人工智能介紹PPT

人工智能技術(shù)介紹PPT人工智能技術(shù)概述第一節(jié)深度學(xué)習(xí)與國際象棋第二節(jié)智能問答第三節(jié)深度學(xué)習(xí)與智能圍棋第四節(jié)更多人機(jī)交互大戰(zhàn)第三節(jié)目錄content人工智能技術(shù)概述第一節(jié)自動(dòng)化技術(shù)發(fā)展趨勢自動(dòng)化技術(shù)自動(dòng)化技術(shù)是一門涉及學(xué)科較多、應(yīng)用廣泛的綜合性系統(tǒng)工程，其對象為大規(guī)模、復(fù)雜的工程和非工程系統(tǒng)廣義內(nèi)涵包括三方面的含義：代替人體力勞動(dòng)的機(jī)器人；代替或輔助人腦力勞動(dòng)的程序；對人機(jī)進(jìn)行協(xié)調(diào)、管理、控制和優(yōu)化的智能系統(tǒng)研究內(nèi)容包括自動(dòng)控制和信息處理兩方面，應(yīng)用包括過程自動(dòng)化、機(jī)械制造自動(dòng)化、管理自動(dòng)化和家庭自動(dòng)化等不斷提高傳統(tǒng)行業(yè)的技術(shù)水平和市場競爭力，并與光電子、計(jì)算機(jī)、信息技術(shù)等融合和創(chuàng)新，不斷創(chuàng)造和形成新的經(jīng)濟(jì)增長點(diǎn)和管理戰(zhàn)略哲理智能科學(xué)發(fā)展趨勢智能科學(xué)智能屬于哲學(xué)問題，智能科學(xué)研究智能的本質(zhì)和實(shí)現(xiàn)技術(shù),是由腦科學(xué)、認(rèn)知科學(xué)、人工智能等綜合形成的交叉學(xué)科腦科學(xué)從分子水平、神經(jīng)回路、行為實(shí)驗(yàn)研究自然智能機(jī)理，目的在于闡明人類大腦的結(jié)構(gòu)與功能，以及人類行為與心理活動(dòng)的物質(zhì)基礎(chǔ)認(rèn)知科學(xué)是研究人類感知、學(xué)習(xí)、記憶、思維、意識(shí)等人腦心智活動(dòng)過程的科學(xué)，是心理學(xué)、信息學(xué)、神經(jīng)科學(xué)和自然哲學(xué)的交叉人工智能是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)自動(dòng)化技術(shù)智能科學(xué)人工智能技術(shù)在科學(xué)發(fā)展過程中，在那些已經(jīng)建立起來的學(xué)科之間，還存在著一些被人忽視的無人區(qū)，正是從這些領(lǐng)域里可能得到最大的收獲?！Z伯特·維納《控制論》，1948人工智能技術(shù)的挑戰(zhàn)人-信息人-機(jī)器人-環(huán)境科技進(jìn)步改變著我們的生活，但卻使人們在信息、機(jī)器高度密集的環(huán)境中，變得更為被動(dòng)和無奈。信息越來越多，甚至成為垃圾，對信息的有效組織和挖掘極度匱乏，人與信息的共生環(huán)境尚未建立。簡單的體力勞動(dòng)已可以被機(jī)器所替代，但腦力勞動(dòng)，特別是智力尚未完全轉(zhuǎn)移和擴(kuò)展到機(jī)器上。需要更好地尊重、理解并滿足人的各種需要，以人為本，促進(jìn)人與物理時(shí)空環(huán)境的和諧發(fā)展。人工智能技術(shù)發(fā)展的特征人工智能由人類設(shè)計(jì)，為人類服務(wù)，本質(zhì)為計(jì)算，基礎(chǔ)為數(shù)據(jù)。必須體現(xiàn)服務(wù)人類的特點(diǎn)，而不應(yīng)該傷害人類，特別是不應(yīng)該有目的性地做出傷害人類的行為。以人為本人工智能技術(shù)發(fā)展的特征環(huán)境增強(qiáng)人工智能能感知環(huán)境，能產(chǎn)生反應(yīng)，能與人交互，能與人互補(bǔ)。能夠幫助人類做人類不擅長、不喜歡但機(jī)器能夠完成的工作，而人類則適合于去做更需要?jiǎng)?chuàng)造性、洞察力、想象力的工作。人工智能技術(shù)發(fā)展的特征學(xué)習(xí)適應(yīng)人工智能有適應(yīng)特性，有學(xué)習(xí)能力，有演化迭代，有連接擴(kuò)展。人工智能可以應(yīng)對不斷變化的現(xiàn)實(shí)環(huán)境，從而使人工智能系統(tǒng)在各行各業(yè)產(chǎn)生豐富的應(yīng)用。。人機(jī)博弈棋類游戲是人類智慧的結(jié)晶，自古以來就有著廣泛的愛好者群體，也產(chǎn)生了一代又一代的偶像級(jí)棋王。選擇棋類游戲作為人工智能研究的對象，不僅是因?yàn)槠孱愑螒蛞?guī)則清晰，勝負(fù)判斷一目了然，而且也更容易在愛好者群體中產(chǎn)生共鳴，因此人工智能研究者前赴后繼投身到對不同棋類游戲的挑戰(zhàn)中。互動(dòng)環(huán)節(jié)：人機(jī)小挑戰(zhàn)機(jī)器學(xué)習(xí)之父

