這段時(shí)間大家（主要是中韓英三國）都非常關(guān)注圍棋人機(jī)對戰(zhàn)?，F(xiàn)在來看，結(jié)局真的不太重要的，其實(shí)當(dāng)?shù)谝痪諥lphago贏了之后，Google的目的也就達(dá)到了（簡直一石二鳥，不僅測試了自己的程序，還將人工智能從行業(yè)討論推到了公眾討論層面），所以現(xiàn)在來說，無論結(jié)局如何，意義都已經(jīng)不在勝負(fù)本身了。Google也不是無聊到花這么多錢就想弄個(gè)東西來虐虐大師們，還大張旗鼓地這么宣傳，主要啊還是想弄清楚自己的程序是不是足夠優(yōu)秀了，之前算法的改進(jìn)路徑是不是對的，這個(gè)也就一前奏罷了，更多的野心體現(xiàn)在以后的專業(yè)領(lǐng)域（例如Google自己說在醫(yī)療領(lǐng)域）可以幫助人類更好的完成任務(wù)，至于怎么幫助，還得先從AlphaGo本身說起。
AlphaGo 是什么？
今年的Nature有一篇文章對AlphaGo進(jìn)行了詳細(xì)介紹（http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html），大意是說AlphaGo是一套為了圍棋優(yōu)化的設(shè)計(jì)周密的深度學(xué)習(xí)引擎，使用了神經(jīng)網(wǎng)路加上蒙特卡羅樹搜索，并且用上了巨大的谷歌云計(jì)算資源，結(jié)合CPU+GPU，加上從高手棋譜和自我學(xué)習(xí)的功能。這套系統(tǒng)比以前的圍棋系統(tǒng)提高了接近1000分的Elo（圍棋等級分），從業(yè)余5段提升到可以擊敗職業(yè)2段的水平，超越了前人對圍棋領(lǐng)域的預(yù)測，更達(dá)到了人工智能領(lǐng)域的重大里程碑。
但是不久前才打敗了歐洲冠軍樊麾的Alphago，怎么會(huì)進(jìn)步這么快，在這幾天和李世乭的對弈中連拿兩局呢？想弄清楚這一點(diǎn)我們得先了解下AlphaGo的系統(tǒng)構(gòu)成，簡單點(diǎn)說，Alphago就是一個(gè)黑盒子，但是他整合了不同機(jī)器學(xué)習(xí)技術(shù)、棋譜學(xué)習(xí)和自我學(xué)習(xí)、相對非?？蓴U(kuò)張的architecture（讓其充分利用谷歌的計(jì)算資源）、CPU+GPU并行發(fā)揮優(yōu)勢的整合。這套“工程”不但有世界頂級的機(jī)器學(xué)習(xí)技術(shù)，也有非常高效的代碼，還有谷歌強(qiáng)大的計(jì)算資源。
具體來說，這個(gè)系統(tǒng)主要由幾個(gè)部分組成：
1. 走棋網(wǎng)絡(luò)（Policy Network），給定當(dāng)前局面，預(yù)測/采樣下一步的走棋。
2. 快速走子（Fast rollout），目標(biāo)和1一樣，但在適當(dāng)犧牲走棋質(zhì)量的條件下，速度要比1快1000倍。
3. 估值網(wǎng)絡(luò)（Value Network），給定當(dāng)前局面，估計(jì)是白勝還是黑勝。
4. 蒙特卡羅樹搜索（Monte Carlo Tree Search，MCTS)，把以上這三個(gè)部分連起來，形成一個(gè)完整的系統(tǒng)。
當(dāng)然繼續(xù)解釋下去就應(yīng)該是電腦下棋的基本原理以及幫助電腦下圍棋的兩個(gè)核心模塊“落子選擇器”和“棋局評估器”的解釋了，這樣講下去貌似有點(diǎn)跑題了，打住打住~（對AlphaGo工作原理感興趣的同學(xué)可以看下這篇文章:http://www.dcine.com/2016/01/28/alphago）
