查看: 1365|回复: 0
谷歌的人工智能击败了欧洲围棋冠军，并将于3月与世界冠军李世石对战
导读：谷歌DeepMind团队在最新一期《Nature》上发表论文称，他们研发的人工智能算法击败了欧洲围棋冠军Fan Hui，同时也击败了目前最好的围棋程序中99.8%的对手。而帮助他们解决这个人工智能历史难题的关键是使用了政策网络（policy network）和价值网络（value network）两种深度神经网络。而就在前一天，Facebook也在arXiv.org上更新了一篇用卷积神经网络和蒙特卡洛树搜索相结合来解决围棋问题的新、论文。并且，公司人工智能实验室负责人Yann LeCun在自己的FB主页上针对谷歌和Facebook的研究发表了一段非常精彩的说明。
谷歌DeepMind团队发表Nature封面论文，赢得围棋人工智能挑战
在迈向搭建具有更类似人类直觉的人工智能道路上，谷歌取得了出乎意料的辉煌一步；他们研发出能够在极其复杂的围棋游戏中击败专家级人类选手的计算机。他们将论文发表在了《Nature》上。谷歌团队已经表明，掌握围棋所需技能并不为人类独享。他们的一款叫做Alpha Go的计算机程序击败了欧洲围棋冠军Fan Hui，战绩为5:0。Alpha Go的下一个挑战将是世界顶级围棋选手之一，李世乭，比赛将于三月份在首尔举行。李世乭开发Alpha Go的团队是Google的DeepMind，这是2014年Google在英国收购的一家很小的人工智能公司。这个团队使用的是一种非常流行和成功的机器学习方法，叫做深度学习，同时还加上了另一种模拟技术来对潜在的步法进行建模。深度学习需要对一个大型的神经网络进行训练，使其对数据中的模式做出反应。事实还证明，它对图像和音频处理也十分有用。许多大型科技公司都在探索新方法来使用这种技术。要想掌握围棋，需要不断实践练习，也需要识别棋子布局中微妙模式的巧妙本事。DeepMind团队表示，Alpha Go的关键在于使用的深度神经网络，实际上，在Alpha Go中有两种不同的神经网络，第一种叫做政策网络（policy network），用来预测下一步；第二种叫做价值网络（value network），用来预测棋盘上不同的分布会带来什么不同的结果。Alpha Go使用它们的方法是，把非常复杂的搜索树减少到可操作的规模。所以，它并不是在每一步都要考虑几百种步数，而只考虑政策网络提供的几十种最有前景的步法，价值网络的作用是减少搜索的深度，所以，它的搜索深度并不是特别深，它并不是一下子搜索出直达比赛末尾的300多步，而是搜索更少的步数，比如20多步，并评估这些位置，而不是一路评估到底，看谁最终能赢。搜索并不是靠蛮力，而是与某种与想象力很相似的东西。领导这项研究的另一位Google研究者David Silver说：「围棋有着巨大的搜索空间，用蛮力很难解决。Alpha Go的关键在于，将搜索空间缩小到可以操作的范围。这个方法让Alpha Go比以前的方法都更像人类。」Demis Hassabis说，围棋是人类发明的最复杂也是最美的游戏。通过战胜Fan Hui，「我们的程序赢得了长期以来一项重大人工智能挑战的胜利。而这项技术在Google的首个用途将是开发更好的个人助理软件。这样的个人助理能够从用户在线行为中学习用户偏好，并对产品和事件作出更符合直觉的建议。」DeepMind创始人Demis HassabisHassabis还说道，他们用来创造Alpha Go的技术，也正是他的团队努力开发强人工智能的尝试。他说：「最终，我们想要将这些技术应用到真实世界的重要问题中。因为我们用的方法是通用的，我们希望有一天，它们能延伸得更广，帮助解决最紧迫的社会问题，从医药诊断到环境模型。」实际上在几年前，大多数围棋选手和棋类程序员都相信，围棋实在是太困难了，必须要花上几十年的时间，计算机才能达到人类专业棋手的标准水平。