機(jī)器博弈的水平實(shí)際上代表了當(dāng)時(shí)計(jì)算機(jī)體系架構(gòu)與計(jì)算機(jī)科學(xué)的最高水平。早在1962年，就職于IBM的阿瑟?薩繆爾就在內(nèi)存僅為32k的IBM7090晶體管計(jì)算機(jī)上開發(fā)出了西洋跳棋（Checkers）AI程序，并擊敗了當(dāng)時(shí)全美最強(qiáng)的西洋棋選手之一的羅伯特?尼雷，引起了轟動(dòng)。值得一提的是，薩繆爾所研制的下棋程序是世界上第一個(gè)有自主學(xué)習(xí)功能的游戲程序，因此他也被后人稱之為“機(jī)器學(xué)習(xí)之父”。阿瑟?薩繆爾里程碑事件1997年IBM公司“更深的藍(lán)”（DeeperBlue）戰(zhàn)勝世界國際象棋棋王卡斯帕羅夫，這是基于知識(shí)規(guī)則引擎和強(qiáng)大計(jì)算機(jī)硬件的人工智能系統(tǒng)的勝利2011年IBM公司的問答機(jī)器人“沃森”在美國智力問答競賽節(jié)目中大勝人類冠軍，這是基于自然語言理解和知識(shí)圖譜的人工智能系統(tǒng)的勝利2016年谷歌公司AlphaGo戰(zhàn)勝了圍棋世界冠軍李世石，2017年初AlphaGo升級(jí)版Master橫掃全球60位頂尖高手，這是基于蒙特卡洛樹搜索和深度學(xué)習(xí)的人工智能系統(tǒng)的勝利真正引起中國人廣泛關(guān)注的機(jī)器博弈史上三個(gè)里程碑事件是：PART2深度學(xué)習(xí)與國際象棋機(jī)器學(xué)習(xí)人機(jī)對抗歷史深藍(lán)成功秘訣國際象棋國際象棋起源于亞洲，后由阿拉伯人傳入歐洲，成為國際通行棋種，也是一項(xiàng)受到廣泛喜愛的智力競技運(yùn)動(dòng)，據(jù)稱全世界有多達(dá)三億的國際象棋愛好者，甚至在1924年曾一度被列為奧林匹克運(yùn)動(dòng)會(huì)正式比賽項(xiàng)目。國際象棋棋盤由橫縱各8格、顏色一深一淺交錯(cuò)排列的64個(gè)小方格組成，棋子共32個(gè)，分為黑白兩方，每方各16個(gè)。和8×8的西洋跳棋Checkers相比，國際象棋的狀態(tài)復(fù)雜度（指從初始局面出發(fā)，產(chǎn)生的所有合法局面的總和）從1021上升到1046，博弈樹復(fù)雜度（指從初始局面開始，其最小搜索樹的所有葉子節(jié)點(diǎn)的總和）也從1031上升到10123。19581973198319871988198919911993人機(jī)對抗歷史從1958年開始，人工智能研究者對國際象棋的挑戰(zhàn)持續(xù)了半個(gè)多世紀(jì)：1958年名為“思考”

IBM704成為第一臺(tái)能同人下國際象棋的計(jì)算機(jī)，處理速度每秒200步；1973年B.Slate和Atkin開發(fā)了國際象棋軟件“CHESS4.0”，成為未來國際象棋AI程序基礎(chǔ)；1983年，KenThompson開發(fā)了國際象棋硬件“BELLE”，達(dá)到大師水平；1987年，美國卡內(nèi)基梅隆大學(xué)設(shè)計(jì)的國際象棋計(jì)算機(jī)程序“深思”（DeepThought）以每秒鐘75萬步的處理速度露面，其水平相當(dāng)于擁有2450國際等級(jí)分的棋手；1988年，“深思”擊敗丹麥特級(jí)大師拉爾森；1989年，“深思”已經(jīng)有6臺(tái)信息處理器，每秒處理速度達(dá)到200萬步，但還是在與世界棋王卡斯帕羅夫的人機(jī)大戰(zhàn)中以0比2敗北；1991年，由CHESSBASE公司研制的國際象棋計(jì)算機(jī)程序“弗里茨”（Fretz）問世；1993年，“深思”二代擊敗了丹麥國家隊(duì)，并在與前女子世界冠軍小波爾加的對抗中獲勝。深藍(lán)一戰(zhàn)卡斯帕羅夫

1995年，IBM公司設(shè)計(jì)了全球第一臺(tái)采用并行化系統(tǒng)、以RS/6000SP為基礎(chǔ)、集成了總計(jì)256塊處理器以及480顆專門為國際象棋對弈設(shè)計(jì)的VLSI加速芯片的國際象棋計(jì)算機(jī)“深藍(lán)”，重達(dá)1270公斤。

1996年2月10日至17日，為了紀(jì)念首臺(tái)通用計(jì)算機(jī)ENIAC誕生50周年，“深藍(lán)”在美國費(fèi)城向國際象棋世界冠軍、世界排名第一的加里?卡斯帕羅夫發(fā)起了挑戰(zhàn)。

