酷勤网 C 程序员的那点事！
当前位置： >
浏览次数：次
摘要：本文通过研究几个最出色的电脑围棋程序，从认知科学的角度介绍了电脑围棋，并特别针对电脑围棋编程人员（或有意投身于此的程序员）揭示围棋作为一个认知科学研究领域的日益增长的重要性。对手谈，Go4++，Many Faces of Go，Go Intellect 和Explorer几个目前最优秀的电脑围棋程序，我们概括了它们用到的人工智能技术，必须面对的关键性挑战和博弈树搜索中牵涉的问题，以此揭示为什么计算机国际象棋技术不能被很好的移植到围棋领域。&&&
奇境小站 (WonderLand)1998.06 -- 2000.06&&Webmaster: Kerry Jia&& && && && && && && && && &电脑围棋中的人工智能技术& && & 作者:Jay Burmeister 和 Janet Wiles&澳大利亚昆士兰大学心理学与信息技术学院
& 翻译：Lookingfor&&1． 挑战围棋的程序&& & 作为正规游戏之一的围棋领域，过去即便是应付一般的人类棋手计算机也难以有所作为。几个一年一度的电脑围棋赛事，如FOST杯赛为第一名提供2，000，000日元奖金，台湾的应氏基金为第一个能在分先七番棋中击败顶尖职业棋手的围棋程序许诺40万美元的奖金。&& & 最早以围棋为对象把电脑围棋纳入研究工作是在1962年，尽管第一次由程序下一盘完整的棋是发生在1968年（Zobrist，1970）。随着电脑围棋 赛事的举行和第一个商业程序的发放，电脑围棋作为一个领域于80年代被正式创立，并在90年代变得兴旺起来。目前活跃在电脑围棋竞赛中的顶尖程序有 Explorer，Go Intellect，Go4++，手谈和The Many Faces of Go，它们的水平大致在4-8级之间。&&2． 围棋中的博弈树搜索&二人完美信息博弈中典型的人工智能方法是搜索博弈树以决定走哪一步。标准博弈树搜索由四部分组成：&1．状态表示，2．候选走法产生，3．确定目标状态，以及4．一个确定相对优势状态的静态评估函数。有效的博弈树剪枝方法（比如&-&）增强了程序的表现。&& & 博弈树这条途径很成功，如我们在国际象棋程序中所看到的，基于典型的完全广度&-&剪枝博弈树搜索的程序甚至击败了世界冠军。这一节我们从透视电脑围棋的角度检查博弈树搜索的四个构件。&&2.1 状态表示&& & 从完全信息的角度看，围棋盘面有19X19的3次方格，每个交叉点要么空要么被黑子或白子占据。状态空间的大小（例如可能的位置数）是3的361次方（或 10的172次方），相比之下国际象棋大致为10的50次方而Othello棋为10的30次方（Allis，1994）。另外，博弈树的大小（例如可能 的博弈数）在10的575次方和10的620次方之间，对比国际象棋的10的123次方和Othello棋的10的55次方（Allis，1994）。&& & 由于空间的组合尺寸，用19X19格的形式严格表示状态空间对人或机器来说都层次太低而不能有效使用。接下来的层面的描述是把正交的邻接棋子组成串（或 链）。所有的程序把串搜集到更大的单元，然而没有通用的处理方法&&即便是对专业棋手来说&&把串组合到更大的单元中。依靠他们的围棋理论，程序员开发了 他们自己的启发式，当串有效的连接在一起时用做评估之用（叫做模糊组或块）。&& & 另外，恰当层次的表示能改变对运行时子任务的依赖，例如，战术分析，死活分析，或实地评估。&&2.2 走子&& & 棋手在禁止自杀和同型反复（劫）的规则限制下轮流把棋子投放在空的交叉点（包括角和边）。象国际象棋一样，围棋在给定位置的上下文中只有所有合法走法中的 一部分是有效的。围棋的平均分枝因子是很大的，大约是国际象棋的六倍（200对35，Burmeister & Wiles，1995）。&& & 注意这个分枝因子在全盘中的考虑。而在某些情形下只有局部的考虑是重要的。例如，直接目标搜索被用来判断通常只有一两种可能走法却可以多达60手深度的征子。&& & 实际的走子是个复杂的问题：参见3.4部分。&&2.3 目标状态&& & 围棋的最终目标是获得比对手更多的实地。有两种方法用来争取实地：建棋子城墙围空以及用棋子包围并吃掉敌方的棋串。实际上很难确定目标状态，因为实地的获 得是靠慢慢积累起来的（不象国际象棋那样将军的最终的目标是突然死亡并且集中在一个子上）。