背后的博弈
“國際象棋電腦程序想要在人類大師級（Master）選手中贏得一場比賽的唯一可能，是等到這位大師喝得爛醉、同時(shí)在下著50盤棋、并且犯下一個(gè)他一年才可能犯一次的錯(cuò)誤時(shí)?！?/p>
“電腦永遠(yuǎn)也不可能擊敗特級大師（Grand Master）?！?/p>
“電腦永遠(yuǎn)也不可能擊敗實(shí)力強(qiáng)勁的特級大師。”
“也許電腦可以擊敗實(shí)力強(qiáng)勁的特級大師，但它永遠(yuǎn)也無法擊敗國際象棋世界冠軍卡斯帕羅夫?！?/p>
“AlphaGo這次的比賽打敗李世乭比較懸。”
“AlphaGo永遠(yuǎn)也不可能擊敗實(shí)力強(qiáng)勁的中國圍棋選手，因?yàn)樗揪瓦B不上服務(wù)器！”
想想人工智能一路走來也是挺不容易的，從最初的Deep Blue到現(xiàn)在的AlphaGo，AI科學(xué)家們總在想著法子來證明自己，但是就目前來看，AI究竟發(fā)展到什麼程度了呢？從這個(gè)點(diǎn)入手來分析這次棋局得背后博弈我覺得再合適不過了。
首先是在增強(qiáng)學(xué)習(xí)方面。在AlphaGo中，增強(qiáng)學(xué)習(xí)（Reinforcement Learning）所扮演的角色并沒有想像中那么大。理想情況下，我們希望人工智能系統(tǒng)能在對局中動(dòng)態(tài)地適應(yīng)環(huán)境和對手的招式并且找到辦法反制之，但是在AlphaGo中增強(qiáng)學(xué)習(xí)更多地是用于提供更多質(zhì)量更好的樣本，給有監(jiān)督學(xué)習(xí)（Supervised Learning）以訓(xùn)練出更好的模型。所以這上面AlphaGo落了下風(fēng)。
而情感方面，人類所蘊(yùn)含的諸多情感，到今天為止也沒有任何信息學(xué)家、生物學(xué)家能更證實(shí)感性作用在戰(zhàn)略上是不占優(yōu)勢的。但是高度理性的特點(diǎn)確實(shí)在局部戰(zhàn)略上可以獲得優(yōu)勢。如果從另外一個(gè)側(cè)面思考，我們所有人都能大體體會(huì)別人的感覺和情緒，那么這就鑄就了另外一種信息傳遞和表達(dá)的通道，在社會(huì)網(wǎng)絡(luò)和群體中的信息優(yōu)勢可以通過這種信息感知過程和表達(dá)過程發(fā)揮出長期的戰(zhàn)略優(yōu)勢，如藝術(shù)的修養(yǎng)、文學(xué)的修養(yǎng)、同情等。這些優(yōu)勢相對直接的理性優(yōu)勢可以表達(dá)為幼年期兒童的哭鬧，因?yàn)閮和靼赘行砸彩强梢酝ㄟ^向特定感性對象傳達(dá)才能得意理解的，兒童明白向父母哭，但是從來不向IPAD哭，因?yàn)榭赡芩麄儗?shí)驗(yàn)過幾次，但是沒有得到任何感性的回應(yīng)。