在6局的人機(jī)對弈比賽中，“深藍(lán)”并未占到什么便宜，棋王卡斯帕羅夫以4比2的總比分輕松獲勝，但“深藍(lán)”贏得了六場比賽中的一場勝利，這也是計(jì)算機(jī)第一次在與頂級(jí)選手的對弈中取得勝局?！吧钏{(lán)”升級(jí)改造

第一次對決落敗之后，IBM對“深藍(lán)”計(jì)算機(jī)進(jìn)行了升級(jí)，97型深藍(lán)取名“更深的藍(lán)”（DeeperBlue）。團(tuán)隊(duì)還豐富了象棋加速芯片中的象棋知識(shí)，使它能夠識(shí)別不同的棋局，并從眾多可能性中找出最佳行棋方案?！案畹乃{(lán)”每秒可檢索1億到2億個(gè)棋局，系統(tǒng)能夠搜尋和估算出當(dāng)前局面往后的12步行棋方案，最多可達(dá)20步，而人類棋手的極限是10步。即使按照一盤棋平均走80步，每步棋可能的落子位置為35個(gè)計(jì)算，其狀態(tài)復(fù)雜度和博弈樹復(fù)雜度也遠(yuǎn)非超級(jí)計(jì)算機(jī)所能窮舉，為了在合理的時(shí)間內(nèi)完成走棋任務(wù)，必須要進(jìn)行剪枝搜索。

運(yùn)算能力“更深的藍(lán)”（DeeperBlue）運(yùn)算速度為每秒2億步棋，計(jì)算能力為每秒113.8億次浮點(diǎn)運(yùn)算，是1996年版本的2倍，其運(yùn)算能力在當(dāng)時(shí)的全球超級(jí)計(jì)算機(jī)中也能排在第259位。剪枝搜索象棋知識(shí)“更深的藍(lán)”出師告捷

1997年5月，IBM公司再次邀請加里?卡斯帕羅夫到美國紐約曼哈頓進(jìn)行第二次人機(jī)大戰(zhàn)，同樣是6盤棋制比賽。

在前5局里，卡斯帕羅夫?yàn)榱吮苊庠谟?jì)算力方面用人腦與“更深的藍(lán)”進(jìn)行直接較量，他采取了獨(dú)特的行棋策略來對付“更深的藍(lán)”，但是這個(gè)奇招并沒有取得明顯的效果，“更深的藍(lán)”總是能夠憑借準(zhǔn)確無誤的局面判斷和精確的計(jì)算給出最強(qiáng)的應(yīng)手。

最終前五局雙方2.5對2.5打平，尤其是第三、第四、第五局連續(xù)三場和局，卡斯帕羅夫的助手看見他坐在房間的角落里，雙手捂面，仿佛已經(jīng)失去了斗志。在最后一局中，卡斯帕羅夫失去耐心，回到了“正?！钡南路?，在第七回合就犯了一個(gè)不可挽回的低級(jí)錯(cuò)誤，局勢急轉(zhuǎn)直下，最終在第六盤決勝局中僅僅走了19步就向“更深的藍(lán)”俯首稱臣。

最終卡斯帕羅夫1勝2負(fù)3平，以2.5比3.5的總比分輸給“更深的藍(lán)”?！案畹乃{(lán)”贏得了這場備受世人矚目的人機(jī)大戰(zhàn)，也標(biāo)志著國際象棋近2000年的發(fā)展歷史走向了新時(shí)代。人機(jī)博弈勝負(fù)已明“深藍(lán)”并不是終結(jié)，卡斯帕羅夫也沒有服氣。1999年，“弗里茨”升級(jí)為“更弗里茨”（DeepFritz），并在2001年擊敗了卡斯帕羅夫。

當(dāng)今國際象棋男子等級(jí)分排名最高的選手是出生于1990年的挪威特級(jí)大師卡爾森（MagnusCarlsen），他的等級(jí)分是2863分，而至少有10款開源國際象棋引擎等級(jí)分達(dá)到了3000分以上。

人與機(jī)器的國際象棋之爭已勝負(fù)分明，國際象棋領(lǐng)域的人機(jī)博弈也畫上了句號(hào)，取而代之的是2010年開始舉辦的機(jī)機(jī)博弈——國際象棋引擎競賽TCEC（ThoresenChessEngineCompetition）。加速芯片：“深藍(lán)”的成功秘訣“深藍(lán)”計(jì)算機(jī)在硬件上將通用計(jì)算機(jī)處理器與象棋加速芯片相結(jié)合，采用混合決策的方法，即在通用處理器上執(zhí)行運(yùn)算分解任務(wù)，交給象棋加速芯片并行處理復(fù)雜的棋步自動(dòng)推理，然后將推理得到的可能行棋方案結(jié)果返回通用處理器，最后由通用處理器決策出最終的行棋方案。

