01、2017年10月19日 ， 谷歌子公司DeepMind發(fā)布了AlphaGo的新版本 。很多人知道AlpoaGo是一個人工智能程序，卻不知道它其實是一個家族 ， 早期戰(zhàn)勝韓國選手李世石的是AlphaGo Lee 。在烏鎮(zhèn)擊敗世界冠軍柯潔的是AlphaGo Master 。本次發(fā)布的是AlphaGo Zero（阿爾法零） ， 它經過3天的訓練便以100：0的戰(zhàn)績擊敗了他的哥哥AlphoGo Lee ， 經過40天的訓練便擊敗了它的另一個哥哥AlphoGo Master 。
AlphaGo Zero與之前版本相比，最大的區(qū)別在于，它不再依靠人類的指導來成長 ， 即之前的AlphaGo Lee是依賴于人工錄入的大量棋譜來幫助其學習如何下棋，說白了，它是在人的指導下學習，可以理解為是人類千年圍棋經驗教出的學生 。
而AlphaGo Zero使用了強化學習算法，即不再依賴任何棋譜，編程人員輸入圍棋基本規(guī)則后，不再進行任何教導，完全由其自己進行摸索 ， 總結走棋方法，相當于人工智能完全按照自己的方法學習 。AlphaGo Lee完敗于摒棄了人類經驗的AlphaGo Zero，這說明人類的經驗可能誤導了AlphaGo Lee，進而限制了它的發(fā)展 。
AlphaGo Zero的行棋方式在開局和收官階段，與人類選手有較大的相似之處，而盤中的行棋風格的確與人類選手和之前版本的AlPhaGo有較大不同 ， 而正是這種不同讓其可以在100次與AlphaGo Lee的交戰(zhàn)中立于不敗，換個說法，如果當初AlphaGo Lee沒有拜人類為師 ， 而是向機器學習，那么對于擁有更強計算能力的AlphaGo Lee來說，勝負還未可知 。
除了零經驗學習外 ， AlphaGo Zero的另一大特點是將之前版本AlphaGo的兩個神經網絡融為一體，在之前版本的AlphaGo上，如何走棋是由“策略網絡”和“價值網絡”兩個神經網絡來計算如何行棋的 ， 即首先由“策略網絡”利用之前累積的經驗，判斷在當前棋型下哪些位置適合行棋，之后由“價值網絡”對在這些位置行棋后的種種可能進行模擬，計算勝率，最終選擇出行棋位置 。
而AlphaGo Zero將二者融為了一體 ， 對之前兩個網絡的特征提取等模塊進行了共用，可以在計算出可能行棋的位置時便給出相應的“勝率”，大幅提高效率 ， 減少了訓練所需的時間 。這也是AlphaGo Zero在訓練了三天就打敗了訓練了幾個月的AlphaGo Lee的主要原因之一 。
人工智能不僅是計算機科學領域發(fā)展的制高點，在所有行業(yè)都具有無限潛力和應用價值，目前世界各國普遍看好，人工智能技術將成長為下一次技術革命契機 。即便最終人工智能沒有達到革命級別的顛覆程度，AI已經在逐漸改變我們的生活 。
以往人工智能的進步都是建立在軟件與硬件同步發(fā)展的基礎上 ， 神經網絡算法最早在上個世紀中葉就被提出，然而受限于計算能力，神經網絡算法一直發(fā)展緩慢 。
之后隨著硬件計算速度的不斷提高，已有的軟件算法不斷被實現并改進，改進的算法對硬件要求更高，從而進一步促進了硬件的發(fā)展，而AlphaGo Zero的出現完全建立在算法更新的基礎上 。
前一版本的AlphaGo需要在48個TPU(谷歌專為加速深層神經網絡運算能力而研發(fā)的芯片 ， 一塊成本即達500萬美元)上進行幾個月學習，而AlphaGo Zero只需要4個TPU加上幾天的時間便可完成學習 。這種零經驗學習能力非常適合在蛋白質折疊和其它缺少樣本的醫(yī)療領域進行應用，可以很好地解決因缺少試驗樣本而導致研究進展緩慢的問題 。未來的相關研究中完全可以輸入規(guī)則后利用AlphaGo Zero的能力進行模擬，最后利用有限的樣本進行驗證即可 。
AlphaGo逐漸升級之路
故事講到這里，實在不得不佩服谷歌深厚的技術實力與精明的商業(yè)頭腦 。AlphaGo從誕生伊始 ， 就得到了deepmind團隊的精心包裝，仔細回想起來，可謂是“城里套路深” 。
推薦閱讀
- AlphaGo的神奇全靠它，詳解人工神經網絡!
- 這是迄今為止，AlphaGo算法最清晰的解讀！
- 通用AlphaGo誕生？MuZero在多種棋類游戲中超越人類
- 高通宣布大幅裁員！明年起華為將停止采購高通芯片 新麒麟全面替代
- 如何設置路由器密碼
- 微信支付寶最新新規(guī)解讀
- 微博桌面提示網絡異常請重新登錄解決辦法
- 新手學美工怎么入門
- word怎么新建樣式
- 新手如何通過java自學視頻教程入門到精通，javaweb自學視頻教程