对计算机来说，围棋比象棋的挑战更大，原因有二：每个回合可能存在的走法数量多得多，没有一个简单的方法来测算优势。所以，棋手只能学着在棋盘上几百个棋子中识别出抽象模式。即使是专家也经常会很难解释为什么一步棋看起来很有优势或有问题。众专家的评价1997年，当IBM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。Google的成就受到了广泛的祝贺，也引起了许多本领域研究者的惊讶。新成立的非营利性组织OpenAI的AI研究者Ilya Sutskever说：「从技术的角度说，这个研究对AI具有纪念碑式的贡献。」他说，这个成果非常重要，因为Alpha Go从本质上教会了自己如何赢得比赛。「同样的技术也可以用于其他棋类游戏中，以获得高超表现。」加拿大阿尔伯塔大学的计算机科学教授Michael Bowling最近开发了一个能在扑克牌上赢过人类的程序。他听到这个消息也很兴奋。他相信，这个方法在许多可以运用机器学习的领域都很有用。他说：「许多我们通常认为是人类智能的东西其实都构建于模式匹配上。许多被我们看做学习的东西，其实都是在过去看到了某些模式，然后意识到它们与现在的状况有何联系。」纽约大学认知教授Gary Marcus说：「这不是所谓的端对端深度学习系统。而是精心建构的模块化系统，在前端具有一些缜密的手工操作，也就是说，几乎媲美人类心智：丰富，模块化，通过演化做出些微调整，而不仅仅是一束随机互联的神经元，完全通过经验做出调整。」Facebook不甘示弱：提前发表论文，LeCun精彩回应而就在国外媒体对谷歌这篇论文进行大规模报道之前，Facebook人工智能实验室（以下简称FAIR）负责人Yann LeCun也非常「巧合」地在自己Facebook主页贴出了Facebook刚刚发表在arXiv.org的一篇针对围棋问题的论文，还意味深长的从围棋问题的历史、相关技术、Facebook研究进展等方面进行了详细说明。首先，Yann LeCun解释了我们为什么要研究围棋？他说，作为一项非常困难的任务，围棋是一个很好的案例来验证各种学习技能的结合，包括模式识别、问题解决和规划等，也是一个可以用来测试新想法的工具，包括机器学习、推理和规划的结合。Yann LeCun说，Facebook FAIR的一位科学家Yuandong在几个月前开始独立研究围棋项目，他开发了一款叫做「黑暗森林」的机器人。根据论文中的描述，最新版机器人将卷积神经网络和目前围棋机器人的经典方法——蒙特卡洛树搜索进行了有机结合。此前，曾在2014年东京围棋擂台赛上通过让子以微弱优势战胜人类棋手的Crazy Stone就是依赖于蒙特卡洛树搜索，这是一套能够从本质上对每一步走法的所有结果都进行分析的系统。所以，有些机器能够非常精通西洋棋、国际象棋和其他棋类。它们比人类棋手看的更远，所以能够轻松的击败他们。但围棋不是这样，下围棋有太多的可能性需要考虑。在国际象棋的任何一个回合，平均可能的走法有35种。但围棋的走法却能达到250种。并且在这250种可能的走法之后，还对应着另外250种可能，以此类推。因此，用蒙特卡洛数搜索去计算每一步走法所带来的所有结果是不可能的。从Facebook的研究成果可以看出，通过将训练过的卷积神经网络和蒙特卡洛树搜索的结合，我们可以在模式匹配功能上再加入策略评估这个新功能。这也将有益于游戏之外的其他应用，比如说自然语言生成，在回复中能够加上自发性和多样性，同时也能进行推理，而推理所需要的就是搜索可能的答案并挑选出最优的逻辑链。我们的兴趣并不在于要开发出世界上最好的围棋选手，但这是我们人工智能研究进展的一次有趣练习。从去年11月起，DarkForest就已经在公开的围棋服务器KGS上击败了一些人类选手和其他围棋机器人。DarkForest的第一版完全是基于卷积神经网络。通过有监督模式的训练让它来「模仿」人类选手。