97型深藍(lán)與1996年相比，運(yùn)算速度差不多提高了兩倍，象棋加速芯片的升級(jí)功不可沒。升級(jí)后的象棋加速芯片能夠從棋局中抽取更多的特征，并在有限的時(shí)間內(nèi)計(jì)算出當(dāng)前盤面往后12步甚至20步的行棋方案，從而讓“深藍(lán)”更準(zhǔn)確地評估盤面整體局勢。知識(shí)規(guī)則引擎：“深藍(lán)”的成功秘訣“深藍(lán)”在軟件設(shè)計(jì)上采用了超大規(guī)模知識(shí)庫結(jié)合優(yōu)化搜索的方法。一方面，“深藍(lán)”存儲(chǔ)了國際象棋100多年來70萬份國際特級(jí)大師的棋譜，利用知識(shí)庫在開局和殘局階段節(jié)省處理時(shí)間并得出更合理的行棋方案。

另一方面，“深藍(lán)”采用Alpha-Beta剪枝搜索算法和基于規(guī)則的方法對棋局進(jìn)行評價(jià)，通過縮小搜索空間的上界和下界提高搜索效率，同時(shí)根據(jù)棋子的重要程度、棋子的位置、棋子對的關(guān)系等特征對棋局進(jìn)行更有效的評價(jià)。剪枝搜索算法示意圖PART3智力問答Watson自然語言處理知識(shí)圖譜自主學(xué)習(xí)Watson認(rèn)知計(jì)算系統(tǒng)平臺(tái)問世在“深藍(lán)”之后，IBM公司又選擇了一個(gè)新的領(lǐng)域挑戰(zhàn)人類極限——DeepQA，不僅僅把DeepQA項(xiàng)目看成一個(gè)問答游戲系統(tǒng)，而且將其稱之為認(rèn)知計(jì)算系統(tǒng)平臺(tái)。認(rèn)知計(jì)算被定義為一種全新的計(jì)算模式，它包含數(shù)據(jù)分析、自然語言處理和機(jī)器學(xué)習(xí)領(lǐng)域的大量技術(shù)創(chuàng)新，能夠幫助人類從大量非結(jié)構(gòu)化數(shù)據(jù)中找出有用的答案。IBM公司對其寄予厚望，并用公司創(chuàng)始人Thomas?J?Watson的名字將這個(gè)平臺(tái)命名為Watson。如果說“深藍(lán)”只是在做非常大規(guī)模的計(jì)算，是人類數(shù)學(xué)能力的體現(xiàn)，那么Watson就是將機(jī)器學(xué)習(xí)、大規(guī)模并行計(jì)算、語義處理等領(lǐng)域整合在一個(gè)體系架構(gòu)下來理解人類自然語言的嘗試。Watson問答系統(tǒng)能力解析理解（Understanding）與用戶進(jìn)行交互，根據(jù)用戶問題通過自然語言理解技術(shù)分析包括結(jié)構(gòu)化數(shù)據(jù)和圖文、音視頻、圖像等非結(jié)構(gòu)化所有類型的數(shù)據(jù)，最終實(shí)現(xiàn)用戶提出問題的有效應(yīng)答。推理（Reasoning）通過假設(shè)生成，透過數(shù)據(jù)揭示洞察、模式和關(guān)系，將散落在各處的知識(shí)片段連接起來進(jìn)行推理、分析、對比、歸納、總結(jié)和論證，從而獲取深入的理解和決策的證據(jù)。學(xué)習(xí)（Learning）通過以證據(jù)為基礎(chǔ)的學(xué)習(xí)能力，從大數(shù)據(jù)中快速提取關(guān)鍵信息，像人類一樣學(xué)習(xí)和記憶這些知識(shí)，并可以通過專家訓(xùn)練，在不斷與人的交互中通過經(jīng)驗(yàn)學(xué)習(xí)來獲取反饋，優(yōu)化模型。

交互（interacting）通過精細(xì)的個(gè)性化分析能力，獲得用戶的語義、情緒等信息，進(jìn)一步利用文本分析與心理語言學(xué)模型對海量數(shù)據(jù)進(jìn)行深入分析，掌握用戶個(gè)性特質(zhì)，構(gòu)建全方位用戶畫像，實(shí)現(xiàn)更加自然的互動(dòng)交流。Watson研發(fā)團(tuán)隊(duì)全面?zhèn)鋺?zhàn)IBM公司調(diào)動(dòng)其全球研發(fā)團(tuán)隊(duì)參與到DeepQA項(xiàng)目中，這些團(tuán)隊(duì)分工極為細(xì)致，讓它的各個(gè)團(tuán)隊(duì)都發(fā)揮出最大的效率，目標(biāo)就是在2011年的綜藝節(jié)目《危險(xiǎn)邊緣》（QuizShowJeopardy!）中一鳴驚人。

問答搜索：以色列海法團(tuán)隊(duì)負(fù)責(zé)深度開放域問答系統(tǒng)工程的搜索；

詞語連接：日本東京團(tuán)隊(duì)負(fù)責(zé)在問答中將詞意和詞語連接；

數(shù)據(jù)支持：中國北京和上海團(tuán)隊(duì)則負(fù)責(zé)以不同的資源給Watson提供數(shù)據(jù)支持

算法研究：此外還有專門研究算法的團(tuán)隊(duì)和研究博弈下注策略的團(tuán)隊(duì)等。團(tuán)隊(duì)分工算法研究數(shù)據(jù)支持詞語連接問答搜索

