您现在的位置：> > >
AlphaGo是否代表了人工智能的成功和未来
相信在最近几天时间里无论是否关注围棋，只要你是一个拥有基本社交关系的正常青年，一定都被AlphaGo VS. 韩国职业九段围棋棋手李世石（或李世h）的重磅对抗新闻刷了无数屏。对阵双方是Google旗下DeepMind公司[1-2]开发的AlphaGo围棋人工智能（Artificial Intelligence, AI）程序和韩国乃至世界顶级围棋高手李世石，DeepMind试图证明AI科技可以使冰冷的计算机具备人类思考意识，以期未来布局到游戏、医疗、机器人以及手机等领域从而更好地服务人类；而李世石作为代表人类的一方，则试图抛开人类的偏见和自负，承担起捍卫圣杯的义务（当然，胜利一方将获得$100w美金奖金）。遗憾的是李世石目前已经输掉了整场比赛，被AlphaGo以3: 0的比分毫无悬念摘下这场天王山之战的胜果（按照官方赛制规定比赛采用5局3胜制，无论哪一方提前胜出都要下满5局），现在社交网络上的风评已经由讨论比分几比几转变成讨论李世石到底能不能扳回哪怕一城？(创事记注：在13日进行的第四局比赛中，李世石战胜AlphaGo，获得了其在本次系列赛的首场胜利。)透过直播甚至能看到比赛期间李世石频繁摇头叹气，赛前誓言要5: 0血洗AI的豪气早已不复存在，私下里还被网民戏谑为&Google高级软件测试工程师&。
前三场比赛的比分
如果不出意外，这场比赛将会以人类一方被5: 0的血洗终结并载入AI科技发展史。AlphaGo内部的增强学习机制只会让其棋艺越来越专业，而且机器不会受情感波动的影响稳定发挥，所以现阶段压力几乎全扑向李世石一边，剩下两局已经不再是输赢的问题了，这对他旗艺的发挥必然造成影响。
这场比赛为什么空前受瞩？
此役之前，AlphaGo曾以5: 0的大比分轻松横扫欧洲围棋冠军樊麾，初步证明了AlphaGo的围棋&思考&能力已经具备围棋大师赛水准。按照最新的Elo分数世界排名（http://www.goratings.org/），樊麾以2986分排名世界第513 / 827位，属于职业二段棋手，而李世石的得分是3520，世界排名第4 / 827（年间世界排名第1，近几年长期盘踞前4状态），属于职业九段棋手，几乎代表了人类围棋博弈的智慧顶峰，所以这场比赛和1997年IBM的计算机程序&深蓝& VS. 加里&卡斯帕罗夫那场国际象棋大赛地位相当。
Elo分数排名和分布
从解空间大小来看国际象棋的穷举解空间只有10^46，而围棋的穷举解空间高达10^172，即使穷尽整个宇宙的物质也存不下围棋的所有可能性（宇宙中的原子总数是10^80），针对每一步落子的棋局分析和剪枝优化判定都比国际象棋复杂得多。很多没有算法概念的小白一厢情愿地认为只要用足够多的计算资源进行暴力穷举（brute-force）就能得到最优解，这种心态类似著名的猴子无限定理中所描述的：让一只猴子在打字机上随机地按键，当按键时间达到无穷时，几乎必然能够打出任何给定的文字，比如莎士比亚的全套著作。不过在现实中，猴子打出一篇像样的文章的概率是零，因为科学家经过反复试验后发现，猴子在使用键盘时通常会连按某一个键或拍击键盘，2003年，某个科学家做了这个实验，结果打出了5张全是&S&的纸。最终打出的文字不可能成为一个完整的句子。这是因为现实是非常大的有限，而不是严格意义上的无限。
AlphaGo解空间示意图
AlphaGo是什么，有何厉害之处？
通过阅读AlphaGo发表在《Nature 2016》上的文章Mastering the game of Go with deep neuralnetworks and tree search[3]可以了解到：
Abstract: The game of Go has long been viewed as the most challengingof classic games for artificial intelligence owing to its enormous search spaceand the difficulty of evaluating board positions and moves. Here we introduce a new approach tocomputer Go that uses &value networks& to evaluate board positions and &policynetworks& to select moves. These deep neural networks are trained by a novelcombination of supervised learning from human expert games, and reinforcementlearning from games of self-play. Without any lookahead search, the neuralnetworks play Go at the level of state-of-the-art Monte Carlo tree searchprograms that simulate thousands of random games of self-play. We alsointroduce a new search algorithm that combines Monte Carlo simulation with valueand policy networks. Using this search algorithm, our program AlphaGoachieved a 99.8% winning rate against other Go programs, and defeated the humanEuropean Go champion by 5 games to 0. This is the first time that a computerprogram has defeated a human professional player in the full-sized game of Go,a feat previously thought to be at least a decade away.