而感性的回應(yīng)從策略上講是非常模糊的，所以很難界定回應(yīng)的真實(shí)戰(zhàn)略意義，一般我們就稱其為情感回應(yīng)。從博弈上來看是信息和策略的運(yùn)用，而感性系統(tǒng)和理性系統(tǒng)交叉在人類的行為中，所以從AI的角度，更加難理解李世石的每一步?jīng)Q策，因?yàn)檫@些決策雖然是相同的神經(jīng)網(wǎng)絡(luò)做出的決策，但是卻受到激素、經(jīng)驗(yàn)、情感的多重干預(yù)，對AI來講可能包含著某種更加深意的策略行為，而ANN是純的算法和數(shù)學(xué)，所以它并沒有能力理解Lee所傳遞的綜合信息，所以在雙方博弈的時(shí)候，只有很少的部分能回應(yīng)他。KBA轉(zhuǎn)播中李世石情不自禁的轉(zhuǎn)頭看向Alpha GO，但是這一弊Alpha GO是不能夠理解的。人類的博弈游戲從來都不是純理性的結(jié)果，是理性和感性交織組合的結(jié)果。兩個(gè)人類棋手的相互直視間其實(shí)完成了理性、感性、社會(huì)優(yōu)勢、生理優(yōu)勢多方面的交叉比較，而Alpha GO只能是個(gè)下棋工具，情感方面人類是占有優(yōu)勢的。
從計(jì)算量來衡量，我覺得雙方的計(jì)算和信息輸入量是均等的。Alpha GO的能耗比可能更高一些，李世石的能耗是225千卡/小時(shí)，而Alpha GO的能耗約是280000瓦特時(shí)， 從能耗比方面李是更加綠色環(huán)保的圍棋大師。從神經(jīng)計(jì)算信息量來測量，Lee的神經(jīng)系統(tǒng)裝機(jī)總量小于AlphaGo，有2億個(gè)神經(jīng)元。AL GO大約有 200億個(gè)計(jì)算單元（一次0/1換量為2），最麻煩的是李世石之能調(diào)動(dòng)1-3%的神經(jīng)元量（他下棋的時(shí)候），而Alpha Go可以調(diào)動(dòng)90-100%的裝機(jī)總量。所以他們在計(jì)算力上有生物功能上的差距。這種差距是生物需氧量的限制，因?yàn)榛顒?dòng)大量神經(jīng)元系統(tǒng)需要很多能量，調(diào)動(dòng)全部腦神經(jīng)需要更多氧氣，人類的呼吸能力不能達(dá)標(biāo)。其次是過度氧化衰老的問題，過度氧化產(chǎn)生后果就是衰老和糖化。所以我們在能量效應(yīng)上來看，這是一場不太公平的對決。
總得來看，AI和實(shí)際人類的自然構(gòu)造結(jié)構(gòu)雖然在一定程度上逼近了，但是人類系統(tǒng)過于復(fù)雜，想高度模仿或者超越人類系統(tǒng)，哪怕是最容易模仿的神經(jīng)系統(tǒng)，從物理環(huán)境、介質(zhì)、能耗、復(fù)雜系統(tǒng)各個(gè)方面均很難超越。似乎這和事實(shí)很不相符啊，畢竟AlphaGo昨天才又贏了一盤。但是前面說過了，Lee是在和機(jī)器下棋，確切地說是和算法對弈，所以上面的這些優(yōu)勢也就在一定情況下變成了劣勢。
估計(jì)這些我們普通人也看不大懂，也沒什么興趣看，畢竟離我們的生活有點(diǎn)遠(yuǎn)。其實(shí)有個(gè)問題我一直不理解，為啥AI科學(xué)家執(zhí)意要讓機(jī)器人往情感方向上走呢？這里就和大家討論下這個(gè)問題。
做自己的事
看看Apple的Siri，Microsoft的Cortana、小冰對于自然語言的理解，不得不承認(rèn)在近些年上有巨大的進(jìn)步，但是距離人類的語言水平依然差距甚遠(yuǎn)。
這里我們所說的AI，并不是真正的和人類一樣，具有獨(dú)立思維，能夠進(jìn)行獨(dú)立判斷。目前所有號稱所謂的AI應(yīng)該是沒有這方面能力的，只是由一堆天才將事先設(shè)計(jì)好的數(shù)學(xué)模型用計(jì)算機(jī)能理解的方式，告知計(jì)算機(jī)，然后根據(jù)這個(gè)模型進(jìn)行模式判斷，從事某個(gè)專一功能。當(dāng)然這個(gè)過程中，可能會(huì)對模型本身進(jìn)行修正，也就是所謂的”自主學(xué)習(xí)”