Watson包括90臺(tái)IBM小型機(jī)服務(wù)器、360個(gè)Power750系列處理器以及IBM研發(fā)的DeepQA系統(tǒng)。Power750系列處理器是當(dāng)時(shí)RISC（精簡指令集計(jì)算機(jī)）架構(gòu)中最強(qiáng)的處理器，可以支持Watson在不超過3秒鐘的時(shí)間內(nèi)得出可靠答案。

1.攝像頭拍照，OCR識(shí)別文字，得到文字文本。2.提取專有名詞基本信息，為其打上分類標(biāo)簽。7.語音合成引擎將答案文本轉(zhuǎn)換成語音并播放出來，完成回答。3.提取文字結(jié)構(gòu)信息，減少冗余搜索。4.

逐級(jí)分解每個(gè)問題，直到獲得所有子問題的答案。5.在自身知識(shí)圖譜中搜索并匯集特定實(shí)體的屬性信息，實(shí)現(xiàn)實(shí)體屬性完整勾畫。6.運(yùn)用算法評估可能答案，可信度最高且超過51%，執(zhí)行器按下信號(hào)燈。文字識(shí)別實(shí)體抽取關(guān)系抽取問題分析答案生成判斷決策回答問題Watson的工作過程Watson挑戰(zhàn)成功最終比分成績?yōu)閃atson:$77147，Jennings:$24000，Rutter:$21600，比賽塵埃落定，人類已經(jīng)和Watson相距太遠(yuǎn)。

2011年2月14日-16日，做好一切準(zhǔn)備的Watson開始了與人類的對決。Watson在第一輪中就奠定了領(lǐng)先地位，但在比賽中出現(xiàn)了幾個(gè)糟糕的回答。

比如一個(gè)美國城市類的問題，Watson的答案為多倫多。這道題的回答讓人大跌眼鏡，主要原因是Watson沒有為答案設(shè)置邊緣條件。

另一道回答奧利奧餅干是什么時(shí)候被推出的時(shí)候，幾秒前人類選手Jennings回答相同問題時(shí)剛被告知“20年”錯(cuò)了，Watson還是繼續(xù)回答“1920年”。這是因?yàn)檠芯繄F(tuán)隊(duì)為了簡化Watson的編程，讓它對其他玩家的回答“裝聾作啞”，結(jié)果吃了大虧。

Watson進(jìn)入商業(yè)化運(yùn)營階段如今，Watson已經(jīng)被運(yùn)用到超過35個(gè)國家的17個(gè)產(chǎn)業(yè)領(lǐng)域，超過7.7萬名開發(fā)者參與到WatsonDeveloperCloud平臺(tái)來實(shí)施他們的商業(yè)夢想，WatsonAPI的月調(diào)用量也已高達(dá)13億次，并仍在增長。借著這次Watson人機(jī)大戰(zhàn)的風(fēng)頭，2012年IBM公司的小型機(jī)占據(jù)了全球?qū)⒔?/3的市場份額，Watson也于2013年開始進(jìn)入商業(yè)化運(yùn)營，陸續(xù)推出的相關(guān)產(chǎn)品：Watson相關(guān)產(chǎn)品Watson發(fā)現(xiàn)顧問（WatsonDiscoveryAdvisor）Watson參與顧問（WatsonEngagementAdvisor）Watson分析（WatsonAnalytics）Watson探索（WatsonExplorer）Watson知識(shí)工作室（WatsonKnowledgeStudio）Watson腫瘤治療（WatsonforOncology）Watson臨床試驗(yàn)匹配（WatsonforClinicalTrialMatching）Watson成功秘訣：自然語言處理“Jeopardy!”這類問答類節(jié)目，對于人類而言規(guī)則很簡單，但是對于Watson則意味著眾多挑戰(zhàn)。

它不僅要理解主持人提問的自然語言，還需要分析這些語言是否包含諷刺、雙關(guān)、修飾等，以正確判斷題目的意思，并評估各種答案的可能性，給出最后的選擇。

自然語言處理研究實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語言進(jìn)行有效通信的各種理論和方法，是計(jì)算機(jī)科學(xué)與人工智能研究中的重要方向之一。

自然語言處理技術(shù)廣泛應(yīng)用

Watson的成功得益于自然語言處理技術(shù)多年的積累，同樣也帶動(dòng)了這個(gè)領(lǐng)域進(jìn)入了一個(gè)更加快速的發(fā)展階段：2011年10月蘋果公司在發(fā)布新品時(shí)集成Siri智能語音助手，把聊天問答系統(tǒng)帶入了成熟商業(yè)化階段；2013年谷歌公司開源Word2Vec引爆深度學(xué)習(xí)這個(gè)新的熱點(diǎn)，機(jī)器翻譯、文檔摘要、關(guān)系抽取等任務(wù)不斷取得重要進(jìn)展，從此人工智能走向第三次高潮。蘋果Siri智能語音助手谷歌公司開源Word2VecWatson成功秘訣：知識(shí)圖譜

