超级军网面对谷歌围棋AI，人类最后的智力骄傲即将崩塌
来源：百度文库 编辑：超级军网 时间：2024/04/29 11:07:15
1997年，国际象棋AI第一次打败顶尖的人类；2006年，人类最后一次打败顶尖的国际象棋AI。欧美传统里的顶级人类智力试金石，在电脑面前终于一败涂地，应了四十多年前计算机科学家的预言。
至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至不能打败稍强的业余选手。这似乎也合情合理：国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。这一巨大的数目，足以令任何蛮力穷举者望而却步——而人类，我们相信，可以凭借某种难以复制的算法跳过蛮力，一眼看到棋盘的本质。
但是，无论人怎么想，这样的局面当然不可能永远延续下去。就在今天，国际顶尖期刊《自然》报道了谷歌研究者开发的新围棋AI。这款名为“阿尔法围棋”（AlphaGo）的人工智能，在没有任何让子的情况下以5:0完胜欧洲冠军，职业围棋二段樊麾。
AlphaGo与欧洲围棋冠军樊麾的5局较量。图片来源：参考文献[1]
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的战绩如何？
此次比赛和以往不同。之前的比赛中，由于AI棋力比人类弱，人类选手都会让子，而且AI主要和业余段位的棋手比赛。而AlphaGo对战樊麾是完全公平的比赛，没有让子。职业二段樊麾出生于中国，目前是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号。
研究者也让AlphaGo和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵Crazy Stone，Zen和Pachi三个先进的AI，胜率分别是77%，86%和99%。可见AlphaGo有多强大。
在接下来3月份，AlphaGo将和韩国九段棋手李世乭在首尔一战，奖金是由Google提供的100万美金。李世乭是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个人类顶尖高手能战胜AI的棋类游戏。之前有人预测说，AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史，我们将拭目以待。
李世乭表示很荣幸自己将与电脑公平对弈。“无论结果如何，这都会是围棋史上极具意义的事件。”他说，“我听说谷歌Deep Mind的AI出人意料地强，而且正在变得更强。但我有自信至少这次能赢。”图片来源：tygem.com
AI下围棋到底有多难？
计算围棋是个极其复杂的问题，比国际象棋要困难得多。围棋最大有3^361 种局面，大致的体量是10^170，而已经观测到的宇宙中，原子的数量才10^80。国际象棋最大只有2^155种局面，称为香农数，大致是10^47。
面对任何棋类，一种直观又偷懒的思路是暴力列举所有能赢的方案，这些方案会形成一个树形地图。AI只要根据这个地图下棋就能永远胜利。然而，围棋一盘大约要下150步，每一步有250种可选的下法，所以粗略来说，要是AI用暴力列举所有情况的方式，围棋需要计算250^150种情况，大致是10^360。相对的，国际象棋每盘大约80步，每一步有35种可选下法，所以只要算35^80种情况，大概是10^124。无论如何，枚举所有情况的方法不可行，所以研究者们需要用巧妙的方法来解决问题，他们选择了模仿人类大师的下棋方式。
机器学习
研究者们祭出了终极杀器——“深度学习”（Deep Learning）。深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。
描述AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。图片来源：Nature/Google DeepMind
AlphaGo 的核心是两种不同的深度神经网络。“策略网络”（policy network）和 “值网络”（value network）。它们的任务在于合作“挑选”出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。
其中，“值网络”负责减少搜索的深度——AI会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑；而“策略网络”负责减少搜索的宽度——面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些有戏的棋着。
AlphaGo所使用的神经网络结构示意图。图片来源：参考文献[1]
AlphaGo利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。
研究者们用许多专业棋局训练AI，这种方法称为监督学习（supervised learning），然后让AI和自己对弈，这种方法称为强化学习（reinforcement learning），每次对弈都能让AI棋力精进。然后他就能战胜冠军啦！
人类在下棋时有一个劣势，在长时间比赛后，他们会犯错，但机器不会。而且人类或许一年能玩1000局，但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练，就能击败所有的人类选手。
Google DeepMind
Google DeepMind是这个程序的创造者，我们来看一下他们萌萌的程序员。
杰米斯·哈萨比斯（Demis Hassabis） 是Google DeepMind 的CEO。图片来源：Nature Video
文章的第一作者大卫·西尔弗（David Silver）。图片来源：Nature Video
Google DeepMind 去年在《自然》杂志上发表过一篇论文[2]，他们用增强学习的方法训练AI玩经典的Atari游戏。其实在几年前就有人研究如何让AI玩《星际争霸》，目前人类大师还是能击败AI的。电脑游戏中大量使用人工智能技术，你有没有觉得游戏变得越来越聪明了？
那么……未来呢？
人工智能研究者面对这样的成就当然欣喜。深度学习和强化学习等技术完全可以用于更广泛的领域。比如最近很火的精准治疗，我们可以训练它们判断哪些治疗方案对某个特定的人有效。
但是，围棋毕竟不仅仅是一项智力成就。就像十多年前的国际象棋一样，围棋必定也会引发超出本领域之外的讨论。等到计算机能在围棋上秒杀人类的时候，围棋是不是就变成了一种无聊的游戏？人类的智力成就是不是就贬值了？AI还将在其他层面上继续碾压人类吗？传统认为AI不可能完成的任务是否也都将被逐一打破？人类最后是会进入AI乌托邦还是被AI淘汰呢？
没人知道答案。但有一点毫无疑问：AI一定会进入我们的生活，我们不可能躲开。这一接触虽然很可能悄无声息，但意义或许不亚于我们第一次接触外星生命。
参考文献：
[1] David Silver, et al. "Mastering the game of Go with deep neural networks and tree search." Nature doi:10.1038/nature16961
[2] Mnih, Volodymyr, et al. "Human-level control through deep reinforcement learning." Nature 518.7540 (2015): 529-533.