那么一個(gè)人機(jī)對戰(zhàn)我們可以理解為一個(gè)棋類大師對戰(zhàn)一堆數(shù)學(xué)怪才，是的，沒錯(cuò)，就是一堆。由這一堆怪才分析了大量的棋譜等各種資料，建立一套龐大且復(fù)雜的體系，最終建模。然后依托于計(jì)算機(jī)強(qiáng)大的計(jì)算能力。在這里，AI首先得益于背后強(qiáng)大的科研團(tuán)隊(duì)，獲得了大量研究成果，其次將這些研究成果交由電腦，根據(jù)實(shí)際情況判斷并處理，再次依賴電腦強(qiáng)大的計(jì)算能力。在這一過程中，AI擁有得天獨(dú)厚的優(yōu)勢，先是規(guī)避了計(jì)算機(jī)沒有獨(dú)立分析能力的劣勢，有專業(yè)人員將分析結(jié)果直接告訴電腦，其次，極大發(fā)揮了電腦善于數(shù)學(xué)運(yùn)算的優(yōu)勢。相對于人腦，也許每秒只能做幾次加法運(yùn)算，而電腦可以做幾億次，幾十億次每秒的運(yùn)算,這大概就是所說的“勤能補(bǔ)拙”吧。
而人腦的優(yōu)勢則在于抽象、分析、理解能力，比如一個(gè)老朋友10年沒見面，10年后的某一天也許見面，這個(gè)人的長相、衣著都有了比較大的變化，但人腦依舊可以迅速給出反應(yīng)，這是我以前的同學(xué)/同事/上司…相比于電腦，簡直不能說甩了幾條街，是甩了無數(shù)個(gè)宇宙。
所以人和機(jī)器在優(yōu)勢上就有著本質(zhì)的區(qū)別，那么為什么不讓機(jī)器做自己擅長的事，人類的事兒則由人類完成呢？如果這樣，是不是就不會(huì)有機(jī)器取代人類之類的說法了呢？這里只是提出了幾個(gè)疑問，問題的解答仍然需要AI界的科學(xué)家來完成。
回到正題，昨天人機(jī)大戰(zhàn)第二盤結(jié)果出來之后，看到很多朋友表示興奮之余又不緊背后發(fā)涼，驚呼AI將統(tǒng)治人類，或者是不久的將來AI智力將超越人類，我覺得這個(gè)不能這么看，角度不對。
人工智能與人類智能
電腦戰(zhàn)勝國際象棋冠軍，其實(shí)也摧毀了國際象棋這項(xiàng)運(yùn)動(dòng)，國際象棋的受關(guān)注程度大幅降低。這次的角色換成了人工智能和圍棋。這次比賽結(jié)束后，盡管人與人之間的對弈還會(huì)繼續(xù)，但是棋手心理陰影的面積和人類自己對這項(xiàng)運(yùn)動(dòng)的評價(jià)，只有自己知道。
昨天朋友圈就有一棋友發(fā)文:“難道以后的棋神就是一臺機(jī)器了？OMG~”
其實(shí)換個(gè)角度來想想，這事兒還挺好玩的。大家應(yīng)該知道，與之前的圍棋系統(tǒng)相比，AlphaGo較少依賴圍棋的領(lǐng)域知識，但還遠(yuǎn)未達(dá)到通用系統(tǒng)的程度。職業(yè)棋手可以在看過了寥寥幾局之后明白對手的風(fēng)格并采取相應(yīng)策略，一位資深游戲玩家也可以在玩一個(gè)新游戲幾次后很快上手，但到目前為止，人工智能系統(tǒng)要達(dá)到人類水平，還是需要大量樣本的訓(xùn)練的。可以說，沒有千年來眾多棋手在圍棋上的積累，就沒有圍棋AI的今天。