我们使用了大量人类专业选手比赛录像的数据库，然后将比赛的棋盘格局输入到卷积神经网络中，以此来训练它预测人类选手的下一步走法。这需要大规模卷积神经网络，它的输入是一个带有注释的完整的19x19围棋棋盘，而神经网络输出的是一个代表着人类专业棋手每一步走法概率分布的棋盘地图。这充分利用了卷积神经网络的模式识别能力，而这种能力在图像中的物体识别、人脸识别和语音识别方面的成功早就得到了证明。LeCun表示，将卷积神经网络应用于围棋的想法要追溯到很久之前的1994年，Nicol Schraudolph及合作者共同在NIPS上发表了一篇论文，将卷积神经网络和增强学习结合起来应用于围棋问题研究。但当时对这些技术的理解还不够深入，而且那时的计算机限制了可以被训练的卷积神经网络的规模和复杂性。近期，多伦多大学的博士生Chris Maddison与Google DeepMind的研究者在ICLR 2015上共同发表了一篇论文，文章中提到，用比赛视频数据库训练过的卷积神经网络能够在预测走法上拥有优秀表现。爱丁堡大学Amos Storkey团队发表在ICML上的论文同样体现出这个结果。许多研究者开始相信，或许深度学习和卷积神经网络真正能够在围棋上有所作为。Amos Storkey说：「围棋是由棋盘上的各种模式来驱动，深度神经网络非常擅长从棋盘的各种模式中进行归纳总结，因此非常合适下围棋。」这就是促使Yuandong将第一版黑暗森林发布在KGS服务器上的原因，此后，一个更加先进的版本很快攀升到了KGS服务器上的第三名，远好于之前的研究。这项排名要好于大多数开源程序，即便是人类棋手，也需要花费几年时间才能达到这个水平。人类棋手喜欢和它对弈的原因在于它的走法非常像人类棋手。但同时它又非常擅长作战策略。赢下局部和策略有关的战争有时需要非常具体的探索，而非单纯的模式识别。很明显，通过将卷积神经网络和蒙特卡洛树搜索的结合可以提升程序在策略方面的能力。在过去五年中，计算机围棋程序通过蒙特卡洛树搜索取得了很大进步。蒙特卡洛树搜索是一种应用于计算机国际象棋程序中的树形搜索方法的「随机」版本。INRIA的法国研究者团队第一次提出了蒙特卡洛树搜索。之后，这种方法很快在几个最好的计算机围棋团队中流传开来，并变成开发顶级围棋机器人所需要的标准方法。今天发布的新论文描述了DarkForest的最新版本，被称作黑暗森林3，它使用了卷积神经网络和蒙特卡洛树搜索的结合。这个程序已经在KGS服务器上运营了一个多月，并取得了成人组第五的排名。这个排名意味着它已经成为全美国最好的前100名选手之一，也步入了世界最顶尖围棋机器人之列。有趣的是，这个项目是由我们一个小团队仅花了几个月时间开发出来的，没有投入任何围棋专家资源（当然，除了比赛录像数据库）。这是对机器学习威力的一次伟大证明。接下来明智的选择是将卷积神经网络和蒙特卡洛树搜索与增强学习结合起来，就像Nicol Schraudolph的开创性研究。使用增强学习的优势在于可以让机器自己与自己对战连续玩很多次游戏，自己训练自己。这个想法可以追溯到Gerry Tesauro的「NeuroGammon」，一个二十世纪九十年代的计算机西洋双陆棋程序，它将神经网络和增强学习结合了起来，并打败了这款游戏的世界冠军。我们知道，世界范围内的几个团队正在积极研究这一系统。我们的系统仍处在开发中。Yann LeCun最后的结尾非常有深意： Facebook对研究的态度素来是「尽早发布，时常发布」，以此诠释开源软件世界颇受欢迎的座右铭。我们的围棋机器人系统已经运营在KGS服务器上，我们的论文已于早些时候发表在 arXiv.org。我们认为，当研究团队彼此迅速交换研究成果并以彼此研究为基础来推进研究时，科学会进步的更快。谷歌和Facebook的围棋军备之争谷歌和Facebook正在开展一场破解围棋的算法竞赛。此前，Facebook一名研究员Rob Fergue认为，「围棋就是高级人工智能的目标。」