http://www.guokr.com/article/441144/1997年，国际象棋AI第一次打败顶尖的人类；2006年，人类最后一次打败顶尖的国际象棋AI。欧美传统里的顶级人类智力试金石，在电脑面前终于一败涂地，应了四十多年前计算机科学家的预言。
至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至不能打败稍强的业余选手。这似乎也合情合理：国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。这一巨大的数目，足以令任何蛮力穷举者望而却步——而人类，我们相信，可以凭借某种难以复制的算法跳过蛮力，一眼看到棋盘的本质。
但是，无论人怎么想，这样的局面当然不可能永远延续下去。就在今天，国际顶尖期刊《自然》报道了谷歌研究者开发的新围棋AI。这款名为“阿尔法围棋”（AlphaGo）的人工智能，在没有任何让子的情况下以5:0完胜欧洲冠军，职业围棋二段樊麾。
AlphaGo与欧洲围棋冠军樊麾的5局较量。图片来源：参考文献[1]
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的战绩如何？
此次比赛和以往不同。之前的比赛中，由于AI棋力比人类弱，人类选手都会让子，而且AI主要和业余段位的棋手比赛。而AlphaGo对战樊麾是完全公平的比赛，没有让子。职业二段樊麾出生于中国，目前是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号。
研究者也让AlphaGo和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵Crazy Stone，Zen和Pachi三个先进的AI，胜率分别是77%，86%和99%。可见AlphaGo有多强大。
在接下来3月份，AlphaGo将和韩国九段棋手李世乭在首尔一战，奖金是由Google提供的100万美金。李世乭是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个人类顶尖高手能战胜AI的棋类游戏。之前有人预测说，AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史，我们将拭目以待。
李世乭表示很荣幸自己将与电脑公平对弈。“无论结果如何，这都会是围棋史上极具意义的事件。”他说，“我听说谷歌Deep Mind的AI出人意料地强，而且正在变得更强。但我有自信至少这次能赢。”图片来源：tygem.com
AI下围棋到底有多难？
计算围棋是个极其复杂的问题，比国际象棋要困难得多。围棋最大有3^361 种局面，大致的体量是10^170，而已经观测到的宇宙中，原子的数量才10^80。国际象棋最大只有2^155种局面，称为香农数，大致是10^47。
面对任何棋类，一种直观又偷懒的思路是暴力列举所有能赢的方案，这些方案会形成一个树形地图。AI只要根据这个地图下棋就能永远胜利。然而，围棋一盘大约要下150步，每一步有250种可选的下法，所以粗略来说，要是AI用暴力列举所有情况的方式，围棋需要计算250^150种情况，大致是10^360。相对的，国际象棋每盘大约80步，每一步有35种可选下法，所以只要算35^80种情况，大概是10^124。无论如何，枚举所有情况的方法不可行，所以研究者们需要用巧妙的方法来解决问题，他们选择了模仿人类大师的下棋方式。
机器学习
研究者们祭出了终极杀器——“深度学习”（Deep Learning）。深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。
描述AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。图片来源：Nature/Google DeepMind
AlphaGo 的核心是两种不同的深度神经网络。“策略网络”（policy network）和 “值网络”（value network）。它们的任务在于合作“挑选”出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。
其中，“值网络”负责减少搜索的深度——AI会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑；而“策略网络”负责减少搜索的宽度——面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些有戏的棋着。
AlphaGo所使用的神经网络结构示意图。图片来源：参考文献[1]
AlphaGo利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。
研究者们用许多专业棋局训练AI，这种方法称为监督学习（supervised learning），然后让AI和自己对弈，这种方法称为强化学习（reinforcement learning），每次对弈都能让AI棋力精进。然后他就能战胜冠军啦！
人类在下棋时有一个劣势，在长时间比赛后，他们会犯错，但机器不会。而且人类或许一年能玩1000局，但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练，就能击败所有的人类选手。
Google DeepMind
Google DeepMind是这个程序的创造者，我们来看一下他们萌萌的程序员。
杰米斯·哈萨比斯（Demis Hassabis） 是Google DeepMind 的CEO。图片来源：Nature Video
文章的第一作者大卫·西尔弗（David Silver）。图片来源：Nature Video
Google DeepMind 去年在《自然》杂志上发表过一篇论文[2]，他们用增强学习的方法训练AI玩经典的Atari游戏。其实在几年前就有人研究如何让AI玩《星际争霸》，目前人类大师还是能击败AI的。电脑游戏中大量使用人工智能技术，你有没有觉得游戏变得越来越聪明了？
那么……未来呢？
人工智能研究者面对这样的成就当然欣喜。深度学习和强化学习等技术完全可以用于更广泛的领域。比如最近很火的精准治疗，我们可以训练它们判断哪些治疗方案对某个特定的人有效。
但是，围棋毕竟不仅仅是一项智力成就。就像十多年前的国际象棋一样，围棋必定也会引发超出本领域之外的讨论。等到计算机能在围棋上秒杀人类的时候，围棋是不是就变成了一种无聊的游戏？人类的智力成就是不是就贬值了？AI还将在其他层面上继续碾压人类吗？传统认为AI不可能完成的任务是否也都将被逐一打破？人类最后是会进入AI乌托邦还是被AI淘汰呢？
没人知道答案。但有一点毫无疑问：AI一定会进入我们的生活，我们不可能躲开。这一接触虽然很可能悄无声息，但意义或许不亚于我们第一次接触外星生命。
参考文献：
[1] David Silver, et al. "Mastering the game of Go with deep neural networks and tree search." Nature doi:10.1038/nature16961
[2] Mnih, Volodymyr, et al. "Human-level control through deep reinforcement learning." Nature 518.7540 (2015): 529-533.
http://www.guokr.com/article/441144/
至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至不能打败稍强的业余选手。这似乎也合情合理：国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。这一巨大的数目，足以令任何蛮力穷举者望而却步——而人类，我们相信，可以凭借某种难以复制的算法跳过蛮力，一眼看到棋盘的本质。
但是，无论人怎么想，这样的局面当然不可能永远延续下去。就在今天，国际顶尖期刊《自然》报道了谷歌研究者开发的新围棋AI。这款名为“阿尔法围棋”（AlphaGo）的人工智能，在没有任何让子的情况下以5:0完胜欧洲冠军，职业围棋二段樊麾。
AlphaGo与欧洲围棋冠军樊麾的5局较量。图片来源：参考文献[1]
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的战绩如何？
此次比赛和以往不同。之前的比赛中，由于AI棋力比人类弱，人类选手都会让子，而且AI主要和业余段位的棋手比赛。而AlphaGo对战樊麾是完全公平的比赛，没有让子。职业二段樊麾出生于中国，目前是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号。