AlphaGo的神经网络训练模型和架构
通俗地讲，AlphaGo就是一套针对围棋周密设计的深度学习引擎，采用多种机器学习技术进行整合：增强学习（reinforcement learning），深度神经网络（deep neural network），走棋网络（policy network）、快速走子（fast rollout）、估值网络（Value Network）和蒙特卡洛树搜索（Monte Carlo tree search, MCTS），加上Google强大的硬件支撑和云计算资源，结合CPU & GPU，通过增强学习和自我博弈学习不断提高自身水平[4-5]。值得一提的是，paper两位主要作者之一的Aja Huang（一名低调的台湾教授，另一位是David Silver）也是一名围棋爱好者，目前水平已经达到业余六级（普通人一般是业余二级），整个AlphaGo主要来自两位在博士阶段及毕业以后五年以上的积累。
在未来，AI科技能否超越人脑？
自1956年AI这个概念被提出并确立以来，一共经历了符号主义& 专家系统&&&& 统计学习& 神经网络& 深度学习等几大重要阶段，尤其是近十年来对深度学习的研究使得AI在历经神经网络发展低潮过后再一次空前崛起。回顾过往，历史上比较著名的AI对抗人类智慧事件共有三次：
1.1997年IBM的计算机程序&深蓝&在国际象棋大赛中以3.5: 2.5 （2胜1负3平）战胜加里&卡斯帕罗夫，当时使用的是人工调整的评估函数，而且是用特殊设计的硬件和&暴力&的搜索。
2.2011 - 2012年，吴恩达（Andrew Y. Ng）在Google Brain搭建了一个拥有1.6万多个微处理器、数十亿连接的神经网络，通过观看千万数量级的YouTube图像后，无监督地从里面自主辨识出了&猫&这种生物。然而这样一个庞大集群却也只能达到一个几岁孩子的思维水平。
吴恩达现就职于百度，担任公司首席科学家，负责百度研究院的领导工作，尤其是Baidu Brain计划。
3.近期，Google旗下DeepMind的AlphaGo与韩国职业九段围棋棋手李世石的围棋对抗，目前比分为AlphaGo: 李世石 = 3: 0，AlphaGo胜。
那么，若AlphaGo赢下全部五局比赛，是否意味着AI科技进入全面应用的智能生活时代？不尽然也。按照智能程度分类，AI可以分为强人工智能和弱人工智能，强人工智能的观点是让机器真正的思考（can machine really think），弱人工智能的观点是让机器智能的行动（can machine act intelligent），本质上现有的大多数AI系统包括AlphaGo都还处于弱人工智能阶段，人工投入越多，智能的表现就越多，机器只是执行人类复杂程序命令，并不具备类人情感情绪和思维思考。注意到对AI的分类并不是以解空间大小作为标准，像语音 / 图像搜索、机器翻译、智能家居和无人驾驶等即将或已投入使用的AI科技的计算体量都比AlphaGo小得多。
谷歌人工智能软件首赢韩国选手李世石看上去是一座里程碑，它似乎意味着电脑已经能做任何人类所擅长的事，但事实并非如此。世界上还有无数人类能够完成的任务，是电脑难以接近的。&世界上最强大的力量应当是人类本身，而不是一把铁锹或者核潜艇。人类制造的产物不讲道德和感情，但他们拥有力量，这种力量的快速增长往往让人类感到恐惧。&&&英国《卫报》
让电脑模拟出人类思维方式是一件很难的事情，计算机能正常运转是通过按部就班地执行一行行程序代码实现，这些代码指令最终都会变成0和1的二进制机器码。