由于在接近终局前很难精确地计算实地，故启发式估计用的较多。 这样的启发方式通常要归并组件和指示领地安全潜力的（例如死活组和影响）次要目标（例如国际象棋里的材料优势）。&& & 当对局双方依次弃权时结束。棋手通常在没有走法能增加所得和/或无论怎么走都会减少所得时选择弃权。实际上，要确定对局结束（即何时弃权）是相当困难的。 人们下棋，计算结果时如果遇到有关死活的争执要通过继续下直到最终结果出现。在电脑围棋比赛中，如果程序出现算法不能解决的得分争执，计分就由组织比赛的 人员来做。&&2.4 评估函数&& & 在判断盘面的形势优劣时棋块的死活是个重要的考虑点。死活判断是很费时间的，并且是典型的通过战术搜索（参见3.5部分）或死活搜索（参见3.6部分）来 获得的。有意思的是，另一评估棋块死活的复杂之处在于它可能需要评估全盘的形势：如果要一个棋块在劫争中是可活的（即它必须赢得打劫来使自己活下来），就 必须估算所有和对手相比用来决定棋块死活的劫材的数量和大小。如果出现双重或三重劫的形势，打劫分析会变得更复杂。&& & 评估的结果有时不确定，因为明确的死活定义在受限的战术搜索里也许是不可能的，即一个绝对的死活回答可能超出了战术或死活搜索的范围。&& & 从复杂的类型分析看，由一个绝对位置来确定赢家是P空间难题（Lichtenstein & Sipser，1980），决定一个棋手能否左右输赢需指数时间来完成（Robson，1983），由此也就不奇怪要用到启发式了。这些理论结果显示不存 在从一个绝对局势出发决定领地结果的多项式时间算法。&&3． 参赛程序里的博弈树搜索和人工智能技术&& & 当前活跃在各电脑围棋赛事里的程序有Martin Muller（1995）的Explorer（EX），陈恳（陈，；1992）的Go Intellect（GI），Michael Reiss 的Go4++（Go4），陈志行的HandTalk（HT）以及David Fotland 的Many Faces of Go（MFG）。针对第2节讨论的博弈树搜索和围棋专用的人工智能技术：战术搜索，死活搜索和势函数，我们报告这些程序的细节。&&3.1 位置表示&& & 所有的程序都有子、串、块的表示，确认串属于某个组的典型方式是采用基于模式的启发来确定串与串之间的关联性。敌方（或块）表示也被用在EX和GI 中，启发式用来确定敌方的影响（GI）和领地区域（EX）。&& & 盘面（例如棋块、敌方）表示的对象属性包括它们的死活状态（也指安全性或生命力）、实地数、眼数和势。某些情况下这些属性值由战术搜索决定。&& & MFG的表示方式中一些组件由评估函数控制（例如块、联接、眼、实地和势）。Go4的盘面只是简单的由评估函数（例如块、眼、安全性、实地）来表示。&&3.2 候选走法&& & 通常，由模式或更常见的是由基于规则的专家系统产生候选走法。走子产生过程最后是通过（线性的或加权求和的）相加棋盘上所有点的参考值为合适的走法给出一个分值。全盘评估一般选最高得分点作为下一手的落子点。&& & 不同程序由全局水平变量估值得出的候选走法数也有所不同：GI（陈，1997）有12手，MFG有10手，而Go4至少有50手。程序变量保持的规则数： EX大约100，MFG大约200。GI含有约20个走子算法，它们或者基于模式库，或者基于面向目标的搜索，或者基于启发式规则（可能含有大量的规 则）。&& & 模式通常既包含低级信息也包含高级信息。低级信息与黑白子的位置有关，那些点必须是空着的，已经被子占据的点不在此列。高级信息则是关于气的数量、安全 性、眼位和领地的信息。模式匹配不仅与子的配置匹配，而且跟包含在子或串里的任何高级需求有关。大量的模式匹配计算是很耗时的，并且由于棋盘上的对称性而 变得更复杂。这已经导致了发展特殊算法来克服与模式匹配有关的问题（比如MFG的哈希函数，EX的串匹配）。&& & 知识以不同的方式组合到程序当中：一些程序几乎完全依据第一原则工作，另一些根据存储的模式匹配当前位置。不同的程序其模式数量相差很大：Go4约有15 个；MFG大约2000个；而EX则在3000个左右。有些程序也包含开放的走法模式数据库（定式）（例如，MFG含有约45，000个定式模式）。&&3.3 目标 && & 多数情况下，大量的实地比起少量的实地加相应的外势更合乎需要。