同时他也承认，Facebook此举至少在小范围内是在与谷歌进行竞争。谷歌的围棋研究令人印象深刻。如今，谷歌和Facebook使用深度学习来识别网络图片中的人脸；计算机能够识别出我们的语音命令；可以将一种语言翻译成另一种；有时甚至能够理解人类的自然语言。这些技术都依赖于深度神经网络。如果你将足够多的关于树木的照片输入进去，它们就能学会识别出一棵树。如果输入足够多的对话，它们就能学会如何进行一段得体的对话。如果输入足够多的围棋走法，它们就能学会下围棋。「围棋是由棋盘上的各种模式来驱动，深度神经网络非常擅长从棋盘的各种模式中进行归纳总结，因此非常合适下围棋。」爱丁堡大学教授 Amos Storkey表示。他正在使用深度神经网络来处理围棋问题，就像谷歌和Facebook所做的那样。他们相信这些神经网络最终能够缩小机器和人类之间的差距。在下围棋时，即使是最高段的棋手也无法检查出每一步走法所带来的所有结果。他们往往是基于盘面来进行决策。借助于深度学习，研究者就可以对这种方法进行复制。将成功走法的图片输入到神经网络中，从而帮助机器掌握每一次成功走法的模样。「这种方法并不是希望找出最优走法，而是学习人类的下棋风格，然后对人类棋手进行有效的复制。」Storkey说到。谷歌和Facebook交战过程如下（美国当地时间）：1）2015年11月，Facebook在Arxiv发表论文，提到了一种将蒙特卡洛数搜索与深度学习相结合的方法，这套系统在与人类棋手的比赛中丝毫不落下风，公司表示，它甚至能够表现出人类般的下棋风格。毕竟，这套系统是从人类棋手的棋路中进行学习的。RéMI COULOM Coulom称这项结果「非常惊人」。2）2015年12月初，谷歌DeepMind创始人Hassabis在接受视频采访被问到「或许你们会在围棋上有所突破？」Hassabis笑着说：「我现在不能谈论这件事，但是几个月后，我相信会出现一个大惊喜。」3）日，Facebook对去年11月发表的论文《Better Computer Go Player with Neural Network and Long-term Prediction》进行了更新，Yann LeCun在个人Facebook主页发表长篇声明。4）日，谷歌DeepMind在《Nature》发表论文。机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站查看更多精彩内容。
版权声明本文仅代表作者观点，不代表百度立场。本文系作者授权百度百家发表，未经许可，不得转载。
0 好文[/url][url=]
0 太水[/url]
阅读：13161
since 2003第一个战胜围棋世界冠军的人工智能程序是？由哪个团队研发_百度知道
第一个战胜围棋世界冠军的人工智能程序是？由哪个团队研发
我有更好的答案
阿尔法围棋（AlphaGo）是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能程序，由谷歌（Google）旗下DeepMind公司戴密斯·哈萨比斯领衔的团队开发。其主要工作原理是“深度学习”。
采纳率：89%
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。关注华邦微信随时随地掌握华邦动态
人工智能AlphaGo打败围棋世界冠军李世石
华邦云计算