這也就是說，如果我們自身沒法繼續(xù)提高自己，按照模式學(xué)習(xí)這套辦法來看，就算再多幾個(gè)月，它能夠收集使用的人類頂尖棋手的新棋譜不會(huì)增加很多，利用這個(gè)機(jī)制能夠獲得的提升會(huì)很有限。這就好比兩個(gè)業(yè)余1段的小孩，如果讓他們自己不斷對弈也許能提升到2段，但如果沒有更多的高手信息（例如棋譜或者指導(dǎo)），那他們倆哪怕每天互相下一千萬盤棋，仍然提升不到4、5段。
因?yàn)槟壳皺C(jī)器學(xué)習(xí)技術(shù)的一大瓶頸，是需要大量的高質(zhì)量樣本才能構(gòu)建出強(qiáng)大的模型；但是人類在許多任務(wù)上往往只需很少的樣本就能顯著提升能力，這是目前的機(jī)器學(xué)習(xí)技術(shù)做不到的。
另一方面，AlphaGo還不是一個(gè)可以自主運(yùn)行的系統(tǒng)，還需要人的參與；也就是說，人類的智慧進(jìn)步過程中，通過輸入和輸出的持續(xù)反饋，人腦的硬件結(jié)構(gòu)并沒有直接被外界干預(yù)，而人腦的思維（算法）又是完全依賴于各種細(xì)胞和分子構(gòu)件的硬件，相比之下，AlphaGo可能還不會(huì)通過輸入和輸出的各種反饋而自己改變算法（不知道實(shí)際情況是不是這樣），而是要依靠人類設(shè)計(jì)者團(tuán)隊(duì)去優(yōu)化算法。人類的知識進(jìn)步本來就是拉馬克式遺傳或者叫獲得性遺傳，因此，至少目前來看AlphaGo仍然應(yīng)該被視為人類知識積累在計(jì)算機(jī)硬件輔助下的一種延伸，而不是一種簡單的并行或競爭關(guān)系。
所以我們應(yīng)該樂觀點(diǎn)（這是促使我們進(jìn)步的好機(jī)會(huì)呀），機(jī)器是人類創(chuàng)造的，機(jī)器學(xué)習(xí)的提升速度取決于我們?nèi)祟愖约?，我們?yīng)更多得從這次比賽中看到機(jī)器的缺陷和人類的優(yōu)勢所在。在今天Lee得到了他關(guān)于AlphaGo的第一個(gè)樣本（幾個(gè)月前的AlphaGo和今天的AlphaGo，從機(jī)器學(xué)習(xí)角度看已經(jīng)不是同一個(gè)東西），他將如何根據(jù)這個(gè)樣本來提高自己對付AlphaGo的能力？能提高到什么程度？這個(gè)真的非常值得觀察，因?yàn)檫@一定程度上代表了該任務(wù)上人類頂級專家的學(xué)習(xí)能力。
Alpha go ，where to go
其實(shí)這部分才是筆者最為關(guān)注的，即:如何用好AlphaGo？
其實(shí)早前Hassabis也很明白地表露過自己的想法:“現(xiàn)在我并沒有做太多AI編程方面的事情，更多得則是對于公司未來的直覺思考，空閑時(shí)我會(huì)想一些當(dāng)天在文章和新聞中看到的東西，思考我們的研究如何和那些東西結(jié)合起來。因?yàn)樯虡I(yè)化才是每個(gè)公司的未來方向。目前大部分大部分人工智能系統(tǒng)應(yīng)用范圍都很“窄”，訓(xùn)練預(yù)設(shè)程序的機(jī)器去執(zhí)行特定任務(wù)，除此之外再?zèng)]什么了，但我們致力于構(gòu)建一個(gè)“通用學(xué)習(xí)機(jī)器”，即一套能像生物系統(tǒng)一樣學(xué)習(xí)的靈活、自適應(yīng)的算法，僅使用原始數(shù)據(jù)就能從頭開始掌握任何任務(wù)。我希望最終我們能將這些技術(shù)用于重要的真實(shí)世界的問題，例如氣候模型或者復(fù)雜的疾病分析，很酷不是嗎？”