研究者也让AlphaGo和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵Crazy Stone，Zen和Pachi三个先进的AI，胜率分别是77%，86%和99%。可见AlphaGo有多强大。
在接下来3月份，AlphaGo将和韩国九段棋手李世乭在首尔一战，奖金是由Google提供的100万美金。李世乭是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个人类顶尖高手能战胜AI的棋类游戏。之前有人预测说，AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史，我们将拭目以待。
李世乭表示很荣幸自己将与电脑公平对弈。“无论结果如何，这都会是围棋史上极具意义的事件。”他说，“我听说谷歌Deep Mind的AI出人意料地强，而且正在变得更强。但我有自信至少这次能赢。”图片来源：tygem.com
AI下围棋到底有多难？
计算围棋是个极其复杂的问题，比国际象棋要困难得多。围棋最大有3^361 种局面，大致的体量是10^170，而已经观测到的宇宙中，原子的数量才10^80。国际象棋最大只有2^155种局面，称为香农数，大致是10^47。
面对任何棋类，一种直观又偷懒的思路是暴力列举所有能赢的方案，这些方案会形成一个树形地图。AI只要根据这个地图下棋就能永远胜利。然而，围棋一盘大约要下150步，每一步有250种可选的下法，所以粗略来说，要是AI用暴力列举所有情况的方式，围棋需要计算250^150种情况，大致是10^360。相对的，国际象棋每盘大约80步，每一步有35种可选下法，所以只要算35^80种情况，大概是10^124。无论如何，枚举所有情况的方法不可行，所以研究者们需要用巧妙的方法来解决问题，他们选择了模仿人类大师的下棋方式。
机器学习
研究者们祭出了终极杀器——“深度学习”（Deep Learning）。深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。
描述AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。图片来源：Nature/Google DeepMind
AlphaGo 的核心是两种不同的深度神经网络。“策略网络”（policy network）和 “值网络”（value network）。它们的任务在于合作“挑选”出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。
其中，“值网络”负责减少搜索的深度——AI会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑；而“策略网络”负责减少搜索的宽度——面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些有戏的棋着。
AlphaGo所使用的神经网络结构示意图。图片来源：参考文献[1]
AlphaGo利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。
研究者们用许多专业棋局训练AI，这种方法称为监督学习（supervised learning），然后让AI和自己对弈，这种方法称为强化学习（reinforcement learning），每次对弈都能让AI棋力精进。然后他就能战胜冠军啦！
人类在下棋时有一个劣势，在长时间比赛后，他们会犯错，但机器不会。而且人类或许一年能玩1000局，但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练，就能击败所有的人类选手。
Google DeepMind
Google DeepMind是这个程序的创造者，我们来看一下他们萌萌的程序员。
杰米斯·哈萨比斯（Demis Hassabis） 是Google DeepMind 的CEO。图片来源：Nature Video
文章的第一作者大卫·西尔弗（David Silver）。图片来源：Nature Video
Google DeepMind 去年在《自然》杂志上发表过一篇论文[2]，他们用增强学习的方法训练AI玩经典的Atari游戏。其实在几年前就有人研究如何让AI玩《星际争霸》，目前人类大师还是能击败AI的。电脑游戏中大量使用人工智能技术，你有没有觉得游戏变得越来越聪明了？
那么……未来呢？
人工智能研究者面对这样的成就当然欣喜。深度学习和强化学习等技术完全可以用于更广泛的领域。比如最近很火的精准治疗，我们可以训练它们判断哪些治疗方案对某个特定的人有效。
但是，围棋毕竟不仅仅是一项智力成就。就像十多年前的国际象棋一样，围棋必定也会引发超出本领域之外的讨论。等到计算机能在围棋上秒杀人类的时候，围棋是不是就变成了一种无聊的游戏？人类的智力成就是不是就贬值了？AI还将在其他层面上继续碾压人类吗？传统认为AI不可能完成的任务是否也都将被逐一打破？人类最后是会进入AI乌托邦还是被AI淘汰呢？
没人知道答案。但有一点毫无疑问：AI一定会进入我们的生活，我们不可能躲开。这一接触虽然很可能悄无声息，但意义或许不亚于我们第一次接触外星生命。
参考文献：
[1] David Silver, et al. "Mastering the game of Go with deep neural networks and tree search." Nature doi:10.1038/nature16961
[2] Mnih, Volodymyr, et al. "Human-level control through deep reinforcement learning." Nature 518.7540 (2015): 529-533.
http://www.guokr.com/article/441144/1997年，国际象棋AI第一次打败顶尖的人类；2006年，人类最后一次打败顶尖的国际象棋AI。欧美传统里的顶级人类智力试金石，在电脑面前终于一败涂地，应了四十多年前计算机科学家的预言。
至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至不能打败稍强的业余选手。这似乎也合情合理：国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。这一巨大的数目，足以令任何蛮力穷举者望而却步——而人类，我们相信，可以凭借某种难以复制的算法跳过蛮力，一眼看到棋盘的本质。
但是，无论人怎么想，这样的局面当然不可能永远延续下去。就在今天，国际顶尖期刊《自然》报道了谷歌研究者开发的新围棋AI。这款名为“阿尔法围棋”（AlphaGo）的人工智能，在没有任何让子的情况下以5:0完胜欧洲冠军，职业围棋二段樊麾。
1.png (407.22 KB, 下载次数: 66)
下载附件 保存到相册
AlphaGo与欧洲围棋冠军樊麾的5局较量。图片来源：参考文献[1]
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的战绩如何？
此次比赛和以往不同。之前的比赛中，由于AI棋力比人类弱，人类选手都会让子，而且AI主要和业余段位的棋手比赛。而AlphaGo对战樊麾是完全公平的比赛，没有让子。职业二段樊麾出生于中国，目前是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号。
研究者也让AlphaGo和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵Crazy Stone，Zen和Pachi三个先进的AI，胜率分别是77%，86%和99%。可见AlphaGo有多强大。
在接下来3月份，AlphaGo将和韩国九段棋手李世乭在首尔一战，奖金是由Google提供的100万美金。李世乭是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个人类顶尖高手能战胜AI的棋类游戏。之前有人预测说，AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史，我们将拭目以待。
2.jpg (38.62 KB, 下载次数: 66)
下载附件 保存到相册
李世乭表示很荣幸自己将与电脑公平对弈。“无论结果如何，这都会是围棋史上极具意义的事件。”他说，“我听说谷歌Deep Mind的AI出人意料地强，而且正在变得更强。但我有自信至少这次能赢。”图片来源：tygem.com
AI下围棋到底有多难？
计算围棋是个极其复杂的问题，比国际象棋要困难得多。围棋最大有3^361 种局面，大致的体量是10^170，而已经观测到的宇宙中，原子的数量才10^80。国际象棋最大只有2^155种局面，称为香农数，大致是10^47。