尽管有时也存在着实地和外势间地转化（特别是在布局和中盘阶段）。然而，虽然实地的启发式 评估是可能的，实地依然不总是形势优劣最好的指示明灯。在对局的早期阶段，占有大量的实地可能表明一种过于集中的形势，从实地安全的角度看，这样的形对对 局的后面阶段或许是有害的。开局造就最大可能的势而不是实地通常导致局末对更多实地的追求。外势是可能用来确定形势优劣的子目标的一个例子。&& & 用来确定形势优劣的大量子目标的相对优先度在电脑围棋中看来没有一致性可言。典型的块和实地的死活状态（安全性）被包含在目标和子目标中。在手谈中，战术 手段是重点，而MFG集中在联接性、眼和块的生命力。Go4则好像完全贯注于联接性上，几乎任何东西都是从联接概率图上派生（直接或间接地）出来。&&3.4 评估过程&& & 评估围棋的形势是个很慢的过程（例如，比起国际象棋程序的每秒10,000-100,000次评估，MFG是以低于每秒10次的速度完成对整局棋不超过 10,000种全盘形势的评估）。由于比赛时间的限制，程序执行的全局评估数通常是有限的（例如，MFG在选择下一步时全局的评估数不超过100）。&& & Go4的50种候选走法中每一个都通过一个六步的过程来评估：1.启用一个联接概率图。对于盘面上的每一个黑子和白子，计算它与32个（实际的或假定的） 友好点的联接概率（要处理大量的数据）。确定联接性还要用到战术搜索；2.棋块由联接图和战术搜索来确定；3.眼位（利用模式）由联接性和棋块数据确定； 4.眼位的数量确定了棋块的安全性；5.每个子的安全性按联接概率图的比率辐射并在所有棋子上相加；6.黑白领地由辐射值估计。黑白领地的差别作为一个给 定走法的评估结果返回。&& & MFG的评估是个多步过程，并且在很大程度上依赖于战术搜索。战术搜索检查所有少于四口和一部分有四口气的串以确定是不是死串。战术搜索也被用来鉴别联接 性和眼位。在这一环节，串组成了棋块。棋块的生命力由基于死活的考虑（例如，联接、眼位等）决定，并且用来确定黑白子在盘面每个点（在-50至+50的范 围之间）行使控制的总量统计。在总和每个点的值的基础上确定领地，给出最终的估计值。多达6轮的静态搜索可以被执行，有时用一个特殊的模式集找出能使形势 稳定下来的局部走法。&& & GI的评估用在做全局搜索时。如果所有候选走法中有一种走法的得分要明显高于其它的走法，它就被选为要走的下一步。如果候选走法中有些走法的得分大致相 等，靠评估带来方便的全局搜索决定选择走哪一步。评估时，敌子的安全性是为盘上每个点指定一个在-64到+64之间的黑白控度的基础，所有点的分值加起来 返回一个评估值。全局搜索检查的步数不多于6到7步，搜索的深度不超过6层。&&3.5 战术搜索&& & 战术搜索是有选择的、面向目标的搜索，并且为一大堆目的而使用，包括确定串是死是活（Go4，MFG，EX，GI）、联接是安全的还是可被切断的 （Go4，MFG）、是否可以形成眼位（MFG）、产生候选走法（GI）和确定棋块的死活（EX）。就是在全局的水平，战术搜索也要用来做棋步产生和评 估。战术评估和全盘评估有区别，这跟搜索的目标（例如，一个串的气的数量）有关。由于时间上的制约，战术搜索通常在节点数、枝因子和层的深度上受到限制。 因此，尽管象死活这类的问题通常被认为是战术性的，棋子却可以在战略上就死去了，即使它们可能不能通过战术手段被抓获。由此，从围棋评估的方方面面看，战 术搜索只是一种启发式装备而已。&& & MFG提供了一个战术搜索操作的很好的例证（通过&战术家&）：每个有三口或更少的气的串和许多有四口气的串被&战术家&检查过。每个串检查两次，一次白 先走一次黑先走。&战术家&决定一个串是否被抓（比如，即使它先走也不能活）、被威胁（比如，如果它先走则活，后走则死），或者是牢固的。&战术家&依靠 简单的启发式（例如，气数和联接性）。&& & &战术家&有两个分离的走子器；一个执行攻击走法，一个执行防卫走法。走子器建议的走法按一些规则分类，这些规则包括二次气（气的气）、切点和简单的眼 形。一旦分类，根据依赖走法分类的质量的搜索的表现，一种&-&深度优先搜索被派上用场。走子和分类解释了多数时间依靠战术搜索的原因。&& & 战术搜索直接针对目标并被限制一个最大节点数。抓子时这个限制是大约100，然而当只有一步可走时就不考虑这个限制。采用这种方式，可以毫不费力地确定征 子的胜方。