一个简单的搜索引擎案例，当你想了解黄晓明的家人都有谁时，会在搜索框中输入&黄晓明的老婆是谁&，结果是Angelbaby，但如果你想继续了解&黄晓明的妈妈是谁&，就必须重新执行第二次搜索动作才会得到结果。试想一下如果搜索引擎具备了人脑的思维方式，整个过程将会变成：&黄晓明的老婆是谁&&&Angelbaby&&&妈妈呢&&&张素霞&，相当便捷。如果将这种搜索方式以语音的方式交互，省去在小块手机屏幕上打字输入的烦恼，对搜索用户体验将带来极大的提升。语音搜索是一种结合多种AI技术的典型应用，包括但不限于语音识别（speech recognition）、自然语言处理（natural language processing, nlp）、机器学习（machine learning, ml）和对数据的挖掘（data minging, dm）和呈现（data visualization），实现过程相对于单一任务、封闭式规则的围棋项目要复杂许多，可以通过语义理解与多轮对话精准识别你的需求，带有一定的思考判断能力。在未来，语音搜索可以应用到例如智能硬件服务、汽车导航助手、基于语音特征的金融支付、新闻媒体和咨询顾问等行业中，不排除未来发展成为强人工智能的趋势。
具有多轮对话功能的语音搜索
丰富的社交网络让人人自带媒体属性，情感在互联网上被肆意发泄，可以无时无刻分享心情和照片。最近几年因深度学习被大力推崇与发展，搜索功能也变得不再单一，尤其是语音和图像搜索识别技术开始大放异彩，无数科学家前后投入希望搜索引擎更加智能地服务用户。比如哪一天你在朋友圈刷到一张美女明星图，不追星的你出于对美女的钟爱也很想知道这是哪位明星以及她的基本资料，只要将图片保存后上传到图像搜索引擎中分析识别，计算机会帮你找到想知道的信息。
基于海量数据的图像识别
除此之外，还有基于人脸、姿态和场景等综合的相似性图像推送。
基于海量数据的相似图片推送
语言是沟通的桥梁。在没有中间翻译的条件下，两个不同语种的人交流往往十分困难。近年来伴随着语音识别和深度神经网络（DNN）等技术的快速发展和经济全球化的需求，多语言机器翻译研究成为当今信息处理领域新的研究热点。基于深度学习的翻译系统的核心是一个拥有无数结点（神经元）的深度神经网络，一种语言的句子被向量化之后，在网络中层层传递，转化为计算机可以&理解&的表示形式，再经过多层复杂的传导运算，生成另一种语言的译文。
机器翻译演示
以目前的发展趋势预测，AI替代人类部分工作只是时间问题，这在众多领域已经初现端倪。最后引用开复老师的精彩答案[6]来回答：战胜李世石的AlphaGo是否代表了人工智能的成功和未来？
1.在可以凭逻辑分析推算的问题上，机器即将远远把人类抛在后面。机器速度会越来越快，学习能力会越来越强，数据会越来越多。当年，大家讨论&国际象棋输给机器不算什么，围棋才是真正的智慧&只是我们人类维护自己尊严但是不实际的幻想！今天，我们该面对现实了！
2.在大数据机器学习大规模并行计算的时代，我们将看到无数的商机和产品，能够在预测、分析、推荐等方面，产生巨大的商业和用户价值。不过，这些解决方案和人类相比，其实没有什么意义，因为人差太远了（比如说：推荐引擎将能推荐你最可能会买的产品、想吃的菜，想认识的人；自动交易能得到更高的投资回报和风险比例。。。）。
3.在感知方面，人类也将会被机器超越。今天的语音识别，人脸识别，未来的自动驾驶，都是例子。
4.但是，以上都还是冷冰冰的技术，机器打败了世界冠军也没有感到高兴（甚至说不出为什么）。对于那些科幻片的粉丝们：机器人是否会人性化？这还是未知的。毕竟，在情感、喜怒哀乐、七情六欲、人文艺术、美和爱、价值观等方面，机器离人还差的很远，甚至连基础都没有。对人工智能的研究者，这是下一个挑战。对我们人类，在下个突破之前，我们还是多发展右脑吧！