面对任何棋类，一种直观又偷懒的思路是暴力列举所有能赢的方案，这些方案会形成一个树形地图。AI只要根据这个地图下棋就能永远胜利。然而，围棋一盘大约要下150步，每一步有250种可选的下法，所以粗略来说，要是AI用暴力列举所有情况的方式，围棋需要计算250^150种情况，大致是10^360。相对的，国际象棋每盘大约80步，每一步有35种可选下法，所以只要算35^80种情况，大概是10^124。无论如何，枚举所有情况的方法不可行，所以研究者们需要用巧妙的方法来解决问题，他们选择了模仿人类大师的下棋方式。
机器学习
研究者们祭出了终极杀器——“深度学习”（Deep Learning）。深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。
3.jpg (132.68 KB, 下载次数: 67)
下载附件 保存到相册
描述AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。图片来源：Nature/Google DeepMind
AlphaGo 的核心是两种不同的深度神经网络。“策略网络”（policy network）和 “值网络”（value network）。它们的任务在于合作“挑选”出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。
其中，“值网络”负责减少搜索的深度——AI会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑；而“策略网络”负责减少搜索的宽度——面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些有戏的棋着。
4.png (208.59 KB, 下载次数: 66)
下载附件 保存到相册
AlphaGo所使用的神经网络结构示意图。图片来源：参考文献[1]
AlphaGo利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。
研究者们用许多专业棋局训练AI，这种方法称为监督学习（supervised learning），然后让AI和自己对弈，这种方法称为强化学习（reinforcement learning），每次对弈都能让AI棋力精进。然后他就能战胜冠军啦！
人类在下棋时有一个劣势，在长时间比赛后，他们会犯错，但机器不会。而且人类或许一年能玩1000局，但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练，就能击败所有的人类选手。
Google DeepMind
Google DeepMind是这个程序的创造者，我们来看一下他们萌萌的程序员。
5.png (308.23 KB, 下载次数: 66)
下载附件 保存到相册
杰米斯·哈萨比斯（Demis Hassabis） 是Google DeepMind 的CEO。图片来源：Nature Video
6.png (309.24 KB, 下载次数: 67)
下载附件 保存到相册
文章的第一作者大卫·西尔弗（David Silver）。图片来源：Nature Video
Google DeepMind 去年在《自然》杂志上发表过一篇论文[2]，他们用增强学习的方法训练AI玩经典的Atari游戏。其实在几年前就有人研究如何让AI玩《星际争霸》，目前人类大师还是能击败AI的。电脑游戏中大量使用人工智能技术，你有没有觉得游戏变得越来越聪明了？
那么……未来呢？
人工智能研究者面对这样的成就当然欣喜。深度学习和强化学习等技术完全可以用于更广泛的领域。比如最近很火的精准治疗，我们可以训练它们判断哪些治疗方案对某个特定的人有效。
但是，围棋毕竟不仅仅是一项智力成就。就像十多年前的国际象棋一样，围棋必定也会引发超出本领域之外的讨论。等到计算机能在围棋上秒杀人类的时候，围棋是不是就变成了一种无聊的游戏？人类的智力成就是不是就贬值了？AI还将在其他层面上继续碾压人类吗？传统认为AI不可能完成的任务是否也都将被逐一打破？人类最后是会进入AI乌托邦还是被AI淘汰呢？
没人知道答案。但有一点毫无疑问：AI一定会进入我们的生活，我们不可能躲开。这一接触虽然很可能悄无声息，但意义或许不亚于我们第一次接触外星生命。
参考文献：
[1] David Silver, et al. "Mastering the game of Go with deep neural networks and tree search." Nature doi:10.1038/nature16961
[2] Mnih, Volodymyr, et al. "Human-level control through deep reinforcement learning." Nature 518.7540 (2015): 529-533.
http://www.guokr.com/article/441144/
没多久前超大一个帖子还曾经讨论围棋AI什么时候出来
http://lt.cjdby.net/forum.php?mo ... page%3D1&page=2
今天这个新闻就出来了。过去的国际象棋电脑靠的主要是强大的搜索能力，围棋的solution space太大了同样的方法不能再使用。现在的做法是用深度神经网络学习棋盘上的pattern来做更长期的预测，这个确实也是更符合人类下棋真正的做法的。
另外Facebook AI Research也在进军围棋AI，今年刚出来了一篇论文：
Yuandong Tian, Yan Zhu, "Better Computer Go Player with Natural Network and Long-Term Prediction." Submission for ICLR 2016.
ICLR的全称是"International Conference on Learning Representations"，是人工智能领域最顶尖的会议之一
http://lt.cjdby.net/forum.php?mo ... page%3D1&page=2
今天这个新闻就出来了。过去的国际象棋电脑靠的主要是强大的搜索能力，围棋的solution space太大了同样的方法不能再使用。现在的做法是用深度神经网络学习棋盘上的pattern来做更长期的预测，这个确实也是更符合人类下棋真正的做法的。
另外Facebook AI Research也在进军围棋AI，今年刚出来了一篇论文：
Yuandong Tian, Yan Zhu, "Better Computer Go Player with Natural Network and Long-Term Prediction." Submission for ICLR 2016.
ICLR的全称是"International Conference on Learning Representations"，是人工智能领域最顶尖的会议之一
这个只能说是程序打败了人，
就像电脑在运算能力上完爆人类一样，某一方面发挥到极致击败人类毫不奇怪，人类也许只有想办法开发大脑潜力才能对抗。
没啥，40 岁以下的人，很大机会在有生之年看到人类灭绝，AI 成为统治性的力量。
希望这板块名字以后倒过来，把人工智能放前面
这AI是谁创造的？
大概15年前，北京化工的一个教授写了一个不大的围棋程序，可以人机对弈，不知道相当于几级水平，反正把我虐地惨惨的。
还有没有人知道？
还有没有人知道？
2016-2-2 19:35 上传
猎杀m1a2 发表于 2016-2-2 19:35
深度神经网络人工智能的对抗样本测试，把熊猫认成长臂猿
我担心的是，通过深度学习，把某些直觉性的、不易量化的分析以数值准确表达出来的能力。一旦用于军事方面，将会造成多大的冲击。
深度神经网络人工智能的对抗样本测试，把熊猫认成长臂猿
我担心的是，通过深度学习，把某些直觉性的、不易量化的分析以数值准确表达出来的能力。一旦用于军事方面，将会造成多大的冲击。
pzjohn 发表于 2016-2-2 20:25
我担心的是，通过深度学习，把某些直觉性的、不易量化的分析以数值准确表达出来的能力。一旦用于军事方面 ...
深度学习还达不到这个能力，虽然其有点模拟神经网络的意思了，但是还是把每个神经元视作一段程序来模拟；更高一层的是不用软件，在硬件层面模拟神经网络，这个叫类脑运算，不过类脑运算原理的提出认为“类脑运算”页只能做到“非常聪明的狗”的程度。
所以这类AI在军事上最大的价值恐怕是丰富指挥自动化系统的能力。
我担心的是，通过深度学习，把某些直觉性的、不易量化的分析以数值准确表达出来的能力。一旦用于军事方面 ...