根据第一层走子产生赋予走法的分值，一次搜索的节点数分配到树枝中，因此不同的树枝可能在不同的深度结束。每一成功的层的枝因子被&战术家&逐 步强化；枝因子从第一层5降到第五层的1或2。&& & 对局过程中，MFG作大约100,000-150,000次战术搜索，以每秒2,000-2,500个节点的速度遍历1.5-2百万个节点。平均起来每次战术搜索访问约10-20个节点，尽管由于一些搜索因节点限制而终止，许多搜索访问过节点数要少于5个。&&3.6 死活搜索&& & 不是所有的程序都做明确的死活分析，很多程序对此使用了战术搜索。MFG用与它的战术搜索过程类似的方式作死活分析，除了它是在块上作死活分析而不是分析串。&& & 一个静态死活评估器在多步过程中确定每个块的死活状态，而没有以从简单的结构中进一步产生复杂结构的方式向前搜索。静态死活评估器使用&战术家&并且为棋块中的每个合适的串至少调用两次。&& & 死活搜索是直接面向目标的（例如，拯救或杀死一个棋块）。如果在一个特定点没有获得搜索目标，合适走法由死活搜索引擎自身的走法器产生，并继续搜索。为了 在一次死活搜索期间确定目标是否已经达到，静态死活评估器在每个点被调用。死活搜索引擎使用深度优先&、&搜索，每一个特定的枝的搜索深度由启发式决定。 搜索树的大小是强制性的，通常可以达到7层的深度和20个节点的大小。死活搜索是很慢的，整棵树要装到缓存里以减少花在重复搜索上的开销。死活搜索的缓慢 也意味着它不会被用在全盘评估中。&&3.7 势函数&& & 势是一种围棋概念，它表明了每一方棋子对空点的最大可能的控制潜力。通过确保开局时子力投放不过于集中，棋手在后面的对局中将取得最大限度获得领地的机会。&& & 势通过势函数建立可计算模型（Zobrist，1969；Ryder，1971；Chen，1989）。通常，子力以盘上每个点的辐射影响值的和（黑白子 辐射正负相反的值）对周边的点施加辐射影响（MFG的黑白子的势是分离的）。子力辐射按距离函数递减：GI是2的距离次方分之一，MFG是距离分之一。但 过于依赖势函数的程序表现不佳（EX和Go4不再使用势函数，尽管Go4的辐射函数很象一个势函数，EX采取另一些措施，象同色点或可联接点的距离）。&& & 应用势的启发包括确定联接性和敌子（GI），以及确定领地（MFG）。MFG的块势初始值依赖于块的强度等，强壮的块比弱块或将死的块辐射更大的影响。这 也意味着死块辐射负影响等，因为它对敌方有利。在MFG和GI中势都没有通过子辐射；MFG也没有通过敌链辐射影响。&&4． 讨论&& & 当前的围棋程序都使用了一定量的&知识&。由于建立在设计者下棋成功经验的启发之上，每个程序都可被看作一种（可能是含蓄的）围棋理论的一次以经验为依据 的实验。围棋理论成立的关键要靠数据结构的选择，因为它们决定了编码不同类型知识的难易和应用这些知识的计算开销。随着程序员同时在围棋和电脑围棋方面获 得技能，程序会有发展（例如，在过去的十五年中随着 Fotland 的棋力从15级发展到2段，MFG也增长了棋力并且代码长度增加到目前的4万行）。程序的性能由它最弱的部件决定，而向程序增加新知识的难易是提高程序性 能的重要部分。&& & 由此可见，电脑围棋领域在关于怎样构筑一个围棋程序或者指配不同围棋知识的优先性（例如，Go4注重联接性而MFG注重死活）方面还没有一致性可言。必须 提到的一点是：关于人类是怎样下围棋的至今也没个一致的说法，这是目前认知科学研究的一个课题（见Saito & Yoshikawa，1977，作为回顾）。这个领域的任何进展都会对围棋理论有个直接的促进，并可能导致电脑围棋程序算法的改进。&& & 本文对目前比较成功的几个程序作了比较。通过这项工作，我们在博弈树搜索的框架内分析了围棋，并通过对示例电脑围棋编程的观察把有关的问题暴露出来。这种 困难在电脑围棋领域是常识，但在更为广泛的人工智能范畴却很少被人们认识和接受。围棋全盘评估需要确定棋块的死活状态，不管是通过死活搜索还是战术搜索， 评估是非常消耗计算资源的。缺乏快速有效的评估函数是电脑围棋遭遇的一个基本问题，并且和巨大的树枝因素、用户和电脑比赛的实时需求（一般来说，相对于国 际象棋的每秒180步围棋每秒只有24步）等搅和在一起。因此，计算机国际象棋通常要用到的完全广度博弈树搜索在电脑围棋里是行不通的。