　　最新消息：人机世纪大战第一场结果公布，谷歌人工智能系统AlphaGo挑战世界围棋冠军李世石成功，李世石认输。　　今天，人类迎来史上最大的“挑战”之一：围棋世界冠军李世石 VS 谷歌人工智能AlphaGo。　　据报道 ，第一局棋是最大的悬念，谁都不知道AlphaGo的棋力有多大的进展。开局来看，李世石九段下了一个很不同寻常的开局，机器的回应也不是人类正常的反应，也是下出意外的布局。　　在“开战”2个小时后，李世石的优势逐渐开始明显，AlphaGo陷入到劣势。　　不过，到比赛进行到第三个小时时，棋局又发生了很大变化，AlphaGo反而越战越勇，还后发而至，与李世石又形成僵持局面，甚至还占有优势。最终失去形势下，李世石认输。　　　　早在五个月之前， AlphaGo击败了欧洲围棋冠军樊麾二段，名噪一时。　　樊麾　　而今天，樊麾成为这场对战的裁判。求樊麾的心理阴影面积?　　为什么一场人机对战的围棋比赛，引起全世界的关注。　　首先，要从19年前说起。当时IBM的超级计算机“深蓝”(Deep Blue)击败了国际象棋大师加里o卡斯帕罗夫。　　从那天起，围棋就被当成了人类智力最后的堡垒(有人说，这是人类掩饰智商的借口)，也是人工智能研究者们最想要攻克的难题。　　确实，围棋是一门易学难精，水平与下棋时间并无强关联。黑白至简的棋子背后，却是一场瞬息万变博弈，讲究东方智慧。　　用数学化的术语说，相比象棋，围棋的评价函数极难定义。　　无论输赢，以AlphaGo为代表，一场人工智能的革命，已经浩浩荡荡从远处走到跟前↓↓↓。　　Atlas机器人可以独立穿越气候条件恶劣的雪地，有效解决双足机器人的运动稳定性业界的难题。　　就像Boston Dynamics最新出品的Altas机器人，任凭拳打脚踢阻拦，人工智能一直在尝试中前进。　　讲了那么多，人工智能(Artificial Intelligence)到底是什么?　　百科上讲，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。　　宽泛一点，是指能以人类智能相似的方式做出反应的智能机器。　　人工智能“爆碾”人类?　　在某些领域，这个人造物种已经开始“碾压”人类。　　例如，德州扑克:　　2008年，一场人机德州扑克牌大赛在美国赌城拉斯维加斯举行，一台名为“北极星2”(Polaris 2)的电脑连续击败了6名德州扑克牌顶级职业选手。　　(各大赌场纷纷“声明”：不需要这样的会员。)　　猜拳：　　日本东京大学2015年最新研制出的战无不胜的猜拳机器人。工作原理是：设有高速视觉系统，来帮助它观察对手的手指运动趋势，并在最短时间内分析出对手手指的最终形状，然后伸出能够战胜对方的手势。　　(只想知道：两个机器人对决时，谁胜?)　　拼魔方：　　通过摄像头用于判断魔方的颜色，用双相算法来快速计算。德国工程师Albert Beer发明的Sub1，最快只需要0.887秒，便可以拼好一只魔方。　　(变化太快，我看不清)　　“黑科技”有情有爱的一面　　但更多需要强调的是，人工智能已经成为一支不可忽视的力量，它已经开始“入侵”或服务于人类生活的方方面面，并为人类行为提供有用的帮助。例如：　　救援机器人：　　两个履带可以适应复杂的路况，有能力抬举伤亡人员。　　农业机器人：　　更加高效，例如勘查地况、修剪收割农作物等。　　还有　　打开苹果手机长按Hone键，Siri和你对话了;　　扫地机器人，发现家中污物，自动帮你打扫;　　......　　性爱机器人带来的道德争议　　竞技层面之外，情感层面人工智能也有一定进展。　　例如，和一个机器人谈恋爱。至少在电影里成真了。　　第86届奥斯卡最佳原创剧本奖电影《她》，讲述的就是作家西奥多，爱上了电脑操作系统里的女声——“萨曼莎”(她总共有8316位人类交互对象，而且与其中的641位发生了爱情)。　　在现实中，传感以及柔性“皮肤”技术丰富及发展，性爱机器人也成许多科学团队的研究对象，因此也引发了舆论与道德上的争议。　　“警惕人工智能”、“人工智能颠覆人类”的言论也一时甚嚣尘上。　　网友们吐槽说：　　@William有点咸： 放大招，拔插头　　@lvchuanyu： 拆开AlphaGo机箱，发现里面躲着个柯洁　　@Weststerne： 输给了电子狗　　@叫我韩大力： 脑补一下阿尔法狗故意输，惊出一身冷汗　　@我是爱抱抱的无尾熊： 那么问题来了。 AlphaGo对 AlphaGo，谁会赢呢?