深度学习还达不到这个能力，虽然其有点模拟神经网络的意思了，但是还是把每个神经元视作一段程序来模拟；更高一层的是不用软件，在硬件层面模拟神经网络，这个叫类脑运算，不过类脑运算原理的提出认为“类脑运算”页只能做到“非常聪明的狗”的程度。
所以这类AI在军事上最大的价值恐怕是丰富指挥自动化系统的能力。
猎杀m1a2 发表于 2016-2-2 19:35
深度神经网络人工智能的对抗样本测试，把熊猫认成长臂猿
这个没什么大问题，因为该神经网络本身就是高度特化的。
我们人类有同样的现象，比如让一个建筑工程师，强行操作车床，就有可能把手给轧断。
深度神经网络人工智能的对抗样本测试，把熊猫认成长臂猿
这个没什么大问题，因为该神经网络本身就是高度特化的。
我们人类有同样的现象，比如让一个建筑工程师，强行操作车床，就有可能把手给轧断。
猎杀m1a2 发表于 2016-2-2 19:35
深度神经网络人工智能的对抗样本测试，把熊猫认成长臂猿
这篇文章我读过，挺出名的。现在的深度网络肯定有很多过拟合的地方，还没有完全得到高层的全局和语义信息。也有人提出用这种对抗样本加点噪声来重新训练深度网络，但这样做效果还是不明显。
但这个不要紧，我觉得谷歌围棋最大的突破在于，它开始用训练和学习来学习棋盘中的pattern，而不是像深蓝那样很依靠搜索和规则。这样的做法可以说跟人已经没有太本质的区别。
很多人觉得一提到人工智能总是马上陷入两个误区。1. 你计算机是人写的程序，所以它就不是智能，都是事先拟定的规则。2. 人能怎样怎样，你计算机不行，所以你就不是智能。陷入这两个误区的都是对人工智能完全不了解的人。
1. 神经网络确实是C++，Python这些程序语言写出来的，但是决定网络行为的主要是他学到的数据和经验。这里代码的作用只是好比人在扮演上帝的角色一个一个神经元细胞地搭建大脑而已，并不完全决定你大脑以后做决定的规则。神经网络通过数据学习经验，跟人确实没有本质区别
2. 很多人拿第二个误区问题证明人工智能和人有本质区别，这个也不对。人和电脑之间确实有质的飞越（强人工智能vs弱人工智能），但是还不至于到本质区别。通过训练学习经验，这个确实就是人也在做的。人之所以厉害是因为这个系统非常复杂和全面。比如你还有痛觉感受，还有各种刺激感受，有味觉，听觉，触觉。你摔跤了知道疼，知道下次不能这么走（这个在机器学习里叫增强学习reinforcement learning）。这些都能在早期给大脑很多信息帮助训练神经元，而现在的机器人暂时还没有太多尝试整合很多东西，没有这些功能呀。再一个大脑确实比目前的深度网络还是要厉害很多，我倾向于认为大脑类似于相当多个深度网络组合成元网络（Meta Network），现在人类开发的单一目的深度网络更像大脑里单一功能的皮层区域，比如某些负责嗅觉某些负责底层视觉信息，某些负责听觉这样。至于怎么整合，还要再研究。
另外前段时间我听过一个很有意思的报告，伯克利大学有个学生过来给讲座，他们的发现是ImageNet上学习得到的物体识别深度学习网络，随着每一层逐渐递增得到的不同信号，跟随着大脑中某块逐渐递增的皮层（通过fMRI）得到的信号，是有非常强的相关性的，一定程度上证明深度结构可能确实是一个模仿大脑的正确方向。这人主页在这：http://www.cs.berkeley.edu/~pulkitag/
猎杀m1a2 发表于 2016-2-2 19:35
深度神经网络人工智能的对抗样本测试，把熊猫认成长臂猿
这篇文章我读过，挺出名的。现在的深度网络肯定有很多过拟合的地方，还没有完全得到高层的全局和语义信息。也有人提出用这种对抗样本加点噪声来重新训练深度网络，但这样做效果还是不明显。
但这个不要紧，我觉得谷歌围棋最大的突破在于，它开始用训练和学习来学习棋盘中的pattern，而不是像深蓝那样很依靠搜索和规则。这样的做法可以说跟人已经没有太本质的区别。
很多人觉得一提到人工智能总是马上陷入两个误区。1. 你计算机是人写的程序，所以它就不是智能，都是事先拟定的规则。2. 人能怎样怎样，你计算机不行，所以你就不是智能。陷入这两个误区的都是对人工智能完全不了解的人。
1. 神经网络确实是C++，Python这些程序语言写出来的，但是决定网络行为的主要是他学到的数据和经验。这里代码的作用只是好比人在扮演上帝的角色一个一个神经元细胞地搭建大脑而已，并不完全决定你大脑以后做决定的规则。神经网络通过数据学习经验，跟人确实没有本质区别
2. 很多人拿第二个误区问题证明人工智能和人有本质区别，这个也不对。人和电脑之间确实有质的飞越（强人工智能vs弱人工智能），但是还不至于到本质区别。通过训练学习经验，这个确实就是人也在做的。人之所以厉害是因为这个系统非常复杂和全面。比如你还有痛觉感受，还有各种刺激感受，有味觉，听觉，触觉。你摔跤了知道疼，知道下次不能这么走（这个在机器学习里叫增强学习reinforcement learning）。这些都能在早期给大脑很多信息帮助训练神经元，而现在的机器人暂时还没有太多尝试整合很多东西，没有这些功能呀。再一个大脑确实比目前的深度网络还是要厉害很多，我倾向于认为大脑类似于相当多个深度网络组合成元网络（Meta Network），现在人类开发的单一目的深度网络更像大脑里单一功能的皮层区域，比如某些负责嗅觉某些负责底层视觉信息，某些负责听觉这样。至于怎么整合，还要再研究。
另外前段时间我听过一个很有意思的报告，伯克利大学有个学生过来给讲座，他们的发现是ImageNet上学习得到的物体识别深度学习网络，随着每一层逐渐递增得到的不同信号，跟随着大脑中某块逐渐递增的皮层（通过fMRI）得到的信号，是有非常强的相关性的，一定程度上证明深度结构可能确实是一个模仿大脑的正确方向。这人主页在这：http://www.cs.berkeley.edu/~pulkitag/
人类终将被自己毁灭
呵呵，我只想说，李世石太幸运了，100万美刀就这么送上门来了。
按照李世石的实力，应该让五子
按照李世石的实力，应该让五子
Chrisding 发表于 2016-2-3 00:52
这篇文章我读过，挺出名的。现在的深度网络肯定有很多过拟合的地方，还没有完全得到高层的全局和语义信 ...
大脑这个神经网络即使是量子计算机的计算力，也不能从每个蛋白质（很重要，因为每个神经元就是一个随时在变形的机电式模拟“计算机”），到每个细胞所有神经突触，再到模拟整个大脑。如果以电子计算机建立深度神经网络，这种对抗样本问题依然会严重。
神经网络软件，仍然只是部分的模仿了人类积累经验的过程，人类的智慧中只有积累经验一项么？显然不是。人类的智慧不仅仅积累经验一项。
Chrisding 发表于 2016-2-3 00:52
这篇文章我读过，挺出名的。现在的深度网络肯定有很多过拟合的地方，还没有完全得到高层的全局和语义信 ...
大脑这个神经网络即使是量子计算机的计算力，也不能从每个蛋白质（很重要，因为每个神经元就是一个随时在变形的机电式模拟“计算机”），到每个细胞所有神经突触，再到模拟整个大脑。如果以电子计算机建立深度神经网络，这种对抗样本问题依然会严重。
神经网络软件，仍然只是部分的模仿了人类积累经验的过程，人类的智慧中只有积累经验一项么？显然不是。人类的智慧不仅仅积累经验一项。
sdfierfewf 发表于 2016-2-2 23:05
这个没什么大问题，因为该神经网络本身就是高度特化的。
我们人类有同样的现象，比如让一个建筑工程师 ...
这个和对抗样本，思维，创新力并无关系，像你说的这个人类跨行不易例子，那是熟练度。
最重要要讨论的话题，不是比较人类和人工智能哪个“出错更少”，而是通过这个例子讲述人工智能的原理。任何事物，只要有原理，就有特点，只要有特点，就有所长所不擅长。通过这个事例，弄清楚人工智能这个智能，究竟是个什么原理，才是科学消息应该做的事。
这个没什么大问题，因为该神经网络本身就是高度特化的。
我们人类有同样的现象，比如让一个建筑工程师 ...
