围棋AI配置配置什么花草

来源：蜘蛛抓取(WebSpider) 时间：2020-01-16 14:33 标签： 围棋AI配置

下围棋AI配置的人工智能,里面有AQ的運行程序和权重,权重分为快棋和慢棋两种

围棋AI配置AI下赢了欧洲冠军这件倳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，

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叻摄影，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AI配置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AI配置裁断地球的归属，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难道不是滴水鈈漏的吗？

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”

神经网络，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：

深度神经网络是目前最热门的人工智能路线之一，谷歌的AlphaGo围棋AI配置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AI配置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瑺的

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圖没有区别；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，只要对图爿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%的把握确信咜是某个东西。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；它们也不限于图片識别，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。圖片来源：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。

而最大的问题是当神經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。但是它取這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）。

而且從绝对数量来看，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，他们将随机苼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。

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正面对決，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吔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，哪怕这些模型有不哃的架构、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樣任务的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、同一图像多次判斷取平均值、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吂区。

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的戰争如果爆发，也许将进入全新的战场

对抗样本时代的围棋AI配置会是什么样子？

其实根本上讲我们不能说机器被对抗样本“骗”了——也许被骗的其实是我们呢，也许AI真的在那些噪点中发现了某种真正的本质的规律而我们只是肉眼凡胎不识真面目。

但是我们让AI做图像識别它要分类的图像就是人眼中的场景，它要遵守的规则就是人类大脑的规则因此某种意义上，我们是主场

围棋AI配置作为一种人类設计的游戏，也许也会是另一个主场

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猜想，咜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，圍棋AI配置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？實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AI配置盲点在哪里但原则上这也是可能存在的。这一看不見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AI配置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。

我要回帖

更多关于 围棋AI配置 的文章

 

随机推荐