谷歌人工智能击败欧洲围棋冠军|人工智能|谷歌|云平台_新浪科技_新浪网
谷歌人工智能击败欧洲围棋冠军
　　昨天宣布，其人工智能研究团队近期取得了一项重要突破：谷歌团队构建的AlphaGo系统通过计算机学习掌握了围棋这项古老的技艺，近期AlphaGo挑战了三度问鼎欧洲围棋桂冠的职业棋手樊麾二段，成绩是5比0。
　　□事件
　　谷歌击败欧洲围棋冠军
　　Google DeepMind团队在最新一期《Nature》上发表论文称，其名为AlphaGo（阿尔法围棋）的人工智能系统，在没有任何让子的情况下以5比0完胜欧洲围棋冠军、职业围棋二段樊麾。樊麾出生在中国，现籍法国，是现任法国国家围棋队总教练。
　　谷歌的人工智能系统AlphaGo不仅知道围棋的规则，且棋力已有一定水平。DeepMind团队设计的这一人工智能系统是为了在围棋比赛中击败人类选手。这是软件首次在全尺寸棋盘对职业棋手的比赛中取得这样的成绩。
　　在公布“打败欧洲围棋冠军”后，DeepMind团队已向全球最优秀的围棋选手之一、韩国世界冠军李世石九段发出挑战。这一比赛将于今年3月进行，谷歌将为此准备100万美元奖金。
　　“这是电脑第一次在公平比赛中向人类职业选手挑战。我自己也很荣幸将与它对弈。无论结果如何，这都将会是围棋史上极具意义的事件。”李世石认为，虽然听说了AlphaGo实力很强，而且正在变得更强，但他有自信至少这次能取得胜利。
　　□释疑
　　1 人工智能怎么取胜的？
　　神经网络运行数千局棋
　　对于如何在围棋上击败人类，谷歌方面做出了一些解释。
　　首先，谷歌用人类围棋高手的三千万步围棋走法训练神经网络，直至神经网络预测人类走法的准确率达到57%。但谷歌认为，他们的目标是击败最优秀的人类棋手，而不止是模仿他们。为了做到这一点，AlphaGo学习自行研究新战略，在它的神经网络之间运行了数千局围棋，利用反复试验调整连接点，这个流程也称为巩固学习。当然，这些都需要大量的计算能力，因此谷歌团队广泛使用了Google云平台，完成大量研究工作。
　　接下来，系统完成训练后，谷歌对其进行测试。AlphaGo的系统和其他顶级计算机围棋程序之间进行了很多比赛，结果AlphaGo在全部500场比赛中只输了一场。去年10月份，信心满满的谷歌邀请樊麾来到该团队位于伦敦的办公室参加挑战赛，取得了这次的胜利。
　　2 “手下败将”怎么说？
　　“他”像奇怪又强大的人
　　《自然》报道了谷歌研究者开发的新围棋AlphaGo战胜人类的消息后，其新闻团队对职业围棋二段樊麾做了采访。
　　樊麾称，在中国，围棋不仅仅是游戏，还是生活的写照。人们常说，如果你的棋局有问题，也许你的生活也出现了问题。
　　“在和AlphaGo下棋之前，我觉得我会赢。”樊麾说，第一局棋之后，他便改了策略，进攻得更多，但还是输了。他认为，人类的问题是，“我们有时会犯下大错，因为我们是人”。我们会疲劳，会因为太过想赢而承受压力。但程序不是这样的，程序很强大，很稳定，就像是一堵墙。“对我来说，这个区别很大。我知道AlphaGo是电脑，但如果没人告诉我，我或许会觉得对手是个有点奇怪、但非常强大的人，一个真实的人。”
　　樊麾坦言，他输棋的时候并不高兴，但所有职业棋手都会输棋。“我输了，我会研究这盘棋，也许会改变下法。我觉得这对今后是件好事。”
　　3 职业棋手怎么看？
　　软件相当于业余六段
　　从樊麾二段与软件的对局情况看，颓势明显，一共五局棋，除了第一局官子决胜负外，后面四局樊麾全部中盘告负。这样的战果也足以说明对局双方的实力确实存在差距。那么击败了职业二段棋手，是否就意味着软件已经达到了职业棋手甚至是职业高段位棋手的实力呢？围棋爱好者别灰心，技术党也别急着欢呼，虽说电脑在围棋上击败人类高手的一天迟早会来到，但现在这一天还为时尚早。