1.DeepMind：/alpha-go.html
2.DeepMindOffical Blog：http://googleresearch.blogspot.sg/2016/01
/alphago-mastering-ancient-game-of-go.html
3.《Mastering the game of Go with deep neural networks and treesearch》：/nature/journal/v529/n7587/full/nature16961.html，
百度云分享：/s/1nuyNtk1
4.《AlphaGo的分析》：/yuandong/
5.《AlphaGo究竟是如何打败人类&最强围棋大脑&的？一篇论文告诉你答案》：http://mp./s?__biz=MjM5NTU0MTAzNQ==&mid=&idx=1&sn=fb3fa527ab3c9dda
c5bc7bba2771e6fb&scene=1&srcid=03139nyzbOCFFr8wEH0seGeA#wechat_redirect
6.《李世石能战胜 AlphaGo 吗？》&&李开复的回答：/question
作者简介：Michael282694，知乎互联网领域小V，写得一手好代码，吐得一手好嘈。
上一篇： 下一篇：
【对“AlphaGo是否代表了人工智能的成功和未来”发布评论】
版权及免责声明：
① 本网站部分投稿来源于“网友”，涉及投资、理财、消费等内容，请亲们反复甄别，切勿轻信。本网站部分由赞助商提供的内容属于【广告】性质，仅供阅读，不构成具体实施建议，请谨慎对待。据此操作，风险自担。
② 内容来源注明“硅谷网”及其相关称谓的文字、图片和音视频，版权均属本网站所有，任何媒体、网站或个人需经本网站许可方可复制或转载，并在使用时必须注明来源【硅谷网】或对应来源，违者本网站将依法追究责任。
③ 注明来源为各大报纸、杂志、网站及其他媒体的文章，文章原作者享有著作权，本网站转载其他媒体稿件是为传播更多的信息，并不代表赞同其观点和对其真实性负责，本网站不承担此类稿件侵权行为的连带责任。
④ 本网站不对非自身发布内容的真实性、合法性、准确性作担保。若硅谷网因为自身和转载内容，涉及到侵权、违法等问题，请有关单位或个人速与本网站取得联系（联系电话：），我们将第一时间核实处理。
令中国媒体感到意外的是，三星韩国总部似乎并没有针对中国手机爆炸事件做出对策，在发……
| Copyright ©
硅谷网 版权所有 网站热线：（+86）010-
WWW.GUIGU.ORG All rights reserved.揭秘AlphaGo背后团队：人工智能的下一个目标是什么？|人工智能|AlphaGo_凤凰科技
揭秘AlphaGo背后团队：人工智能的下一个目标是什么？
用微信扫描二维码分享至好友和朋友圈
近日，Deepmind创始人Demis Hassabis在接受The Verge采访时透露， AlphaGo仅仅是谷歌人工智能项目的一个分支。”
AlphaGo背后团队 攻克围棋，仅仅是AlphaGo背后Deepmind团队的第一步。 近日，Deepmind创始人Demis Hassabis在接受The Verge采访时透露， AlphaGo仅仅是谷歌人工智能项目的一个分支。在未来，Deepmind主要目的是&用人工智能解决一切问题&，并将进一步探索人工智能在医疗、机器人以及手机等多个领域的应用。 