說到疾病分析，Watson應(yīng)該算AI在這上面應(yīng)用的典范了，其第一個(gè)真正嚴(yán)肅的應(yīng)用就是作為癌癥醫(yī)學(xué)輔助診斷手段。從2011年開始，Watson就一直在協(xié)助腫瘤科醫(yī)生，它能夠?qū)Σ∪说牟v進(jìn)行深入的分析，并且還能將該病歷和存儲的其它來源的相關(guān)病歷、臨床專業(yè)知識和學(xué)術(shù)研究進(jìn)行比對和篩選；這使得Watson甚至能夠自行推導(dǎo)出連醫(yī)生自己也未曾考慮過的治療方案，這些工作長期以來都是人類無法完全掌握的工作，而在機(jī)器面前，卻非常簡單。但根據(jù)Google一貫的野心，應(yīng)該遠(yuǎn)不止這樣。拋開一些幻想的因素，我們來從各大科技公司的動(dòng)作來整理一下思路（投資界的網(wǎng)友已整理好，這里借用一下，感謝?。?
2013年：收購深度神經(jīng)網(wǎng)絡(luò)公司DNNresearch。
2014年：收購深度學(xué)習(xí)公司DeepMind。
2015年：無人車上路測試，預(yù)計(jì)2020年商業(yè)化；開源深度學(xué)習(xí)系統(tǒng)TensorFlow代碼。
2016年：Google DeepMind AlphaGo系統(tǒng)打敗圍棋高手；Google與半導(dǎo)體新創(chuàng)企業(yè)Movidius合作深度學(xué)習(xí)手機(jī)；欲將神經(jīng)網(wǎng)路RankBrain結(jié)合搜索引擎。
微軟
2014年：推出個(gè)人語音助理Cortana。
2015年：推出亞洲聊天機(jī)器小冰；收購R語言商業(yè)方案提供商Revolution Analytics與以色列文本分析新創(chuàng)公司Equivio；推出應(yīng)用測年齡http://how-old.net和測雙胞胎http://TwinsOrNot.net。
2016年：收購智能輸入公司SwiftKey；開源深度學(xué)習(xí)語音圖像識別CNTK；推出測你是哪種狗應(yīng)用http://What-dog.net。
IBM
2012年：收購人力資源管理公司Kenexa。2014年華生已應(yīng)用在醫(yī)療、金融、法律、學(xué)術(shù)、煮飯。
2015年：收購自然語言處理服務(wù)商AlchemyAPI、IBM宣布開源機(jī)器學(xué)習(xí)平臺SystemML。
2016年：軟銀機(jī)器人Pepper已成功導(dǎo)入IBM超級電腦華生。
2015年：正式成立人工智能研究團(tuán)隊(duì)；展示人工智能助理M；公布人工智能硬件框架Big Sur并開源；收購語音識別技術(shù)Wit.ai。
2016年底：打造AI管家；訓(xùn)練人工智能系統(tǒng)下圍棋。
蘋果
2013年：收購自動(dòng)語音識別技術(shù)公司Novauris。
2015年：收購口語識別新創(chuàng)VocalIQ和影像辨識新創(chuàng)公司Perceptio。
2016年：收購人臉及情緒識別技術(shù)的新創(chuàng)公司Emotient；雇用教Siri運(yùn)動(dòng)知識的軟件工程師。
Tesla
2014年：投資模仿人腦的人工智能公司Vicarious。
2015年：投資非盈利人工智能中心OpenAI，防止AI危害人類；推出電動(dòng)車自動(dòng)駕駛系統(tǒng)。
Amazon
2012年：收購機(jī)器人倉庫設(shè)備商Kiva Systems。