上一条&&:&&
下一条&&:&&
华邦云微信公众号
Copyright (C) 2009- All Rights Reserved粤ICP备号-1围棋冠军被打败，人类已无法战胜人工智能？ - iDoNews
> 围棋冠军被打败，人类已无法战胜人工智能？
围棋冠军被打败，人类已无法战胜人工智能？
昨天晚上的新闻震惊了我。
google的人工智能围棋程序5:0 战胜了欧洲冠军，人工智能第一次在公平规则，无让子的情况下下战胜职业棋手，而且是5:0大胜。
很多人说围棋是人类智能最后的阵地，因为各种数学计算表明，穷举围棋的状态是不可能的，而人类所拥有的局势的判断力和理解力是计算机所无法领悟的，然而现在，google说，深度学习可以让计算机掌握不弱于人类的判断力。三月八号，100万美金的奖金，人工智能将挑战近十年围棋领域最多世界冠军获得者，韩国李世石，这次挑战，不亚于深蓝带给人类的震撼。
这件事情也震惊了围棋圈的朋友，很多职业棋手开始下载当时的棋谱并分析对局，一方面，他们承认，这是他们所见过最强大的人工智能围棋程序，远远超过日本的天顶围棋和韩国的狂石，以及facebook的人工智能围棋系统。(让四子的差距)
另一方面，他们也认为，这个人工智能围棋程序仍然存在一些缺陷，也许是心理因素，欧洲冠军樊老师的表现，似乎不在状态，他们不太相信，这个程序可以战胜李世石。最典型的是刚战胜李世石的新科世界冠军柯洁，在微博公然表示，李世石这100万美元实在太好赚了。
但是我觉得，首先，这公布的对局发生在去年十月，距离现在已经有了三个多月，其次，对李世石的对局是两个月后，那么，想象一下，中间一共六个月时间，深度学习算法可能会一成不变的等待李世石么?
我甚至怀疑，当google公布这个100万美元奖金的时候，他们手里的系统已经有把握至少和李世石一较高下，早就不是去年十月的对弈水准，而剩下的两个月，AI依然有进步和成长的空间，其学习效率，远超人类。
我相信google确实不在乎100万美元(google声称，如果计算机获胜，将直接捐献)，但我也相信google不会花100万美元就为了让大家看他的笑话。
从我个人判断，三月份的决战，AI的水平会远超过去年十月份的表现水平，并给李世石制造极大的困难。
人工智能的发展，对人类未来的影响是什么，一个重要的节点就是，人工智能追上并超过了人类，我们想象一下，一旦人工智能超过了人类，并且拥有了自己学习和进化的能力，那么其迭代和发展将由自己把控而不是人类，其发展速度可能在很短时间内就会远超过人类的智力水平。一旦这样的场景出现，我们真要思考一下，人类未来会怎样?看着人工智能自己创造出一项项新的发明和科技突破，而这些可能已经远远超过了人类的理解力和知识水平，那么人类将何去何从，人工智能是否还能俯首帖耳的为人类服务?