回溯Demis Hassabis的成功之路，从一个获得过5次智力奥林匹克冠军的国际象棋神童，到两科优等成绩获得剑桥大学计算机科学学位的青少年，再到创造了第一款包含人工智能的视频游戏《主题公园》并创立了开创性的视频游戏公司Elixir1，之后离开游戏产业深造神经科学的PhD学位后于2010年创立Deepmind团队，你会发现他的经历十分与众不同。 Hassabis接受The Verge采访时正值AlphaGo首胜李世石九段的次日清早，如果说这个时候他把来自媒体的追问抛到九霄云外似乎也无可厚非。然而他却依旧热情友好，当Google方面的代表告诉Hassabis一夕之间有超过3300篇韩国媒体关于他的采访时，Hassabis表示出了明显的诧异：&这真是难以置信，不过看到一个高深莫测的东西在短时间内变得如此受欢迎，还是一件有趣的事情。& 围棋将是永恒的圣杯 据Hassabis称：&围棋一直位于完美信息游戏的顶峰之处，在可能性方面围棋比国际象棋复杂得多，所以，尤其是在深蓝之后，围棋对于人工智能来说意味着可望而不可及的圣杯。尽管我们做出了很多的努力，但仍旧没有特别深入的领悟围棋。蒙特卡罗树搜索可以说是十年前的一项重大革新，但是我认为对于AlphaGo的研发更为重要的部分在于我们引入了深度神经网使得人工智能拥有了所谓的直觉方面的判断力。可以说好的直觉是令顶尖棋手出类拔萃的关键原因，在昨天的比赛的实时解说中，当我看到麦克雷蒙九段在计算结果方面表示很难判断的时候，再次感到写出一套围棋价值判断的程序极其困难。 此外，对于AlphaGo在实战过程中下出的一些出其不意的招数，Hassabis表示十分震惊：&我相信李世石也会是同样的感觉，从他的面部表情上面可以观察出来，当AlphaGo向左进击李世石的领域时，我承认这的确出人意料。&同时他也认为，AlphaGo的下法极具进攻性，在某种程度上来说，AlphaGo在用李世石的长项来进行对抗。Hassabis说：&李世石以奇招频出和善于把控局势闻名，可以说AlphaGo在第一场比赛中下出了我们想要看到的局面，在开始的时候，它只是在整个棋盘上进行布局并没有实质地占领某块区域。传统的围棋程序之所以具有明显的短板，是因为它们精于计算却缺乏一种大局观。& 为何AlphaGo的胜利意义重大 举办这场比赛的初衷在于评估AlphaGo 的能力，谈及从AlphaGo的胜利中学到了什么以及未来它的发展方向，Hassabis表示：&通过比赛我们意识到我们目前所处的环节比之前预计的更加先进。对于完美信息游戏，围棋一直位于金字塔尖，还有许多顶级的围棋高手等待对决。此外，还有很多其他的游戏，比如说无限制扑克，因为是不完美信息游戏，因此多人游戏也是一个挑战。显而易见所有人类比机器玩儿的好的电子游戏也可以被考虑其中，比如说《星际争霸》在韩国也是非常受欢迎的。在信息不完美世界里，策略游戏对决策能力有极高的要求，因为能够被看到的仅仅是全局的一部分。而在围棋之中全盘情况都是可视的，这点对于电脑来说会使游戏略微容易一些。& 尽管用人工智能进行游戏对战刺激有趣，但是Deepmind团队还是希望将人工智能用于更多主流的项目当中。Hassabis表示他本人对游戏十分感兴趣，也许是曾经写过游戏，但是目前来说，游戏仅仅是提供测试平台用来测试我们的算法并且评估它们的等级的一个行之有效的办法。而Deepmind的终极目标在于用人工智能解决真实世界中的棘手问题。 谈及自己过去从事游戏行业的经历对现在有何影响时，Hassabis说：&可以说创立Deepmind一直以来是我的最终目的，我用了近20年筹划这个事情，如果你从一个最终我将要从事人工智能研究的角度审视我的经历，你会发现我的每一步选择都是朝向人工智能的，熟悉我的Bullfrog员工都知道，我写的所有游戏的核心都是与人工智能相关的。