知識(shí)圖譜本質(zhì)上是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點(diǎn)（Point）和邊（Edge）組成。在知識(shí)圖譜中，每個(gè)節(jié)點(diǎn)表示現(xiàn)實(shí)世界中存在的“實(shí)體”，每條邊為實(shí)體與實(shí)體之間的“關(guān)系”。可以說，知識(shí)圖譜就是把異構(gòu)信息連接在一起而得到的一個(gè)關(guān)系網(wǎng)絡(luò)，提供了從“關(guān)系”的角度去分析問題的能力。

2012年谷歌公司推出知識(shí)圖譜搜索服務(wù)，國內(nèi)互聯(lián)網(wǎng)公司百度和搜狗也分別推出“知心”和“知立方”來改進(jìn)其搜索質(zhì)量。在搜索引擎中引入知識(shí)圖譜大幅的地提升和優(yōu)化了搜索體驗(yàn)。谷歌改進(jìn)知識(shí)圖譜添加比較及過濾等新功能知識(shí)圖譜的廣泛應(yīng)用知識(shí)圖譜也被廣泛應(yīng)用于聊天機(jī)器人和問答系統(tǒng)中，用于輔助深度理解人類的語言和支持推理，并提升人機(jī)問答的用戶體驗(yàn)。

此外，在金融、農(nóng)業(yè)、電商、醫(yī)療健康、環(huán)境保護(hù)等垂直領(lǐng)域，知識(shí)圖譜同樣得到了廣泛的應(yīng)用。知識(shí)圖譜問答系統(tǒng)金融農(nóng)業(yè)電商醫(yī)療健康環(huán)保PART4圍棋AlphaGo機(jī)器學(xué)習(xí)蒙特卡洛樹搜索深度學(xué)習(xí)

圍棋復(fù)雜度增加8*8格國際象棋的狀態(tài)復(fù)雜度為1046，博弈樹復(fù)雜度為10123。19*19格的圍棋，其狀態(tài)復(fù)雜度已上升到10172，博弈樹復(fù)雜度則達(dá)到驚人的10360，因此也被視為人類在棋類人機(jī)對抗中最后的堡壘。國際象棋圍棋人機(jī)對抗的嘗試與探索

在很長一段時(shí)間里，靜態(tài)方法成了主流研究方向，中山大學(xué)化學(xué)系教授陳志行開發(fā)的圍棋博弈程序“手談”和開源軟件GNUGO在2003年以前能夠在9*9圍棋中達(dá)到人類5-7級(jí)水平。

2006年S.Gelly等人提出的UCT算法（UpperConfidenceBoundApplytoTree，上限置信區(qū)間算法），該算法在蒙特卡洛樹搜索中使用UCB公式解決了探索和利用的平衡，并采用隨機(jī)模擬對圍棋局面進(jìn)行評價(jià)。該程序的勝率竟然比先前最先進(jìn)的蒙特卡羅擴(kuò)展算法高出了幾乎一倍，但它也僅能在9路圍棋中偶爾戰(zhàn)勝人類職業(yè)棋手，在19路圍棋中還遠(yuǎn)遠(yuǎn)不能與人類抗衡。靜態(tài)方法UCT算法陳志行手談AlphaGo橫空出世這是圍棋歷史上一次史無前例的突破，人工智能程序能在不讓子的情況下，第一次在完整的圍棋競技中擊敗專業(yè)選手。AlphaGo大戰(zhàn)樊麾2016年D.Silver等人在世界頂級(jí)科學(xué)雜志《Nature》發(fā)表文章，稱被谷歌公司收購的DeepMind團(tuán)隊(duì)開發(fā)出AlphaGo在沒有任何讓子情況下，以5:0完勝歐洲圍棋冠軍、職業(yè)二段選手樊麾。AlphaGo系統(tǒng)簡介監(jiān)督、強(qiáng)化學(xué)習(xí)該系統(tǒng)通過對16萬局人類高手棋譜中的3000萬手盤面進(jìn)行監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)；策略、價(jià)值網(wǎng)絡(luò)使用策略網(wǎng)絡(luò)和估值網(wǎng)絡(luò)實(shí)現(xiàn)落子決策和局勢評估；蒙特卡洛算法通過與蒙特卡洛樹搜索算法結(jié)合，極大地改善了搜索決策的質(zhì)量；