好吧，也许扯远了。
但至少，在可预见的未来，我要给大家提个醒，大量现在我们司空见惯的工作岗位将被人工智能替代，从工厂工人到服务员，从厨师，教师到司机，未来很远么?google的表现告诉我们，未来并不远。
说个更夸张的，甚至程序员，也有可能会被取代。
可能很多人并不是很清楚这次突破有多大，google的成果，对决去年全球围棋ai的世界冠军产品，可以让4个子，并保持高胜率， 完全是碾压性的突破。
那么，问题来了，为什么，是google。
很惭愧，作为围棋的发源国，中国在围棋AI上已经远远落后，不但远远落后于google的这个版本，也远远落后于facebook的围棋智能系统，以及日本的天顶围棋，韩国的狂石围棋程序。
而这里要特别强调的是，日本和韩国的围棋程序，为了提高胜率和对战水平，加入了大量的职业棋手总结的特征识别的机制，来完善机器算法的不足，而facebook和google，则是使用了更纯粹的深度学习算法，让机器通过自我学习来完善一切问题，就这而言，其技术价值和所带来的突破震撼，是更加惊人的。也就是说，日本和韩国他们的目标，还是去打造一款极为优秀的围棋程序，而google和facebook，他们的野心是，通过围棋，来证明深度学习的算法优势和人工智能的方向。所以，就成长性和自学习能力而言，google的系统更是完爆那些日韩系统。现在，google的围棋程序，已经完胜其设计者的围棋水平。
今天阿里发财报，数据显眼，晚上和朋友吃饭的时候还在讨论一个问题，阿里说，他们的技术全球领先，理由是，在处理并发业务逻辑的能力上，没有任何一个国家的任何一个系统，能承受双11的冲击，只有阿里做到了。
这说法对么?这说法对，不用妄自菲薄，在并发处理和云技术上我们确实走在了世界的前列，但我今天说了一句，这是相对来说，成熟技术的规模化应用，在这个领域，中国的互联网公司，领先全球，但你说google做不到么?他没这个应用场景来证明而已。
然而我们再看看google做了什么：
google花巨资支持投入量子计算机D-Wave的研究和发展，并取得了重大突破。
google在深度学习领域，正在并即将攻克围棋，被广泛誉为最后的人类智力堡垒。
google的自动驾驶已经路试数万公里，安全性得到了足够的验证，技术已经相当成熟。
是的，也许这几个事情对google的财报没有太积极的正面价值，但是对人类的科技进步，其价值巨大。
而我们的互联网巨头，依然没有摆脱为财报而努力的格局。
在商业模式上，中国互联网已经领先世界。
然而，在真正革命性的技术创新上面，我们，和硅谷相比，真的很惭愧。
然而的然而，在美国取得如此多突破的各种深度学习团队里，大量的华人身影，他们很多人就是来自于中国。其实，我们既不缺人才，也不缺资金，唯一缺乏的，是企业家的格局和视野。
作者：曹政& 公众号：caoz的梦呓
正在加载......摘要：DeepMind开发的AlphaGo击败了欧洲围棋冠军。在本文中，FLI采访了多位著名的AI研究者对谷歌围棋AI的看法，包括《人工智能：一种现代方法》的作者Stuart Russell。
前几天，谷歌旗下的DeepMind宣布，他们开发的人工智能系统AlphaGo战胜了人类欧洲围棋冠军，引起了世界轰动，因为在围棋这项任务上，计算机已经艰难跋涉了很多年。
Francesca Rossi是IBM的顶级AI科学家，他告诉FLI说：「AI研究者一直在等待计算机掌握围棋技术，但是没想到这一天来得这么快。比起象棋计算机深蓝来说，这个研究成果解决了一个长期存在的艰难问题，因为围棋中的步数实在太多了。」