　　“从公布的棋谱来看，电脑的棋力大致相当于国内业余六段棋手的水平，而且可能还达不到强六（业余六段中的强者）的水平。”国内知名围棋选手王煜辉七段这样评价AlphaGo。按照我国围棋的段位制，职业棋手从初段到九段有九个段位，而业余棋手最高等级是业余七段，可以说业余六段已经算是业余棋手中的佼佼者了。据了解，在业余棋手之间，段位能比较清楚地衡量棋力差异，但职业棋手间实力差距就不能只看段位了，高段位棋手输给低段位棋手的情况也司空见惯。
　　据王煜辉估算，他自己如果和击败樊麾的电脑对局，让两子没有十足把握，让先的话赢电脑没什么问题。“如果是韩国的李世石九段或我国的一些超一流棋手，让两子估计有得下。”
　　虽然这次电脑下赢了职业二段棋手，不过这并不说明软件的棋力已经达到了职业棋手水准。据职业围棋界人士介绍，因为对局环境所限，欧美棋手的段位含金量并不高，樊麾长期在海外，其棋力随时间增长反而会有下滑，如今的水平已经很难和国内的职业棋手相比了。
　　&&辣评
　　@@ForFunForGame：本质上还是程序，根本不是人工智能，没什么意思。
　　@@雪誉_mo：打麻将试试，来四川能虐死它。
　　@@海德李希Doing_H：集中所有人类智慧打败人类。
　　@@M銘智：从此，机器人不再需要人类。
　　@@花谷花哥：但愿小李能守住人类的尊严，如果他输了，将意味着人工智能的进步速度已经超乎想象。
　　@@路人转粉王撕葱：总有一天电影里的剧情会变成现实。
　　@@Liosuit：下次选择难易程度的时候记得点简单，不然真的分分钟被打败。一般人我不告诉他。
　　@@网站分析探索者：我想知道再拷贝出来一个AlphaGo，让他俩对战会是什么结果？
　　@@popcorner：机器超过人类就意味着人类不行了？怎么可能嘛，一个领域而已，高铁跑得比人快多了，还不是要给人坐。
　　@@冰焰海贼团：人类挺危险的，机器智能学习，迟早统治世界啊！
　　记者 孟凡泽 古晓宇
　　□观察
　　人机大战的历史与未来
　　1952年计算机掌握了第一款游戏——井字棋（也称三连棋）；接下来是1994年的西洋跳棋；1997年，“深蓝”赢得了国际象棋比赛。人工智能并不局限于桌面游戏，2011年，的Watson在智力游戏Jeopardy中勇夺第一；2014年，谷歌设计的算法通过原始像素输入就学会了数十种雅达利（Atari）游戏。
　　这其中，最受世人瞩目的当属“深蓝”赢得国际象棋比赛。日，国际象棋世界冠军卡斯帕罗夫，与一台名叫“深蓝”的IBM超级计算机经过六局规则比赛的对抗后，最终拱手称臣。号称人类最聪明的卡斯帕罗夫，在前五局2.5对2.5打平的情况下，第六盘决胜局中仅仅走了19步，就败给了“深蓝”。
　　“深蓝”，是一台IBMRS/6000SP32节点的计算机，运行着当时最优秀的商业UNIX操作系统——“大I”的AIX。它的设计思想，着重于如何发挥大规模的并行计算技术，每秒可检查超过两亿步棋。
　　与当年的“深蓝”相比，AlphaGo所评估的棋子位置只有数千分之一。这说明它已经减少大量的无用计算，变得更加智能。
　　在人工智能领域，还有另一个著名的关卡是“图灵测试”。这种由著名计算机科学家图灵提出的测试，是让电脑模仿人类与人类裁判“对话”，如果成功诱使人类裁判认为与之对话的是人，则通过测试。2014年，在英国皇家学会于伦敦举行的“图灵测试”竞赛上，一台名为“尤金·古兹曼”的电脑通过测试。
　　电脑在与人脑的大战中不断过关斩将，但它们目前还面临一个限制，那就是还不会将其智能“通用化”。“深度思维”首席执行官德米什·哈萨比斯说，AlphaGo只会下围棋，如何将这种智能用于其他领域还是一个挑战。如果电脑能够突破这个限制，无疑会将人工智能带入一个新的境界。
　　在推动人工智能发展的过程中，人类如何在伦理上“控制”电脑也是一个挑战。如一些科幻电影描述的那样，许多人担心人工智能的发展可能带来灾难，著名科学家霍金就曾表示人工智能可能会导致人类灭绝。因此，科学家也需要注意让人工智能不会迈出真正挑战人类的“关键一步”。
　　京华时报记者 孟凡泽 综合新华社
再拔高一点，从更宏大的格局上来讲，抄袭甚至可以是免费的学习机...
