的游戏，那也许才是真正的末日。
（编辑：moogee）
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点青青子衿, 悠悠我心, 但为君故, 沉吟至今
电脑围棋软件与人工智能
　　围棋作为唯一的一种电脑下不赢人的大众棋类，是何原因导致？谷歌的AlphaGo能战胜世界超一流棋手吗？现代人工智能是怎么解决围棋软件庞大的数据处理量？本文将对电脑围棋软件和人工智能相关问题进行一番探讨和分析。　　围棋是一种策略性两人棋类游戏，有这悠久而古老的历史，中国古时称&弈&，西方名称&Go&。围棋起源于中国，春秋战国时代即有记载，隋唐时经朝鲜传入日本，中兴于日本，近现代之后开始在国际上逐渐普及，目前职业围棋水平最高的国家是中国和韩国。　　电脑围棋的发展历史　　电脑围棋是人工智能（AI）的一个领域，该领域致力于开发出可以下围棋的电脑程序。自古以来，棋类游戏一直被视为顶级人类智力试金石，人工智能（AI）挑战棋类大师的也被看做人工智能发展的里程碑。　　最早的电脑围棋程序是1968年Albert Lindsey Zobrist开发的，他引入了一个评估函数对棋局进行分析，来估算双方占空的大小，然而，在国际象棋里能够得心应手地杀败世界冠军，放在围棋里却行不通了，在相当长的一段时间里，业界的普遍观点是电脑围棋只能达到业余棋手的水准。　　然而，从2006年开始，随着蒙特卡洛树搜索和机器学习在围棋上的应用，电脑围棋水平有了突飞猛进的增长，棋力普遍提升到业余高段的水准。　　蒙特卡洛树搜索算法的出现，可以看作是人工智能取得突破性进展的标志：计算机的思考方式，已经有点接近人类的思维方式了。目前使用蒙特卡洛树搜索的围棋对弈软件有疯石围棋（CrazyStone）、银星围棋（SilverStar）、天顶围棋（ZEN）等电脑围棋程序都取得了不错的成绩。　　2011年8月欧洲围棋大会，电脑围棋软件ZEN在19路盘上让五子击败日本职业棋手林耕三六段。2012年3月，ZEN被让四子击败了日本超一流棋手武宫正树九段，这是围棋程序首次在让四子的情况下战胜第一流职业选手。2013年，CrazyStone被让四子击败日本石田芳夫九段，2014年，CrazyStone被让四子击败日本依田纪基九段。可见围棋软件进步迅速，至少比起十年前对弈水平已经提高一大截，受让四子优势明显。　　2015年10月，同样基于蒙特卡洛树搜索的Google旗下人工智能公司DeepMind开发的AlphaGo，在没有任何让子的情况下，以五战全胜的成绩击败了欧洲围棋冠军：职业围棋二段樊麾，这也是电脑围棋程序首次击败围棋职业棋手。AlphaGo的下一个考验是拥有14个世界冠军头衔的韩国棋手李世石九段，李世石将于2016年3月与AlphaGo进行五番棋对弈。　　何为&&　　或称计算机随机模拟方法，是一种基于&随机数&的计算方法，这一方法源于美国在一战中研制原子弹的&曼哈顿计划&。频率决定概率，围棋对弈软件将最常见的对弈定式及棋形输入其中，从而达到较短时间提高棋力的功效。用通俗的语言解释了这种算法：&简单来说，人脑下围棋靠的是逻辑思维，而蒙特卡洛算法就是一个抽样调查的方法。其实就是一个赌博概率式的方法，如果电脑下100盘棋，用这种下法赢了60盘，用另一种下法只赢了50盘，那么，它就会认定第一种下法，而淘汰另一种下法。&　　围棋的人工智能为什么那么难？　　在国际象棋界，计算机早已经战胜最顶尖棋手。1997年，IBM的&深蓝&电脑程序在正常时限的比赛中首次击败了当时排名世界第一的棋手卡斯帕罗夫。2006年，人类最后一次打败顶尖的国际象棋AI，众多国际象棋特级大师面对象棋软件一筹莫展，竟没有一次胜绩。　　然而，围棋一直被认为是人工智能领域里的非常困难的挑战。当如IBM深蓝那样的超级电脑，已经能够击败世界上最好的国际象棋棋手的同时；围棋软件却始终无法击败世界顶级围棋棋手。　　那么，为什么让电脑模拟出围棋的人工智能有那么难呢？　　1. 围棋的棋盘　　围棋的棋盘很大（19&19），因此通常被认为是难以编写围棋程序的一个重要原因。围棋棋盘上每一点，都有黑，白，空，三种情况，棋盘上共有19*19=361个点，每回合有250种可能，一盘棋可长达150回合。同时，围棋有3^361种局面，而可观测到的宇宙，原子数量才10^80，可能产生的局数呈指数级增长。　　相比之下中国象棋9*9，国际象棋8*8，平均每回合只有35种可能，一盘棋有80回合；因此国际象棋和中国象棋AI的算法可以枚举所有可能招法，但这种思路却无法应用在围棋上。　　2. 下棋的规则和估值函数　　国际象棋和中国象棋每个棋子的价值都有所不同，棋子的走动必须遵守一定的规则，例如国际象棋，开局的时候可以动8个兵（*2）和两个马（*2）共20种招法，虽然开局到中期招法会多一点，但是总数也就是几十种。