&& & 除了所列出的围棋领域固有的问题外，本文还探讨当前的程序怎样地处理这些问题，由此为未来的围棋程序员提供一个跳板。请注意电脑围棋是个商业的领域，程序 本身（不是学术论文）就是它的主要产品。跟其它的参考不同的是，这里报告的细节都已经通过个人交流征询了（慷慨贡献自己的知识的）程序作者本人的意见，并 且有相关的电脑围棋邮件列表和FTP站点的信息为依据。&& & 电脑围棋的挑战性在于要扩展当前的围棋理论或发展新理论&&特别是与评估有关的，针对实时限制设计合适的数据结构和算法，解决知识瓶颈。目前还没有一个有 力的程序使用学习技术，尽管有过几次这样的尝试（如，Pell，1991；Schraudolph, Dayan & Sejnowski，1994；Donnelly, Corr & Crookes，1994）。回顾这些程序已经超出了本文的范围，但我们推测这些程序也没有成功，因为它们的设计者的含蓄的围棋理论缺乏对围棋复杂性的必 要理解。怎样把学习能力赋予现有的程序（或者它们暗示的围棋理论）是个等待解决的问题。&&致谢&& & 感谢Ken Chen、陈志行、David Fotland、Martin Muller 和Mick Reiss，他们向我们提供了有关程序的细节和对本文不无裨益的反馈。 &&参考文献 &Allis, V.Searching for solutions in games and artificial intelligence. PhD thesis, University of Limburg, Maastricht, 1994.&Burmeister, J.&Wiles, J. The challenge of Go as a domain for AI research: a comparison between Go and chess. In proceedings of the Third Australian and New Zealand Conference on Intelligent Information System, pages 181-186, Perth, November 1995. IEEE Western Australia Section.&Chen, K. Group Identification in Computer Go. In D.N.L.Levy and B.F.Beal, (eds), Heuristic Programming in Aritificial Intelligence: the First Computer Olympiad, pages 195-210. Ellis Horwood, Chichester, 1989.&Chen, K. The move decision process of Go Intellect. In David Erbach, editor, Computer Go, 14: 9-17, 1990.&Chen, K. Attack and defence. In H. J. Van den Herik and L. V. Allis,(ed)s, Heuristic Programming in Artificial Intelligence 3 - The Third Computer Olympiad, pages 146-156. Ellis Horwood, Chichester, 1992.&Donnelly, P., Corr, P., and Crookes, D. Evolving Go playing strategy in neurl networks, 1994. Available on the Internet at &Fotland, D. Knowledge representation in The Many Faces of Go,1993. Available on the Internet at &Lishtenstein, D. & Sipser, M. Go is polynomial-space hard. Journal of the ACM, 27(2):393-401, 1980.