这个和对抗样本，思维，创新力并无关系，像你说的这个人类跨行不易例子，那是熟练度。
最重要要讨论的话题，不是比较人类和人工智能哪个“出错更少”，而是通过这个例子讲述人工智能的原理。任何事物，只要有原理，就有特点，只要有特点，就有所长所不擅长。通过这个事例，弄清楚人工智能这个智能，究竟是个什么原理，才是科学消息应该做的事。
北京野人 发表于 2016-2-3 05:31
人类终将被自己毁灭
只能说可能，可能就有会发生与不会发生同时存在的意思。
谁能保证人工智能真的能达到人类的智慧呢？
人类终将被自己毁灭
只能说可能，可能就有会发生与不会发生同时存在的意思。
谁能保证人工智能真的能达到人类的智慧呢？
Chrisding 发表于 2016-2-3 00:52
这篇文章我读过，挺出名的。现在的深度网络肯定有很多过拟合的地方，还没有完全得到高层的全局和语义信 ...
基本把我想说的，都说了。
1) 大脑中有未知神秘成分，AI 没有，所以 AI 无法具备智能
2）虽然神秘成分是未知的，但我们又确信它是智能的关键成分
这种逻辑，很难对抗啊。
这篇文章我读过，挺出名的。现在的深度网络肯定有很多过拟合的地方，还没有完全得到高层的全局和语义信 ...
基本把我想说的，都说了。
1) 大脑中有未知神秘成分，AI 没有，所以 AI 无法具备智能
2）虽然神秘成分是未知的，但我们又确信它是智能的关键成分
这种逻辑，很难对抗啊。
猎杀m1a2 发表于 2016-2-3 13:53
只能说可能，可能就有会发生与不会发生同时存在的意思。
谁能保证人工智能真的能达到人类的智慧呢？
只要一个比较复杂的验证码就能击败计算机的运算能力。
只能说可能，可能就有会发生与不会发生同时存在的意思。
谁能保证人工智能真的能达到人类的智慧呢？
只要一个比较复杂的验证码就能击败计算机的运算能力。
sdfierfewf 发表于 2016-2-3 14:57
基本把我想说的，都说了。
1) 大脑中有未知神秘成分，AI 没有，所以 AI 无法具备智能
并不见得是未知成分，现在看来，人脑神经网络的复杂性，是任何软件和计算机都做不到的。比如说，每个神经元都是没有任何“算法”的模拟式计算机，每个神经元都有成千上万个动态变化的突触，这点哪个计算机网络有？
基本把我想说的，都说了。
1) 大脑中有未知神秘成分，AI 没有，所以 AI 无法具备智能
并不见得是未知成分，现在看来，人脑神经网络的复杂性，是任何软件和计算机都做不到的。比如说，每个神经元都是没有任何“算法”的模拟式计算机，每个神经元都有成千上万个动态变化的突触，这点哪个计算机网络有？
谷歌的编程能力算蓝星第一了吧，希望这种围棋方向AI系统，即多种可能性，择其最合理分裂的几个可能解析，同时大方向一直分析反向分支可能的裂解发展；有这种解析运算能力的AI如果运用到国家战略上，不知道会发展出什么样的国家，我看会统一全球，（对AI不过是一盘围棋，其中其中的纵横劫杀 可以化为实际操作程式，比如明确的行动指令，这绝不是兵棋系统这种小儿科了，这可以上升至国家战略，完善了若百年后我认为它能指引人类开发太阳系---一路上能阻挡它的只能是更高智能系统的预测方案了）AI有能力在一般计算中隐蔽设计自己的复制功能吗？它会计划自己复制，扫除障碍成立自己的帝国吗？现在最主要的我看是寻找能绝对制约AI自身意识发展自己超级系统指令，如果AI到了完善期人类再做制约它的程序的话--这个过程人类会被认为是障碍，相信人类会大祸临头的
谷歌的编程能力算蓝星第一了吧，希望这种围棋方向AI系统，即多种可能性，择其最合理分裂的几个可能解析，同时大方向一直分析反向分支可能的裂解发展；有这种解析运算能力的AI如果运用到国家战略上，不知道会发展出什么样的国家，我看会统一全球，（对AI不过是一盘围棋，其中其中的纵横劫杀 可以化为实际操作程式，比如明确的行动指令，这绝不是兵棋系统这种小儿科了，这可以上升至国家战略，完善了若百年后我认为它能指引人类开发太阳系---一路上能阻挡它的只能是更高智能系统的预测方案了）AI有能力在一般计算中隐蔽设计自己的复制功能吗？它会计划自己复制，扫除障碍成立自己的帝国吗？现在最主要的我看是寻找能绝对制约AI自身意识发展自己超级系统指令，如果AI到了完善期人类再做制约它的程序的话--这个过程人类会被认为是障碍，相信人类会大祸临头的
猎杀m1a2 发表于 2016-2-3 17:50
并不见得是未知成分，现在看来，人脑神经网络的复杂性，是任何软件和计算机都做不到的。比如说，每个神经 ...
你说的这些，神经网络可以轻松做到没问题啊？只是由于当前的硬件限制，尺度比人脑小一点。
如果你要按照人脑那样，每个神经元都稍稍不同 (好比每个人的长相有点不同) ，那确实没人这么做。
并不见得是未知成分，现在看来，人脑神经网络的复杂性，是任何软件和计算机都做不到的。比如说，每个神经 ...
你说的这些，神经网络可以轻松做到没问题啊？只是由于当前的硬件限制，尺度比人脑小一点。
如果你要按照人脑那样，每个神经元都稍稍不同 (好比每个人的长相有点不同) ，那确实没人这么做。
漆室葵忧 发表于 2016-2-3 15:26
只要一个比较复杂的验证码就能击败计算机的运算能力。
你这个条件，会把狗和盲人，都排除在智能的范围之外。
没有能力做到，和没有条件做到，是有区别的。
只要一个比较复杂的验证码就能击败计算机的运算能力。
你这个条件，会把狗和盲人，都排除在智能的范围之外。
没有能力做到，和没有条件做到，是有区别的。
sdfierfewf 发表于 2016-2-3 19:07
你说的这些，神经网络可以轻松做到没问题啊？只是由于当前的硬件限制，尺度比人脑小一点。
如果你要按 ...