中国象棋也是一样，开局5个兵+炮（12）+士相*2+马*4+车*2*3+将帅共28种，跟国际象棋差不多。但围棋的下子没有限制，开局有361种选择，所有着法都有可能。　　象棋游戏判断局面也简单，将军的加分，攻击强子加分，被将军或者有强子被攻击减分，控制范围大的加分，国际象棋里即将升变的兵加分，中国象棋里接近底线的兵减分，粗略一算就可以有个相对不错的判断。　　在下棋的过程中，象棋的棋子数逐渐减少，使游戏逐渐简化。但是，围棋却是棋子数逐渐增多，每下一子，都会使局势变得更复杂。　　在胜负方面，囯际象棋目标明确，只要杀死国王即可。　　因此，国际象棋和中国象棋都可以有一个较为简单的估值函数，使得高水平象棋AI的软件易于开发。　　反观围棋，却缺少这种简单的估值函数，围棋的每个棋子的价值都是可变的，没有王和帅这样的攻击目标，每颗棋子一会是棋筋，一会又是废子，电脑难以实现&估值&。　　在胜负方面，围棋的胜负不是要杀对方棋子，而是占更多的地，每一步有数百种以上的走法，算法的困难度明显要高得多。围棋中的厚势本身并没有目数，但可以直接围空或者通过攻击间接围空，而厚势本身的价值，电脑也不好判定。　　可见，电脑程序之所以能打败国象和象棋特级大师，依靠的是不知疲倦的高速检索能力，每一种开局、每一种防御在计算机强大的运算检索能力面前都不值一提。不过这种机械方法在围棋面前却失去了用武之地。　　电脑难以判断围棋形式，人类就可以轻松判定，虽然人类无法拥有大量数据分析，却有得天独厚的逻辑推理能力，从一手棋到后面十手，乃至几十手，都可以&算&出。在&蒙特卡洛算法&出来之前，一位智力正常的人学习下围棋，用不了几个月就可以击败现在所有的电脑围棋程序。　　围棋AI的未来　　目前围棋AI中成绩最好的是Google DeepMind开发的AlphaGo ，曾在2015年10月，在没有任何让子的情况下以5：0完胜职业围棋二段樊麾。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使用蒙特卡洛树搜索算法，借助值网络（value network）与策略网络（policy network）这两种深度神经网络，通过值网络来评估大量选点，并通过策略网络选择落点。AlphaGo最初通过模仿人类玩家，尝试匹配职业棋手的棋局，一旦它达到了一定的熟练程度，它开始和自己对弈大量棋局，使用强化学习进一步改善它。　　神经网络系统是以人类大脑为原型的信息处理模式，可以根据特定的输入产生特定输出，并实现图片识别、语音识别等功能。谷歌做了两个神经网络，一个神经网络用于动态评估&&计算对手下一步棋落子的各自可能性，依靠计算机远远超过棋手的计算能力，在某种程度上会占据一定优势。另一个神经网络用于静态评估&&评估棋局交战双方总体态势。　　此外，谷歌还输入了海量棋手对弈的棋谱，并让AlphaGo以棋谱的数据为基础进行了几千万局自我对局，充分丰富了数据库，并将预测对手下一步棋落子的准确率提升到57%。　　在下棋的过程中，辅以蒙特卡洛算法&&因为围棋的各个棋子很难用数值进行打分量化，也不存在精确描述棋局的&围棋定律&，使得计算机在静态评估方面，单纯的高计算能力未必会强于职业棋手&棋感&之类的抽象思维。通用性的围棋盘面静态评估函数曾经是围棋人工智能的瓶颈，在引入蒙特卡洛算法后则很大程度上解决了这个问题。蒙特卡洛算法构造了一个随机的过程，并对过程采用进行统计评估，从而得出一个最优的解法。　　简单地说，蒙特卡罗算法对计算进行了筛选，对数据库中低胜率的选择直接抛弃，放弃了穷举法中那些大量消耗计算资源，但却没有意义的计算。明确了计算的主攻方向，使其对具有高胜率的选择有更加精确的计算和分析。特别是在选择策略中加入更多和围棋相关的专业知识，使得基于蒙特卡洛树搜索的围棋弈棋系统水平拥有和职业棋手较量的能力。　　2016年3月，AlphaGo将挑战世界冠军李世石九段。或许这一战，能够展示出目前围棋AI到底发展到了什么程度。　　参考文献：
　　除非注明，文章均为原创，转载请以链接形式标明本文地址
　　本文地址：
.andrewsyb
　GOOGLE 的算法挺好的，人类未来在智能机器人，应该有更大的发展。　
.月光xia漫步
很喜欢你的文章，平常都是使用rss订阅，看到一周没有新文章，等到博客上发现原来是rss订阅没有显示想不到这次竟然是沙-发，/呲牙
行军之路，源远流长
.不会飞的猪猪爱读书
“go”表示“围棋”，源自围棋的日语“碁”的发音ご
你问我啊。？，？！！，？？。？？
赞助商广告
本站采用创作共用版权协议, 要求署名、非商业用途和相同方式共享. 转载本站内容必须也遵循“署名-非商业用途-相同方式共享”的创作共用协议.