Victoria Krakovna是FLI的联合创始人之一，也是一名AI研究者。她赞同道：「对计算机来说，围棋的挑战比象棋大多了，因为棋盘上的位置组合多得简直要爆炸了，许多专家都认为AI在近10年内都无法掌握围棋。」
围棋确实是一个很复杂的游戏，可能的走法是个天文数字——象棋只有35^80种可能的走法序列，而围棋则有250^150种。更直观地解释就是说，35^80已经是一个非常大的数字了，超过了可观测宇宙中的所有原子数量，标准的非图形计算器已经无法计算。所以，也难怪大多数AI研究者都预计AI系统要在围棋上超过人类顶尖棋手还需要花10年的时间。
Krakovna解释说，DeepMind的 AlphaGo解决问题的方式是用监督式学习和强化学习相结合。也就是说，人类专家帮助他们将围棋的知识构建入该系统，但接下来，这个系统用试错法和自己对弈，并从中不断学习。
加州大学伯克利分校的AI教授Stuart Russell是AI经典教材《人工智能：一种现代方法》的作者之一。他告诉FLI：「这个成果表明，深度强化学习和帮助程序决定哪些概率值得考虑的所谓『价值网络』能带来一个非常强大的围棋系统。」
然而，这究竟有多么了不起呢？根据发表在《Nature》上这个成果，AlphaGo以5:0的比分击败了欧洲围棋冠军樊麾，但还不清楚它是否能击败世界冠军。 Rossi 和 Russell对此都有自己的衡量。
Rossi说：「DeepMind的技术创新是将新的机器学习方法与搜索结合在一起，看起来十分通用，除了围棋等棋类游戏之外，应该还可以用在其他情景中。这使得这个结果更加重要，并且更有前景。」
然而，尽管这个结果让Russell十分折服，但他不清楚为什么这个程序只击败了欧洲冠军，而不是世界冠军，因为围棋一直被李世乭这样的亚洲精英选手所垄断。他解释说：「围棋被认为是很难攻破的难题，这是一个令人印象深刻的成果。很难说这个成果是否和卡斯帕罗夫之败具有同样重大的意义，因为卡斯帕罗夫是世界冠军（1997年，世界象棋冠军卡斯帕罗夫输给了IBM的深蓝计算机）。樊麾是一个很棒的棋手，但目前的世界冠军比他更强。另外，樊麾一局都没有赢，所以我没有信心预测人类优势会维持很长时间。」
实际上，AlphaGo正要在3月与世界围棋冠军李世乭对弈。这是围棋界一个值得期待的大事件！
另一位顶级AI研究专家、康奈尔大学的计算机科学教授Bart Selman也向FLI分享了他的想法。同Russell 和 Rossi一样，Selman也对计算机程序击败人类围棋选手感到震惊，因为围棋比象棋难多了。但是他补充道：「AlphaGo是一个令人兴奋的进展，因为它将深度学习（用来发现大量走法序列中的微妙模式）与最新的游戏空间探索技术相结合。所以，它展现了深度学习与算法搜索方法的第一个混血儿。这样的AI技术拥有巨大的潜力。从新的AI和机器学习方面看，这个进展比IBM的深蓝计算机还要重大。但从另一方面讲，说到绝对表现时，深蓝还是占据上风，毕竟它击败了世界上最棒的棋手。然而，有了DeepMind基于学习的新方法，看起来，超越人类的围棋程序距离我们并不遥远了。期待AlphaGo即将开始的比赛，真的很兴奋。」
机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站查看更多精彩内容。
本文仅代表作者观点，不代表百度立场。本文系作者授权百度百家发表，未经许可，不得转载。
分享到微信朋友圈
打开微信，点击 “ 发现 ”
使用 “ 扫一扫 ” 即可将网页分享至朋友圈。
扫一扫在手机阅读、分享本文
百家号作者平台APP
扫码下载安卓客户端
便捷管理文章信息
随时查看文章收益}