在16岁的时候写《主题公园》游戏的时候我第一次意识到如果我们全力以赴进行研究，人工智能的前景不可估量。这款游戏十分畅销，说明玩家享受其中，因为人工智能十分贴合玩家的心意。因此我继续在游戏领域进行拓展，然而在2000年的时候我感觉到我们已经在&从后门偷偷逼近&人工智能研究的路上走到了尽头，因为不管怎么样你的最终目标都只是做出一款游戏，所以我转而去学习神经科学，以期在人工智能领域有所进展。& Hassabis认为人工智能在90年代最直观的应用即是体现在游戏行业，那时，学术界的研究没有什么动静，一些诸如增强学习、深度学习、神经网络等新技术都没有得到应用与推广，所以游戏成为人工智能最好的应用领域，当然那时的人工智能与现在大相径庭，当时的人工智能更像是较为复杂的有限状态机（FSM），游戏Black &White中应用到了增强学习技术，到目前为止我仍旧认为这是在游戏中应用最复杂的案例。然而到了2004年左右，游戏行业发生了很大的变化，不再像90年代那样只要你有一个不错的点子就可以做一款游戏，游戏行业变得更加注重画面感，并且官方授权也变得十分重要，像FIFA系列游戏就是一个很好的例子。所以我认为做游戏不再像以前那样有趣了，并且我已经在游戏领域积蓄了创立Deepmind所需的信息与经验，这个时候神经科学引起了我的兴趣，我很想从明白大脑解决问题的过程中获得灵感，所以读一个神经科学的PhD再合适不过了。& 人工智能如何改变医疗领 人工智能的主要应用将会在医疗、智能手机助手、机器人科学领域，在医疗方面，目前认知计算系统IBM Watson已经着手进行癌症诊断的项目，据此，Deepmind表示几周之前已经开始了和NHS（英国国家医疗服务体系）的合作，构建一个可以应用机器学习智能的平台。Hassabis认为IBM Watson所做的工作与Deepmind团队的工作有所区别，癌症筛查更像是一个专家系统，是另一种形式的人工智能，这类人工智能所能做到的是进行图像方面的医学诊断，自我量化然后进行重要特征的横向比对以及大量的筛查，从而指导人们拥有更健康的生活方式，我认为把增强学习技术用于这个领域较为适宜。 对于与NHS的合作，Deepmind推出了一款并未有用到AI或是机器学习的应用程序，原因在于NHS软件自身来看较为落后，它们并不是移动端的，完全不适用于目前消费者的使用习惯，并且对于医生和护士来说这个软件十分低效。所以Deepmind首先会改善可视化与基础化信息，借此看清真正的需求，继而将更加熟练的机器运用其中。 未来核心应用领域 在第一天发布会的演讲中，Hassabis使用了电影《她》中的海报作为讲解的背景，对此他解释道：&关于智能手机助手的样子，《她》是较为盛行的主流观点，我的看法是应该让智能手机助手变得更加&人性化&，使它能够对你的需求有更加深刻的理解。而目前大部分这样的系统都极为脆弱，一旦偏离了预先编程输入的模版，它们就会变得毫无用处。& 正如Hassabis所言，目前基本所有的智能手机助手都属于特殊案例和预编程的，这意味着它们很脆弱，只能做预编程写好的事。然而真实的世界非常混乱，用户们也会在你无法提前知晓的情况下，做着不可预知的事情。所以DeepMind 的信念是：通往人工智能的唯一道路，是从地基开始打起，而且变得通用。这也是最根本的原则之一。 针对这点该如何改进，Hassabis的看法是：&由于智能手机的输入十分多变，所以或许得输入有&上万吨&的数据，才可以从中学习到很多东西。根据AlphaGo 的算法，我们打算在未来几个月尝试的是，摆脱监督式学习的出发点，让它完全自我发挥，从一无所有的状态开始。它会需要更长的时间，因为当你采用随机方法的时候，其中的审查和错误会需要更多的时间训练，也许是几个月。