異步分布并行算法提出異步分布式并行算法，使其可運(yùn)行于CPU/GPU集群上。系統(tǒng)AlphaGo所向披靡

2016年3月AlphaGo與李世石進(jìn)行圍棋人機(jī)大戰(zhàn)，以4比1的總比分獲勝；

2016年末2017年初，它以Master為帳號(hào)與中日韓數(shù)十位圍棋高手快棋對決，連續(xù)60局全勝。

2017年5月在中國烏鎮(zhèn)圍棋峰會(huì)上，它與柯潔對戰(zhàn)，以3比0的總比分獲勝。圍棋界公認(rèn)AlphaGo的棋力已經(jīng)超過人類職業(yè)圍棋頂尖水平，其最新版本自我估分在4500分左右，實(shí)力水平大約在13段左右，人類選手中已然無敵。AlphaGo大戰(zhàn)李世石Master大戰(zhàn)聶衛(wèi)平AlphaGo大戰(zhàn)柯潔AlphaGo新技能AlphaGo通過學(xué)習(xí)大量棋譜，以及更大規(guī)模的自我對弈完成學(xué)習(xí)，這種深度學(xué)習(xí)的能力使得它能不斷學(xué)習(xí)進(jìn)化。AlphaGo發(fā)現(xiàn)了人類沒有的圍棋著法，初步展示了機(jī)器發(fā)現(xiàn)“新事物”的創(chuàng)造性。這意味著它的增強(qiáng)學(xué)習(xí)算法可以從大數(shù)據(jù)中發(fā)現(xiàn)新的規(guī)律和知識(shí)，為人類擴(kuò)展自己的知識(shí)體系開辟了新的認(rèn)知通道。AlphaGo展現(xiàn)了曾被認(rèn)為是人類獨(dú)有、計(jì)算機(jī)難以做到的“棋感直覺”這些技術(shù)使得人工智能程序初步具備了既可以考慮局部得失，又可以考慮全局態(tài)勢的能力，從而具備了一種全局性“直覺”能力。深度學(xué)習(xí)發(fā)現(xiàn)新著法棋感知覺新技能AlphaGoZero青出于藍(lán)

學(xué)習(xí)策略整合策略、價(jià)值網(wǎng)絡(luò)舍棄快速走子網(wǎng)絡(luò)引入殘差結(jié)構(gòu)2.舍棄快速走子網(wǎng)絡(luò)，不再進(jìn)行隨機(jī)模擬，而是完全使用神經(jīng)網(wǎng)絡(luò)得到的結(jié)果替換隨機(jī)模擬，從而在提升學(xué)習(xí)速率的同時(shí)，增強(qiáng)神經(jīng)網(wǎng)絡(luò)估值的準(zhǔn)確性。1.AlphaGoZero將策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)整合在一起，使用純粹的深度強(qiáng)化學(xué)習(xí)方法進(jìn)行端到端的自我對弈學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)的權(quán)值完全從隨機(jī)初始化開始，使用強(qiáng)化學(xué)習(xí)進(jìn)行自我博弈和提升。3.AlphaGoZero神經(jīng)網(wǎng)絡(luò)中還引入了殘差結(jié)構(gòu)，可使用更深的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征表征提取，從而能在更加復(fù)雜的棋盤局面中進(jìn)行學(xué)習(xí)。AlphaGoZero青出于藍(lán)

AlphaGo最高需要1920塊CPU和280塊GPU訓(xùn)練，AlphaGoLee用了176塊GPU和48塊TPU，而AlphaGoZero僅僅使用了單機(jī)4塊TPU便完成了訓(xùn)練任務(wù)。硬件結(jié)構(gòu)

AlphaGoZero僅用3天的時(shí)間便達(dá)到了AlphaGoLee的水平，21天后達(dá)到AlphaGoMaster的水平。AlphaGoZero成功證明了在沒有人類指導(dǎo)和經(jīng)驗(yàn)的前提下，深度強(qiáng)化學(xué)習(xí)方法在圍棋領(lǐng)域里仍然能夠出色的完成指定的任務(wù)，甚至于比有人類經(jīng)驗(yàn)知識(shí)指導(dǎo)時(shí)，完成的更加出色。AlphaGo成功秘訣：蒙特卡洛樹搜索在機(jī)器博弈中，每步行棋方案的運(yùn)算時(shí)間、堆?？臻g都是有限的，只能給出局部最優(yōu)解，因此2006年提出的蒙特卡洛樹搜索就成為隨機(jī)搜索算法的首選。應(yīng)用意義它結(jié)合了隨機(jī)模擬的一般性和樹搜索的準(zhǔn)確性，近年來在圍棋等完全信息博弈、多人博弈及隨機(jī)類博弈難題上取得了成功應(yīng)用。理論上，蒙特卡洛樹搜索可被用在以{狀態(tài)，行動(dòng)}定義并用模擬預(yù)測輸出結(jié)果的任何領(lǐng)域。

它結(jié)合了廣度優(yōu)先搜索和深度優(yōu)先搜索，會(huì)較好地集中到“更值得搜索的變化”（雖然不一定準(zhǔn)確），同時(shí)可以給出一個(gè)同樣不怎么準(zhǔn)確的全局評估結(jié)果，最后隨著搜索樹的自動(dòng)生長，可以保證在足夠大的運(yùn)算能力和足夠長的時(shí)間后收斂到完美解。AlphaGo成功秘訣：強(qiáng)化學(xué)習(xí)目標(biāo)：從一個(gè)已經(jīng)標(biāo)記的訓(xùn)練集中進(jìn)行學(xué)習(xí)。機(jī)器學(xué)習(xí)有監(jiān)督學(xué)習(xí)SupervisedLearning無監(jiān)督學(xué)習(xí)UnsupervisedLearning強(qiáng)化學(xué)習(xí)ReinforcementLearning目標(biāo)：從一堆未標(biāo)記樣本中發(fā)現(xiàn)隱藏的結(jié)構(gòu)。目標(biāo)：在當(dāng)前行動(dòng)和未來狀態(tài)中獲得最大回報(bào)。在邊獲得樣例邊學(xué)習(xí)的過程中，不斷迭代“在當(dāng)前模型的情況下，如何選擇下一步的行動(dòng)才對完善當(dāng)前的模型最有利”的過程直到模型收斂。強(qiáng)化學(xué)習(xí)的廣泛應(yīng)用阿里巴巴公司在雙11推薦場景中，使用了深度強(qiáng)化學(xué)習(xí)與自適應(yīng)在線學(xué)習(xí)建立決策引擎，對海量用戶行為以及百億級(jí)商品特征進(jìn)行實(shí)時(shí)分析，提高人和商品的配對效率，將手機(jī)用戶點(diǎn)擊率提升了10-20%。無人駕駛廣告投放強(qiáng)化學(xué)習(xí)在機(jī)器博弈以外還有很多應(yīng)用，例如無人駕駛和廣告投放等。