2013年：收購文字轉(zhuǎn)語音公司Ivona和語音識別App Evi Technology。
2015年：用人工智能技術(shù)發(fā)現(xiàn)假評論及評分；推出語音助理Echo；發(fā)布Alexa開發(fā)套件。
從這里來看，AI目前仍然在做一些非常底層的事，也就是邏輯方面的計(jì)算，作為一種工具，我想這是AI最好的歸宿了，想象力與創(chuàng)造力是我們?nèi)祟惖膶＠?，因?yàn)闄C(jī)器沒有自我思想，它們的思想就是我們的設(shè)計(jì)。
雖然大公司在AI醫(yī)療上似乎沒有太大的動(dòng)作，但不可否認(rèn)這仍然是一片藍(lán)海。目前在醫(yī)療上，利用人工智來為病人望聞問切似乎還不大靠譜，但是，利用人工智能解決醫(yī)療面臨的核心問題：安全與質(zhì)量、管理與效益，是現(xiàn)在就可以實(shí)現(xiàn)的。比如:在醫(yī)學(xué)診斷系統(tǒng)是否可以借助AI實(shí)現(xiàn)流程標(biāo)準(zhǔn)化，將醫(yī)生的角色上升為系統(tǒng)的監(jiān)控與糾錯(cuò)？從目前來看，Enlitic, 3SCAN, ENTOPSIS這三家初創(chuàng)公司在這方面做得還不錯(cuò)；而在藥品評估領(lǐng)域，已經(jīng)有ADMET Predictor這樣的，利用計(jì)算機(jī)模擬藥物藥理，代謝和副作用的評估軟件了。
那么，能否利用人工智能/機(jī)器學(xué)習(xí)+超級計(jì)算機(jī)+臨床實(shí)驗(yàn)&醫(yī)療大數(shù)據(jù)，借助“模糊測試思想”，幫助分離出病毒/細(xì)菌/腫瘤細(xì)胞的靶向特征作用點(diǎn)，從而幫助發(fā)現(xiàn)并加速各種新型藥品的開發(fā)？或者是優(yōu)化已經(jīng)存在的藥物效果？亦或降低個(gè)體化醫(yī)療的成本？抱歉，這個(gè)已經(jīng)不是我這個(gè)非專業(yè)人士所能解答的了，歡迎諸位前輩指教。
行文至此，也應(yīng)該可以告一段落了，其實(shí)以上的內(nèi)容就是筆者對這幾個(gè)問題的一些看法:
1.為什么Alpha go的勝利會(huì)讓我們覺得如此驚天動(dòng)地？
2.這次人機(jī)對戰(zhàn)意味著什麼？能為我們帶來什麼？棋局的背后有何深意？
3.機(jī)器與人類的思維方式到底有哪些不同呢？Alpha Go真的在模仿人腦下圍棋嗎？
4.DeepMind 掌門人 Demis Hassabis對人工智能文化、生活與工作的觀點(diǎn)有何獨(dú)特之處？
5.對待人機(jī)對戰(zhàn)，我們應(yīng)該持什麼樣的立場？
身在這個(gè)年代，真的很幸運(yùn)，能夠見證希格斯玻色子的發(fā)現(xiàn)，能夠見證引力波的探測，現(xiàn)在又見證了人工智能的標(biāo)志性事件。身在這個(gè)年代，真的很不幸，誰都無法預(yù)測，這些潘朵拉的盒子一旦打開，里面會(huì)出現(xiàn)什么。
過去幾天的比賽對于AlphaGo來說，不過是其海量的圍棋樣本庫中多增加了微不足道的一個(gè)樣本而已，而對于Lee，則是一種不同的經(jīng)歷。即使AlphaGo最終將獲勝，但我仍然相信人類的潛力，今天的比賽，Keep Fighting，Lee！
精彩活動(dòng)推薦↓↓↓
▲明天，讓患者記住我的名字?“我是MVP”醫(yī)生品牌加速計(jì)劃全面啟動(dòng)
聯(lián)系客服