&Muller, M. Computer Go as a sum of local games: an application of combinatorial game theory. PhD thesis, Swiss Federal Institute of Technology Zurich, 1995.&Pell, B. Exploratory learning in the game of Go. In D. N. L. Levy and D.F. F. Beal,(eds), Heuristic Programming in Artificial Intelligence 2 - The Second Computer Olympiad, volume 2. Ellis Horwood, 1991&Robson, J. The complexity of Go. In R. E. A. Mason, (ed), Proceedings of the IFIP 9th World Computer Congress, pages 413-417, North Holland, 1983. IFIP, Elsevier Science Publishers.&Ryder, J. Heuristic analysis of large trees as generated in the game of Go. Phd thesis, Department of Computer Science, Standford University, 1971.&Saito, Y. & Yoshikawa, A. Go as a testbed for Cognitive Science studies. In IJCAI Workshop Proceedings Using Games as an Experimental Testbed for AI Research, 1997.&Schraudolph, N., Dayan, P. and Sejnowski, T. Temporal difference learning of position evaluation in the game of Go. In J. D. Cowan, G. Tesauro and J. Alspector, (eds), Advances in Neural Information Processing 6, pages 817-824. Morgan Kaufmann, San Francisco, 1994.&Zorbrist, A. Amodel of visual organization for game Go. In Proceedings of the Spring Joint Computer Conference, 34: 103-112, 1969.&Zorbrist, A. Feature extractions and representation for pattern recognition and the game of Go. PhD thesis, Graduate School of the University of Wisconsin, 1970.&
& 相关主题：围棋之后，人工智能博弈的更高境界是什么，电脑游戏吗？_中国品牌旗舰店
中国品牌旗舰店-中国品牌旗舰店_中国品牌大全
> > 围棋之后，人工智能博弈的更高境界是什么，电脑游戏吗？
围棋之后，人工智能博弈的更高境界是什么，电脑游戏吗？
来源：中国品牌排行榜
今日，柯洁与AlphaGo进行人机对战第一回合已经落下帷幕，柯洁最终以1/4子的劣势不敌AlphaGo，界的已经率先拿下第一局。
AlphaGo的取胜可以说是情理之内、意料之中，随着本周赛事的结束，&&这个持续了1年的热点，也会随之终结。不过，有一个问题却值得我们持续思考，在围棋完胜人类，人工智能的?根据谷歌对AlphaGo的规划，应该是《星际争霸》。据悉，在AlphaGo战胜了韩国围棋选手李世石后，DeepMind创始人戴密斯&哈萨比斯就曾表示将研究人工智能与人类玩的其他游戏，如即时战略游戏《星际争霸》。这是人工智能与人类智能过程中的新尝试，无论在数据处理的复杂性上还是在执行算法的速度上，都对AlphaGo的学习技术发起挑战。这一博弈过程是人工智能成长的必要步骤，但是在所谓强人工智能来临之前，人工智能与人类的关系就是这样的竞争关系吗?
