围棋智能机器人阿尔法狗打败围棋冠军是哪一年( 二 )

例如，在围棋博弈中，“局面判断”用于衡量某一局面的价值，越大的值表示对当前行动的选手越有利。“最优策略”是通过在某局面下选择能带来最大价值的动作来获得。
在AlphaGo的强化学习中，科学家使用策略函数和局面函数进行度量。有了这两个估值函数，机器在搜索的时候尽量选择估值更大的行动，达到缩小思考范围的目的。同时，即使在未达到终局的情况下，也可以依靠局面函数对当前局势优劣做判断。
由于大部分博弈游戏状态空间巨大，严格计算评估函数无法实现。利用深度学习和大量数据，AlphaGo可以自动找到特征，同时拟合出估值函数。而蒙特卡洛树搜索是集以上技术于一身的搜索框架，通过反复模拟和采样对局过程来探索状态空间。
“蒙特卡洛树搜索的特点是非常容易并行、可任何时候停止，其引入了随机性采样而减小估值错误带来的负面影响，并且可以在随机探索的过程中，结合强化学习，自学式地调整估值函数，让算法越来越聪明。”王崇骏告诉《中国科学报》。
分析AlphaGo成功的原因，赵冬斌认为，深度神经网络在其中起到了重要作用。“传统的基于规则的计算机围棋方法只能识别固定的棋路，这类似于背棋谱。基于深度学习的AlphaGo自动提取棋谱局面特征并将其有效地组合在一起, 极大增强了对棋谱的学习能力。”
其次，局面的准确评估也是AlphaGo成功的关键。价值网络和快速走子网络在局面评估时互为补充，能够较好地应对对手下一步棋的不确定性，对得到更加精确的评估结果至关重要。
此外，硬件配置的大幅提升也功不可没。AlphaGo采用了异步多线程搜索，用CPU执行模拟过程，用GPU计算策略网络和价值网络。最终单机版本AlphaGo使用了48个CPU和8个GPU，分布式版本的AlphaGo则采用了1202个CPU和176个GPU 。正是这些计算机硬件的支持，才得以让AlphaGo发挥出强大的实力。
人工智能发展的一小步
在AlphaGo诞生后的几年中，其背后的神经网络、深度学习、蒙特卡洛树搜索法等技术，开始从“下棋”这样的场景，延伸到更多具有商业化价值的场景中。
在中国，这些技术催生了游戏领域人工智能的研究和发展。腾讯旗下游戏王者荣耀的“觉悟”、微软亚洲研究院的麻将“Suphx”以及启元的星际争霸“指挥官”等虚拟“玩家”一时间如雨后春笋般涌现。
这些技术还推动了其他领域包括机器人、智能驾驶、智能制造、电力优化、量化金融、智慧医疗等纵深应用领域的技术进步，包括且不局限于提高英国电网的效率、降低谷歌数据中心的能耗，以及为欧洲航天局设计太空探测器的轨道等。
不过，AlphaGo的胜绩是否代表着人工智能的胜利？答案是否定的。
“AlphaGo的胜利，只能说明这个算法在围棋等比赛中战胜了人类。但是，就人工智能的发展而言，几乎所有人都认同目前人工智能发展水平还处在初级阶段。”王崇骏说。
他表示，目前人工智能算法大多依赖高质量的海量数据，需要的功率也远高于人类大脑的能耗水平，同时也很难应用于多种场景。“一个明显的例子就是，AlphaGo的实现方法在明确定义的环境下效果明显，而在开放环境下，结果往往不尽如人意。比如AlphaGo下围棋很厉害，但面对图像识别问题肯定就不行了。”
赵冬斌表示，在围棋、麻将和其他具有类似评级制度的游戏等测试平台，或能客观地衡量一些算法的人工智能水平，但是在某些难以量化的领域，很难对算法的智能水平给出客观评价。“比如，自动驾驶有5级划分，但是不够明确。驾驶涉及技术链条较长，包括定位、感知、预测、决策、规划和控制等。若想全面衡量驾驶人工智能的水平，还需要更细致的分类工作。”

围棋智能机器人 阿尔法狗打败围棋冠军是哪一年( 二 )

围棋智能机器人阿尔法狗打败围棋冠军是哪一年( 二 )