但是，我们认为有这个可能性，让它从纯粹的学习中起步。&对于何时才能看到人工智能给市场带来显著性差异，Hassabis给出的答案是：&我认为在未来的两到三年会开始看到改善。我的意思是，这些改善在开始的时候是非常微小的，只有很小的部分会工作的更好。也许在未来的4 到5 年，甚至5 年更多，你可以看到智能手机在功能上大的变化。& 为何选择Google ？ 事实上，AlphaGo 在比赛中并没有使用那么多硬件，然而Deepmind团队需要大量的硬件来训练它，做各种不同的版本，并让他们在云端互相比赛。这需要相当多的硬件才能高效完成，所以如果没有这些资源，在这段时间内根本无法完成。这也是Deepmind选择与Google合作的原因之一。 关于是否期待被纳入Google商业模式与产品路线图中，Hassabis认为：&在如何最优化研究进展方面，我们有很强的主导权。这是我们的使命，也是为什么我们加入了Google，这样我们可以给研究进行涡轮增压。这是发生在过去几年的事情。当然，我们实际上也致力于很多Google 内部的产品，但是他们是非常早期的阶段，所以还没准备好公布。当然我认为智能手机助手是非常核心的，我认为Sundar Pichai 已经对此谈了很多，这是Google 未来的核心。& 对于与Google Brain是否有合作，Hassabis表示：&其实我们是非常互补的。我们每周都有交谈。Google Brain 主要致力于深度学习，他们也有非常卓越的工程师Jeff Dean，所以他们已经铺开到公司的各个角落，这也是为什么我们发明出了令人惊喜的Google 图片搜索。他们正在做着现象级的工作。另外，他们的团队在山景城，所以他们离产品团队更近，他们的研究周期也更像12 到18 个月。而我们有更多算法开发的工作，我们倾向于为需要两三年研究的事情做研究，而且不需要在开始的时候就有直接的产品焦点。& 关注未来科学 关于机器人科学目前的发展状况，Hassabis认为它们或许有漂亮的躯干，但是依然缺乏智慧的&大脑&，与智能手机助手目前的状况相似，机器人目前似乎只能对预先进行编程的情况作出反应，一旦处于状况之外，机器人无疑会无所适从。因此如何通过机器学习强化机器人的能力十分重要。 对于科学习的机器人，Hassabis举出了一些直接使用的案例：&显然，自动驾驶是一种机器人，但目前来说还是狭义的人工智能，虽然他们使用了计算机视觉里面一些可学习的人工智能&&特斯拉采用了一种基于深度学习的标准、现场的计算机视觉方案。我相信日本在老年护理机器人、家庭清洁机器人上面有很多思考，我认为这对社会会非常有用。特别是在一个人口老龄化的社会里，我认为是一个非常紧迫的问题。& 对人类、机器人和人工智能在未来的交互，Hassabis的期望是：&我自己对机器人没多少思考。我自己对人工智能的使用感到兴奋的领域是科学，能够推动它更快的发展。我想看到人工智能未来能够辅助科学，如果有一个人工智能研究助手，它可以做很多乏味的工作，阅读有趣的论文，从海量的数据中找到结构，并把它们呈现到人类专家和科学家面前，以实现更快的技术突破。我几个月前在欧洲核子研究中心做演讲，很显然它们创造出比地球上任何地方都多的数据，我们都知道在它们海量的硬盘中，可能会有某个新的粒子发现，但没有人能抽出时间做这件事情，因为这里的数据量的确太过庞大。所以我觉得，如果有一天人工智能参与寻找到一个新的粒子，那么是一件非常酷的事。&
[责任编辑：张楠 PT012]
责任编辑：张楠 PT012
用微信扫描二维码分享至好友和朋友圈
凤凰科技官方微信
播放数：1197020
播放数：5808920
播放数：503240
播放数：5808920
48小时点击排行}