问题的关键在于，人脑的神经元有很大的特点，这个是任何软件和计算机都不具备的。
结合目前的研究已经揭示的，初步认为信号从进入某个神经元伊始，大约是如下一个过程：
1、神经递质进入神经元，专司与调控神经递质有关的信号蛋白将递质传来的信号转化为蛋白质构像变化信号；
2、蛋白质构像变化信号，通过级联反应与更多蛋白质作用，原先神经元中以蛋白质形式储存的信息就在级联反应中被激活；
3、蛋白质的增殖，在神经元中的蛋白质信息被激活的同时，亦会通过细胞核和内质网编辑出新的信号蛋白，因此在激活储存信息的同时，也生成了新的信息；
4、再这个神经元内，信息激活和产生完毕，然后又通过蛋白质级联反应，蛋白质在轨移动（你没看错，细胞内的很多蛋白质信号是在动态自组装轨道行走的）。达到轴突，这些蛋白质就会控制轴突上成千上万个突触点的蛋白质门分子，控制若干种神经递质进出突触；向其他神经元传递信号；
5、信号进入网络上其他神经元，然后所有神经元都像上面四个过程那样又各自运作。
人脑的记忆就是这样，其实不是通过任何模式匹配，不是通过任何算法和信息归类储存的，而是以蛋白质分子形式分散在所有皮质神经元中；同时，由于蛋白质承载的信息处理过程在神经元内时，会引起新的蛋白质信息生成，这个信息又会产生新的神经突触调控用的蛋白信号，所以人脑在思考时，很可能就是由于这个原因，菜具有了联想和创新思维能力。目前看来，不管是深度神经网络，还是类脑运算，都不具有蛋白质这样有机大分子无限变化（变化数量远多于可见宇宙质子数），以及触发，生长能力，所以从这个角度看，具有人这样智慧特点：思考、联想、创新、灵感的人工智能恐怕是无法实现的。
没有好的素材，这个是人体白细胞的蛋白质分子“在轨”有序移动的动画，动画里省去了很多轨道（要不是挡视线就什么都看不到），借鉴来理解下吧。
sdfierfewf 发表于 2016-2-3 19:07
你说的这些，神经网络可以轻松做到没问题啊？只是由于当前的硬件限制，尺度比人脑小一点。
如果你要按 ...
问题的关键在于，人脑的神经元有很大的特点，这个是任何软件和计算机都不具备的。
结合目前的研究已经揭示的，初步认为信号从进入某个神经元伊始，大约是如下一个过程：
1、神经递质进入神经元，专司与调控神经递质有关的信号蛋白将递质传来的信号转化为蛋白质构像变化信号；
2、蛋白质构像变化信号，通过级联反应与更多蛋白质作用，原先神经元中以蛋白质形式储存的信息就在级联反应中被激活；
3、蛋白质的增殖，在神经元中的蛋白质信息被激活的同时，亦会通过细胞核和内质网编辑出新的信号蛋白，因此在激活储存信息的同时，也生成了新的信息；
4、再这个神经元内，信息激活和产生完毕，然后又通过蛋白质级联反应，蛋白质在轨移动（你没看错，细胞内的很多蛋白质信号是在动态自组装轨道行走的）。达到轴突，这些蛋白质就会控制轴突上成千上万个突触点的蛋白质门分子，控制若干种神经递质进出突触；向其他神经元传递信号；
5、信号进入网络上其他神经元，然后所有神经元都像上面四个过程那样又各自运作。
人脑的记忆就是这样，其实不是通过任何模式匹配，不是通过任何算法和信息归类储存的，而是以蛋白质分子形式分散在所有皮质神经元中；同时，由于蛋白质承载的信息处理过程在神经元内时，会引起新的蛋白质信息生成，这个信息又会产生新的神经突触调控用的蛋白信号，所以人脑在思考时，很可能就是由于这个原因，菜具有了联想和创新思维能力。目前看来，不管是深度神经网络，还是类脑运算，都不具有蛋白质这样有机大分子无限变化（变化数量远多于可见宇宙质子数），以及触发，生长能力，所以从这个角度看，具有人这样智慧特点：思考、联想、创新、灵感的人工智能恐怕是无法实现的。
没有好的素材，这个是人体白细胞的蛋白质分子“在轨”有序移动的动画，动画里省去了很多轨道（要不是挡视线就什么都看不到），借鉴来理解下吧。
囊泡搬运.gif (1.52 MB, 下载次数: 2)
下载附件 保存到相册
7147hhs 发表于 2016-2-3 19:06
谷歌的编程能力算蓝星第一了吧，希望这种围棋方向AI系统，即多种可能性，择其最合理分裂的几个可能解析，同 ...
就是具备了经验积累能力而已，围棋有规则，战争没规则，和人类玩战争，没灵感、创新思维、联想能力能玩得出诡计？就这个软件，仅仅做个对抗样本，就能把大熊猫认成长臂猿；狗狗认成鸵鸟，说明连经验积累能力都不抗干扰，还遑论灵感、联想和创新思维呢？
7147hhs 发表于 2016-2-3 19:06
谷歌的编程能力算蓝星第一了吧，希望这种围棋方向AI系统，即多种可能性，择其最合理分裂的几个可能解析，同 ...
就是具备了经验积累能力而已，围棋有规则，战争没规则，和人类玩战争，没灵感、创新思维、联想能力能玩得出诡计？就这个软件，仅仅做个对抗样本，就能把大熊猫认成长臂猿；狗狗认成鸵鸟，说明连经验积累能力都不抗干扰，还遑论灵感、联想和创新思维呢？
猎杀m1a2 发表于 2016-2-3 19:35
就是具备了经验积累能力而已，围棋有规则，战争没规则，和人类玩战争，没灵感、创新思维、联想能力能玩 ...
我意思说AI已具备推算能力，不然怎么战胜樊麾，他们对战前相信没有战例输入过吧；要是经过发展（战争路线）个人认为是很危险的。
就是具备了经验积累能力而已，围棋有规则，战争没规则，和人类玩战争，没灵感、创新思维、联想能力能玩 ...
我意思说AI已具备推算能力，不然怎么战胜樊麾，他们对战前相信没有战例输入过吧；要是经过发展（战争路线）个人认为是很危险的。
7147hhs 发表于 2016-2-3 20:02
我意思说AI已具备推算能力，不然怎么战胜樊麾，他们对战前相信没有战例输入过吧；要是经过发展（战争路线 ...
其实不必担忧什么。具有人的智能的人工智能能不能出现，不在于人类能不能做出，而是客观规律。如果客观规律根本没有提供这样一条路子，怎么也摸索不出来；如果有什么规律能表明其能实现，那么在实现之前理论探索时期就能明确能否实现，自然也会引起人类的提前重视，。
我意思说AI已具备推算能力，不然怎么战胜樊麾，他们对战前相信没有战例输入过吧；要是经过发展（战争路线 ...