尽管本财季苹果，特别是营收和利润的核心iPhone趋于零增长让业内...
此刻已经转身成为资本公司的盛大网络，和它曾经投入亿万的泛娱乐...
因小米4C手机使用未授权的专利做宣传，小米遭北京工商局3万元行政处罚。
刷单并非新鲜事，但是刷到名字、价格、销量和评价统统造假的情况，依旧让人吃惊。苹果/安卓/wp
革命中的步兵
革命中的步兵
积分 8124, 距离下一级还需 2056 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡下一级可获得
权限: 签名中使用代码
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 2 天连续签到: 1 天[LV.1]初来乍到
Google人工智能击败欧洲围棋冠军， AlphaGo 究竟是怎么做到的？
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
革命中的步兵
为人类的解放而自强不息、奋斗不息的小卒！
\"当革命者只做警察允许他们做的事情的时候，那么他们就不再是革命者。\"
这个并不太难
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师[导读]Google日前宣布其程序AlphaGo击败了欧洲围棋职业选手，这意味着人工智能技术又或得了极大的突破。随着AlphaGo在没有任何让子的情况下以5：0完胜法国围棋职业二段棋手樊麾，AlphaGo将在三月份对战韩国九段棋手李世乭。
　　近日，《自然》杂志发表了一篇GoogleDeepMind团队——程序AlphaGo的创造者撰写的关于深度学习系统的论文。根据论文描述，在AlphaGo中，DeepMind研究员在程序中录入了大量职业棋手的棋谱——加起来多达3000万步——他们用增强学习的方法训练AI，让它自己下棋，研习棋谱。不过这只是第一步。理论上，这样的训练只能让这个人工智能系统无法突破人类的计算。为了获得更好的成绩，研究员随后让系统进行自我博弈，计算出比基础棋谱更多新的打点。也就是说，战胜人类就要靠这些新的东西。
　　“这其中最重要的是，AlphaGo不仅记录着大量的棋谱，还有一系列规则来指导‘思考’，”DeepMindCEODemisHassabis说道，“事实上，该程序能够通过机器学习的方式掌握比赛技巧。”
　　DeepMind的技术核心结合了“强化学习”及其他人工智能手段，这种技术能够用于解决现实机器人执行物理任务和对环境作出回应的技术问题。就是说，要让机器人变得更“自然”。
　　2014年初，Coulom的围棋程序“疯石（Crazystone）”在一次比赛中战胜九段棋手依田纪基。但是当时是在人类棋手让出4子的情况下赢得比赛，而这次AlphaGo并没有被让子，可以说比赛很公平。
　　人工智能战胜人类围棋到底有多难？即使是最强大的计算机系统也无法在合理的时间内分析出下一步最优的走法。1997年IBM超级计算机“深蓝”则利用了蒙特卡洛搜索树的方式做到了这一点。“深蓝”能够预测出对手下一步会怎么走，而且计算力远高于人类。但是，围棋要复杂得多。国际象棋每一步平均只有35种可能性的走法，但是围棋呢——在19*19的棋盘内，共有361个点，就机器学习的角度而言，围棋的计算最大有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。
　　使用蒙特卡洛树搜索技术，Crazystone等系统能够进行更长远的计算。而结合其他技术的话，它们能够对可能性走法进行刷选，然后选择出最优的策略。在大多数情况下，它们能够战胜人类选手，但不是最厉害的那一个。顶级大师中，走法很多时候依靠直觉——做棋除了需要计算，还有棋感——棋手能够根据棋形分析攻防线路。“好的棋形看起来顺手多了，”Hassabis本身也是一名围棋手，“这其中不只有计算角力，还有审美。这也是围棋几千年来都让人着迷的原因。”
　　因此，从2014年至2015年间，包括Facebook、爱丁堡大学、DeepMind等人工智能研究团队都将围棋人工智能系统的突破方向瞄准为——使得程序能够模仿人类的直觉式思维。