我们似乎要回到&人工智能&这一概念来谈。1950年，著名的图灵测试的结论是，如果一台机器能够与人类展开对话，而不被辨别出其机器的身份，那么这台机器就具有智能。从人工智能这一概念来看，人工智能的发展目标是与人类建立一种平等的对话关系。除了竞争关系之外，人工智能与人类还潜藏了一种在合作层面的对话关系，这一关系可能对于未来人工智能的发展更重要。微软小冰就在与人类的对话关系上做出自己的尝试：在全球四个国家登陆，拥有超过1亿的用户，累积对话量超过300亿。目前，她已发布了自己的诗集&&《阳光失了玻璃窗》，试图在文学作品上与人类建立对话的可能。
在这本诗集中选取了小冰全部创作的139首现代诗，每一首诗都代表了一幅画面，每一句都传达着遇见此景后情感的变化。据悉，这本诗集在上架几天内，就在亚马逊书城拿下诗歌新作类榜单第一名，文学新品第43名，看来小冰意与人类开展在文字上的沟通的尝试取得了初步成功。
继围棋战胜人类，人工智能博弈的?小冰也许给我们做出了一个可能的回答，不是，不是竞争关系，而是在多领域的合作对话关系。人工智能的未来发展方向也应向对话式的人工智能发展，在多领域内与人类开展合作，不仅能帮助人类解决在生活中遇到的实际问题，而且能够像朋友一样与人类展开交谈，为人类解决情感上的难题。人工智能博弈的最高境界应在对话中展开，语言上的沟通和思想上的碰撞才是未来人工智能需要努力的方向。随着与人类共鸣的增加，人工智能能够更加融入人类的日常生活，与人类建立稳定的对话关系，共同创造美好的生活。
未经授权任何单位个人不得镜像转载本站内容，违者必究！
本站文章来自网友的提交收录，版权归原作者所有，如需删除或申请收录。
请联系电子邮箱：，#号改写成@。谢谢您的配合！
中国品牌旗舰店 版权所有 Copyright ? . All Rights Reserved||||||||||
您现在的位置：&&
“深度学习”将为人工智能打开一扇大门
　　【中国智能制造网 智能快讯】谷歌超级人工智能系统AlphaGo在与顶尖围棋高手李世石的较量中取得胜利，是人工智能发展史上重要的里程碑，显示出人工智能在复杂的博弈游戏中开始挑战最高级别的人类选手。&深度学习&将为人工智能打开一扇新的大门。　　　　围棋是一种古老的游戏，行棋规则简单，千变万化中却蕴涵无尽玄机。以最基本的&定式&为例，定式的选择只有在合适的场合配合下才能发挥功效，绝非机械记忆即可，必须了解其内涵，掌握各种变化下的应对，否则，可能非但无利，反而有害。　　　　围棋的特殊性并不在于变量的数量级变化，而在于选择的&不确定&性。与其他游戏不同，围棋博弈时，最优选择很难用数学语言&定量&精确表达，顶尖高手之间对&下一手&的看法不能达成一致基本是常态。这并不是因为棋手之间的能力差异所导致。事实上，选择不同的&下一手&很多时候的确没有好坏之分，只是形成不同的路线，胜负取决于棋手后续的综合功力。因此，对于高手来说，计算能力很重要，但博弈时更讲究的是&棋感&。所谓实与势要均衡，&高者谋势，低者谋实&。　　　　电脑游戏更新换代非常快，一个重要的原因就是玩这些游戏的&解决方案&通常都是确定的。一个游戏被玩熟之后，对于后续进程通常都在预期之中，其魅力当然很快就会消失。　　　　由于围棋博弈缺乏&定量&解决方案，因此仅依靠海量存储数据棋谱，进行搜索比对加以分析判断，难以找到最佳的&下一手&，要让机器取得胜利的唯一办法只能是掌握&学习&能力。为此，AlphaGo通过神经网络引入了&直觉&。直觉让棋手成为高手，但却不是传统数字世界所使用的规则。此次AlphaGo连续击败李世石，表明人工智能通过&学习&，在&势&和&实&这些&虚&的领域达到了令人震惊的高度。　　　　人工智能主要可分为类人的人工智能和非类人的人工智能。类人人工智能的思考和推理就像人的思维，可以通过实践和学习获得知识和能力；非类人人工智能主要通过感知、知觉等专业技能执行特定任务，解决问题的重要途径是将所有可能构建成搜索树，通过比对、决策寻找最优方案，对于这类人工智能来说，背后的数据库越强大，它的&水&就越深，但能力也基本在预期范围之内。　　　　谷歌AlphaGo将高级搜索树与深度神经网络结合在一起，背后的数据库理论上只是用来学习的素材，不再单纯比拼记忆和计算，而是通过实践和学习获得知识和能力。就像AlphaGo开发者戴维所称：&AlphaGo是我们创造的，但并不知道&他&是怎么想的。