其实不必担忧什么。具有人的智能的人工智能能不能出现，不在于人类能不能做出，而是客观规律。如果客观规律根本没有提供这样一条路子，怎么也摸索不出来；如果有什么规律能表明其能实现，那么在实现之前理论探索时期就能明确能否实现，自然也会引起人类的提前重视，。
晚上的太阳 发表于 2016-2-3 08:33
呵呵，我只想说，李世石太幸运了，100万美刀就这么送上门来了。
按照李世石的实力，应该让五子
我觉得李世石没有对职业2段棋手让5子5:0的实力，当然这程序现在还是没有赢李世石这样超一流棋手的实力。但5年内真不敢说了
呵呵，我只想说，李世石太幸运了，100万美刀就这么送上门来了。
按照李世石的实力，应该让五子
我觉得李世石没有对职业2段棋手让5子5:0的实力，当然这程序现在还是没有赢李世石这样超一流棋手的实力。但5年内真不敢说了
sdfierfewf 发表于 2016-1-28 11:42
没啥，40 岁以下的人，很大机会在有生之年看到人类灭绝，AI 成为统治性的力量。
你说的情况不会发生，未来最先出现的是可穿戴设备，然后这些设备演化出各种人类前所未有的功能，再然后就是从可穿戴设备演变成可植入身体的设备，给人们提供很多不可思议的能力，生化人开始越来越多，机器成为人体的一部分，AI和人脑共存，AI无处不在，再发展就演变成纯AI了，估计那时候的AI比变形金刚还牛，绝对可以算作一种生命体，算是一个物种了。
没啥，40 岁以下的人，很大机会在有生之年看到人类灭绝，AI 成为统治性的力量。
你说的情况不会发生，未来最先出现的是可穿戴设备，然后这些设备演化出各种人类前所未有的功能，再然后就是从可穿戴设备演变成可植入身体的设备，给人们提供很多不可思议的能力，生化人开始越来越多，机器成为人体的一部分，AI和人脑共存，AI无处不在，再发展就演变成纯AI了，估计那时候的AI比变形金刚还牛，绝对可以算作一种生命体，算是一个物种了。
sdfierfewf 发表于 2016-2-3 19:08
你这个条件，会把狗和盲人，都排除在智能的范围之外。
没有能力做到，和没有条件做到，是有区别的。
狗和盲人是传感器的问题，不是处理器的问题。
你这个条件，会把狗和盲人，都排除在智能的范围之外。
没有能力做到，和没有条件做到，是有区别的。
狗和盲人是传感器的问题，不是处理器的问题。
胖猪侠 发表于 2016-2-3 23:41
我觉得李世石没有对职业2段棋手让5子5:0的实力，当然这程序现在还是没有赢李世石这样超一流棋手的实力。 ...
那位所谓的职业二段的段位获得是在15年前，然后他就去了欧洲，在那里下围棋，环境因素加上他的年龄，棋力只会下降的厉害，现在能否保持职业水准都是个大大的问号，我看他现在估计连业余高段位都下不过了，那台机器职业棋手们给下的定义是，强业余6段，还不到业余棋手最高7段的水平，那位就能输个5比0，你说说他的二段有多少水分了。业5和业6下，也不会一面倒的输吧
那位如果只有业三，业四的水平，李世石现在虽然棋力也不如巅峰时期了，但让他5,6子是很正常的
我觉得李世石没有对职业2段棋手让5子5:0的实力，当然这程序现在还是没有赢李世石这样超一流棋手的实力。 ...
那位所谓的职业二段的段位获得是在15年前，然后他就去了欧洲，在那里下围棋，环境因素加上他的年龄，棋力只会下降的厉害，现在能否保持职业水准都是个大大的问号，我看他现在估计连业余高段位都下不过了，那台机器职业棋手们给下的定义是，强业余6段，还不到业余棋手最高7段的水平，那位就能输个5比0，你说说他的二段有多少水分了。业5和业6下，也不会一面倒的输吧
那位如果只有业三，业四的水平，李世石现在虽然棋力也不如巅峰时期了，但让他5,6子是很正常的
人类对智能的定义，一直是随着 AI 的进步，越来越严格的。
国际象棋，自从 AI 压倒性碾压人类选手以来，就被很多人从智能的表现中排除掉了。
扯这么多，其实没啥用。
加到收藏夹，10 年以后回来着看，就知道了。
国际象棋，自从 AI 压倒性碾压人类选手以来，就被很多人从智能的表现中排除掉了。
扯这么多，其实没啥用。
加到收藏夹，10 年以后回来着看，就知道了。
电脑在围棋上战胜人类是迟早的事，电脑在任何限定规则的游戏上战胜人类都是迟早的事
然而，学习不是人类智力的最高层次，脑洞才是
当有朝一日，电脑开始尝试把自己短路会怎么样的时候，才是真正开始可怕的时候
然而，学习不是人类智力的最高层次，脑洞才是
当有朝一日，电脑开始尝试把自己短路会怎么样的时候，才是真正开始可怕的时候
猎杀m1a2 发表于 2016-2-3 13:10
大脑这个神经网络即使是量子计算机的计算力，也不能从每个蛋白质（很重要，因为每个神经元就是一个随时 ...
或许人类最深层的智慧是意识到自我的存在，我想这是复杂性带来的最不可思议的奇迹
大脑这个神经网络即使是量子计算机的计算力，也不能从每个蛋白质（很重要，因为每个神经元就是一个随时 ...
或许人类最深层的智慧是意识到自我的存在，我想这是复杂性带来的最不可思议的奇迹
机器人74号 发表于 2016-2-4 01:37
你说的情况不会发生，未来最先出现的是可穿戴设备，然后这些设备演化出各种人类前所未有的功能，再然后就 ...
生命体需要能新城代谢。
你说的情况不会发生，未来最先出现的是可穿戴设备，然后这些设备演化出各种人类前所未有的功能，再然后就 ...
生命体需要能新城代谢。
晚上的太阳 发表于 2016-2-3 08:33
呵呵，我只想说，李世石太幸运了，100万美刀就这么送上门来了。
按照李世石的实力，应该让五子
让5子是不可能的。没有人会傻到白送给你100万美元。
李世石让我5子，我也有信心战胜他。
呵呵，我只想说，李世石太幸运了，100万美刀就这么送上门来了。
按照李世石的实力，应该让五子
让5子是不可能的。没有人会傻到白送给你100万美元。
李世石让我5子，我也有信心战胜他。
猎杀m1a2 发表于 2016-2-3 19:34
问题的关键在于，人脑的神经元有很大的特点，这个是任何软件和计算机都不具备的。
结合目前的研 ...
这个图，太神奇了。
问题的关键在于，人脑的神经元有很大的特点，这个是任何软件和计算机都不具备的。
结合目前的研 ...
这个图，太神奇了。
这个图，太神奇了。
哈佛大学科普视频《你细胞里发生的事》，这个图片片段是蛋白马达扛着装满分泌物的容器从内质网出发，沿着自动组装的蛋白质轨道，向细胞膜行走。
哈佛大学科普视频《你细胞里发生的事》，这个图片片段是蛋白马达扛着装满分泌物的容器从内质网出发，沿着自动组装的蛋白质轨道，向细胞膜行走。
lijie8257 发表于 2016-2-5 09:57
让5子是不可能的。没有人会傻到白送给你100万美元。
李世石让我5子，我也有信心战胜他。
不让子也是白送100万的，100万呀，现在棋赛奖金最高的是应氏杯40万吧
让5子是不可能的。没有人会傻到白送给你100万美元。
李世石让我5子，我也有信心战胜他。
不让子也是白送100万的，100万呀，现在棋赛奖金最高的是应氏杯40万吧