　　深度学习要依靠神经网络技术，它是可以模拟人脑中神经元网络的软硬件网络。神经网络不会依靠蛮力或预先输入的规则，而是会分析大量数据，“学习”特定的任务。给神经网络提供足够的喵星人照片，它就能学习识别喵星人；提供足够的语音，它也会学习理解人类的语言；提供足够的围棋走法，它也会学会围棋。
　　在DeepMind，爱丁堡和Facebook，研究人员希望神经网络能像人类选手一样，通过观看棋盘学习围棋。Facebook在最新的研究中表明，这种方法确实可行。结合深度学习与蒙特卡洛树搜索方法，Facebook打败了一些人类选手，虽然并非是Crazystone和其他顶尖选手。
　　但DeepMind走得更远。在经过3000万步人类走法的训练后，它的神经网络能以57%的准确度（此前记录是44%）预测人类的下一步。然后Hassabis和团队通过强化学习技术，让这一神经网络与它自己的另一个稍有区别的版本对战。两者互搏中，系统会评估哪一步效果最好，即占领更多棋盘区域。最终，神经网络在判断哪一步更好时会越来越优秀。
　　DeepMind的研究者DavidSilver表示，“在与其它神经网络和它自己对战数百万局后，AlphaGo学会了自己发现新策略，并逐渐提高了水平。”
　　正是这种方法帮AlphaGo超越了其它围棋AI系统，包括Crazystone。但事情还没完，研究人员随后将结果再反馈给第二个神经网络。了解前任的走法了，第二个神经网络会使用许多相同的技术来判断每一步的后果。这一过程与深蓝等旧系统在国际象棋上的做法类似，只是它会在下棋过程中学习，分析更多数据，而非暴力破解所有可能的步骤。这样，AlphaGo不仅能战胜AI，还能战胜顶尖人类选手了。
计算机网络
　　与其它神经网络一样，DeepMind的系统运行在配备了GPU的机器上。GPU最初用于渲染游戏图像，但后来有人发现，它们很适合深度学习。Hassabis表示，DeepMind系统在装备了一定数量GPU芯片的单一电脑上也可以用，但与樊麾对战中，他们用上了更大的计算机网络，其包括170个GPU和1200个标准CPU。大的计算机网络训练了同样的系统并进行了实际对战，还借鉴了训练的结果。
　　尽管Hassabiss会不断改善系统，但待AlphaGo与韩国选手李世乭对战时，他们会使用相同的配置。比赛中系统也需要网络连接，而且他们会“自己铺设光纤”。
　　挑战世界冠军比挑战樊麾难得多，但Coulom还是认为DeepMind会赢。他过去数十年一直在开发能打败最好选手的系统，现在他认为这一目标已经实现了，他买GPU会赢。
　　接下来……
　　AlphaGo的重要性不言而喻。同样的技术还能用于机器人和科学研究，以及类似于Siri的数字助理和金融系统。深度学习创业Skymind的创始人ChrisNicholson就认为，技术“能用于任何对抗性问题，任何类似于游戏且需要策略的事情，包括战争、商业和交易”。
　　对有些人来说，这是一件值得忧虑的事，特别是DeepMind的系统还能自己学会下围棋。它不仅能从人类提供的数学中学习，还能生成自己的数据，在与自己下棋中学习。特斯拉创始人埃隆·马斯克等大佬多次声明，这类AI系统会最终超越人类智能，脱离掌控。
　　幸而DeepMind的系统还在Hassabis等人的控制之下。虽然他们用系统破解了复杂的游戏，但这仍只是个游戏。AlphaGo离人类智能还很远，更不论超级智能了。下棋是一种高度结构化的情景，系统也没有人类级别的理解力。但它代表了一种方向，即如果AI能理解围棋，它也会理解更多事。
如果宇宙就是一局超大型的围棋呢？
编辑：LanceGoogle人工智能击败欧洲围棋冠军， AlphaGo 究竟是怎么做到的？-科技资讯-龙岩都市网
Google人工智能击败欧洲围棋冠军， AlphaGo 究竟是怎么做到的？
时间： 18:10:52
核心提示：
编者按：本文由新智元原创翻译自Nature。如果觉得此文深奥，关于机器学习，还可看雷锋网早期文章：《为了评估AlphaGo，我们在诸多AlphaGo...