&九段棋手古力则感叹，AlphaGo团队并没有围棋高手，却打造出棋力水平如此高的系统。&深度学习&能力获得重大突破，意味着人工智能将不断进化，向更远更高的境界迈进。这就是&深度学习&的魅力。　　　　专业围棋选手的反应值得关注。本次&人机大赛&前，专业棋手大多看好李世石，国内等级目前排名第一的柯洁甚至预测李世石5：0取胜。棋圣聂卫平则认为，电脑击败专业棋手是&忽悠&，欧洲冠军樊麾被AlphaGo击败是耻辱。李世石两度失败后，还有九段棋手质疑比赛过程有猫腻，不愿意接受这个事实。这个群体对围棋有着更深刻的理解，只是没有认识到人工智能所达到的高度。　　　　人工智能在经济决策、控制系统和仿真系统等领域目前已得到越来越广泛的应用，但主要还是集中在非类人人工智能领域。AlphaGo此次选择围棋只是测试其能力，未来谷歌希望打造一个通用智能系统，用于灾害预测、风险控制、医疗健康和机器人等复杂领域。　　　　目前来看，AlphaGo还有不少需要完善的地方，是否能跨越围棋领域尚未得知。从盘面上看，其局部战斗表现出色，但招式过于强硬，在最讲究&棋感&的布局阶段还存有一定缺陷。在对弈前半盘，李世石前两局棋都有不少机会。欧洲冠军樊麾曾采用复杂的大雪崩定式开局，也一度占到不少便宜。　　　　此外，AlphaGo也许能够促使我们对围棋的重新理解。AlphaGo的很多&非人类招式&一度受到专业人士揶揄，但事后却发现取得了很好的效果。事实上，人们对围棋的认识一直在改变。李世石崭露头角时，其韩式力战型棋风并不被认可，很多&无理手&甚至&恶手&在讲究&棋理&的人士眼中是不可接受的。但这种风格现在成为了主流。
(来源：中国投资咨询网)
@中国智能制造网
扫一扫，官方微博互动多
微信号：gkzhan
扫一扫，智造信息随手掌控
全年征稿 / 资讯合作联系邮箱：
凡本网注明"来源：中国智能制造网"的所有作品，版权均属于中国智能制造网，转载请必须注明中国智能制造网，。违反者本网将追究相关法律责任。
本网转载并注明自其它来源的作品，目的在于传递更多信息，并不代表本网赞同其观点或证实其内容的真实性，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品来源，并自负版权等法律责任。
如涉及作品内容、版权等问题，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。
周排行月排行
AGV小车，是集机械、电子、控制、计算机、传感器、人工智能
6月2-4日，第13届中国郑州国际工业博览会在郑州国际会展中心
5月25日，新西兰私人公司Rocket Lab在新西兰东海岸成功发射
近日，曼彻斯特恐袭事件震惊世界。威尔士足协为此宣布，欧冠
据报道，汽车零部件世界四强企业德国博世、德国采埃孚、德国
桌面3D打印机是电子设备，这意味着出现在其他电器上的问题它
随着各项无人机监管措施的逐步落实，业内自律意识也不断增强
随着无人机在全球的飞速发展，其引发的公共安全与个人隐私问
-18日,在上海举办的大型医疗技术展览会——中国
本土传感器需求规模快速增长的主要动力来自于工业电子设备和
在智能化的当下，MEMS传感器市场需求大幅提升，并被广泛应用
肆虐全球的比特币病毒让网络用户紧张不已，国内众多高校政企
近日，中国电信宣布建成全球首个覆盖最广的商用新一代物联网
去年三月，这款围棋人工智能程序以 4：1 的成绩战胜了围棋世
近日，百度百度翻译APP发布7.0版本，将智能理念与翻译功能相
蚂蚁金服认为，科技是这个时代最大的公益。并立志在未来十年
人类皮肤是难以复制的，因为它不仅柔韧、有触感且能够自愈。
近日，加拿大新创公司琴鸟发布了新款人工智能(AI)语音系统，
人工智能技术正在加速进入大众生活。近日，暴风TV在北京召开
由美国3D打印汽车公司Local Motors与IBM联手推出的全球首辆
麦肯锡数据显示，预计到2025年，物联网科技串联带动的智能家
全球内存和闪存芯片市场的大幅涨价，手机、电脑等产品的价格
射频器件是无线连接的核心，凡是需要无线连接的地方必备射频
智能物流是联接供应、制造和客户的重要环节，不仅可以节省巨
中国智能制造网作为2017慕尼黑上海电子展和慕尼黑上海电子生
2017年第十六届中国苏州电子信息博览会以&创新智造，