编者按：本文由新智元原创翻译自Nature。如果觉得此文深奥，关于机器学习，还可看雷锋网早期文章：《为了评估AlphaGo，我们在诸多AlphaGo变体和一些其他围棋程序中进行了内部比赛，这其中包括了最强大的商业程序Crazy Stone和Zen，还有最大的开源程序Pachi和Fuego。所有这些程序都是基于高性能MCTS算法。此外，比赛也包含了开源程序GnuGo，这个程序使用了在MCTS之前出现的最先进的方法。规定所有程序每次落子有5秒的计算时间。比赛的结果表明单机AlphaGo领先任何之前的围棋程序很多段位，取得了495局比赛中494次胜利的成绩（99.8%）。为了给AlphaGo提出更大的挑战，我们也让AlphaGo让四子（让子，即对手自由落子）来比赛；AlphaGo让子竞赛中对阵Crazy Stone、Zen和Pachi时分别取得了77%、86%和99%的成绩。分布式AlphaGo明显更强大，对阵单机AlphaGo取得77%的成绩，完胜其他程序。详解：AlphaGo 如何在对弈中选择步法黑色棋子代表AlphaGo正处于下棋状态，对于下面的每一个统计，橙色圆圈代表的是最大值所处的位置。红色圆圈表示AlphaGo选择的步法；白方格表示樊麾作出的回应；樊麾赛后评论说：他特别欣赏AlphaGo预测的（标记为1）的步法。AlphaGo与樊麾的比赛结果以编号形式展示了AlphaGo和樊麾进行围棋比赛时各自的落子顺序。棋盘下方成对放置的棋子表示了相同交叉点处的重复落子。每对中的第一个棋子上的数字表示了何时发生重复落子，而落子位置由第二个棋子上的数字决定。（见补充信息 Supplementary Information）我认为AI技术征服人类不需要太长时间，可能就发生在今年，AI技术征服人类。——微软亚洲工程院院长刘震I thought AI won't beat human in Go for a long time... &It may be this year! &Google's AlphaGo beats European professional champion 5:0; next on deck: 李世石九段 in March for M Google prize.——陈雷，万同科技CEO，留德MBA，连续创业者，现致力于人工智能+围棋的互联网服务，围棋网络9段对于人而言，围棋竞技是智力、心理和灵性三个维度的综合比拼。根据Deep Mind现有的计算机围棋解决方案描述，可以判断程序在智力维度取得了很大的进展。在智力方面，计算机围棋研究领域中要解决的核心问题是如何对盘面做形势判断，即专家评估系统的解决方案，专家评估系统能力的显著提高会导致围棋AI水准的本质提升。Deep Mind的计算机围棋解决方案其实可归结为精确的专家评估系统（value network）、基于海量数据的深度神经网络（policy network），及传统的人工智能方法蒙特卡洛树搜索的组合。有理由相信这个程序已经达到与标准业余6段棋手或中国职业棋手等级分200位之后的棋手实力相当的地步。从经验上看，由于缺少心理和灵性维度的突破，AlphaGo战胜人类最顶尖的围棋高手尚需时日。| 关于 Google DeepMindGoogle DeepMind&是一家英国人工智能公司，创立于2010年，名为DeepMind Technologies，2014年被谷歌收购，更名为Google DeepMind。这家公司由Demis Hassabis、Shane Legg和Mustafa Suleyman创立。公司目标是“解决智能”，他们尝试通过合并机器学习最好的方法和系统神经科学来构建强大的通用学习算法。他们试图形式化智能，进而不仅在机器上实现它，还要理解人类大脑。当前公司的焦点在于研究能玩游戏的电脑系统，研究的游戏范围很广，从策略型游戏围棋到电玩游戏。创始人介绍Demis Hassabis，人工智能研究人员，神经科学家，电脑游戏设计者，毕业于剑桥大学，并在伦敦大学获得PhD，研究兴趣：机器学习、神经科学。Shane Legg，计算学习研究人员，DeepMind创始人，研究兴趣：人工智能、神经网络、人工进化、强化学习和学习理论。Mustafa Suleyman，英国企业家，DeepMind Technologies的共同创始人和产品运营主管，同时也是Reos Partners的共同创始人，被谷歌收购后，他成为Google DeepMind的应用AI部门主管。
　　很少有人去争论&是否应该修复视觉？&，而对于听觉修复的态度&&则充满着...
　　外星人一直是科学史上神秘莫测的话题，人们对于外星人的研究也一直没有停止...
本报讯（张宏斌丁云）&快看，又有新内容了，只要点点就可以看啦！&...
编者按：本文由新智元原创翻译自Nature。如果觉得此文深奥，关于机器学习，还可...
【Techweb报道】1月28日消息，据国外媒体报道，前苹果高管Natalie Kerris可能加...
聚焦高频多频天线研发：安弗施加大中国投资 苏州再建新工厂　 ...}