01人機(jī)大戰(zhàn)：深度學(xué)習(xí)算法的標(biāo)志性成果最復(fù)雜（注：狀態(tài)復(fù)雜度與博弈復(fù)雜度）的智力游戲：看似簡單，實(shí)為復(fù)雜，具有10的170次方狀態(tài)復(fù)雜空間涉及邏輯推理，形象思維，優(yōu)化選擇等多種人類智能（注：國際象棋只有邏輯推理，沒有形象思維）02接近人類公認(rèn)是人工智能領(lǐng)域長期以來的重大挑戰(zhàn)03標(biāo)志性國際學(xué)術(shù)界曾經(jīng)普遍認(rèn)為解決圍棋問題需要15-20年時(shí)間04挑戰(zhàn)為什么做圍棋AI？創(chuàng)新性投入力度業(yè)內(nèi)龍頭

目前技術(shù)優(yōu)勢：起步早，算法新，技術(shù)強(qiáng)，資源雄厚最近一年專注于強(qiáng)化學(xué)習(xí)研究

擬于近期公布新論文和數(shù)據(jù)，并從此退出圍棋AI領(lǐng)域GoogleDeepmind簡介傳統(tǒng)圍棋AI算法—MCTS（蒙特卡洛樹搜索）雙人一人一步雙方信息完備（棋類—完全信息,牌類—不完全信息）零和動(dòng)態(tài)博弈問題計(jì)算機(jī)下棋棋類要素的數(shù)字化——恰當(dāng)?shù)臄?shù)據(jù)結(jié)構(gòu)棋盤、棋子、棋規(guī)（著法規(guī)則，勝負(fù)規(guī)則）用著法推演局面——博弈樹展開從有利局面選擇當(dāng)前著法——博弈搜索局面評估——指標(biāo)定義與綜合展開深度為4的博弈樹本方本方本方對方對方Ply1Ply3Ply4Ply2Ply0根節(jié)點(diǎn)為當(dāng)前局面葉節(jié)點(diǎn)為展開終點(diǎn)雙方輪流出手偶數(shù)層為本方奇數(shù)層為對方圍棋落子蒙特卡洛數(shù)學(xué)模型及評估圍棋對弈過程可以看做一個(gè)馬爾科夫過程：五元組：{T，S，A(i)，P(·|i,a)，r(i,a)}T：決策時(shí)刻S：狀態(tài)空間，S={i}A(i)：可行動(dòng)集合（可落子點(diǎn)）P(·|i,a)：狀態(tài)i下選擇行動(dòng)a的概率r(i,a)：狀態(tài)i下選擇行動(dòng)a后課獲得的收益從當(dāng)前局面的所有可落子點(diǎn)中隨機(jī)（或者給勝率高的點(diǎn)分配更多的計(jì)算力）選擇一個(gè)點(diǎn)落子重復(fù)以上過程直到勝負(fù)可判斷為止經(jīng)多次模擬后（計(jì)算越多越精確），選擇勝率最大的點(diǎn)落子傳統(tǒng)圍棋AI算法—數(shù)學(xué)模型MCTS（蒙特卡洛樹搜索）基本思想與特點(diǎn)：-將可能出現(xiàn)的狀態(tài)轉(zhuǎn)移過程用狀態(tài)樹表示-從初始狀態(tài)開始重復(fù)抽樣，逐步擴(kuò)展樹中的節(jié)點(diǎn)-某個(gè)狀態(tài)再次被訪問時(shí)，可以利用已有的結(jié)果，提高了效率-在抽樣過程中可以隨時(shí)得到行為的評價(jià)選擇-從根節(jié)點(diǎn)出發(fā)自上而下地選擇一個(gè)落子點(diǎn)擴(kuò)展-向選定的點(diǎn)添加一個(gè)或多個(gè)子節(jié)點(diǎn)模擬-對擴(kuò)展出的節(jié)點(diǎn)用蒙特卡洛方法進(jìn)行模擬回溯-根據(jù)模擬結(jié)果依次向上更新祖先節(jié)點(diǎn)估計(jì)值13個(gè)卷積層，每層192個(gè)卷積核，每個(gè)卷積核3*3，參數(shù)個(gè)數(shù)800萬+GPU3ms/步預(yù)測準(zhǔn)確率57%PolicyNetwork（策略網(wǎng)絡(luò)）在每個(gè)分支節(jié)點(diǎn)直接判斷形勢與Rollout隨機(jī)模擬相結(jié)合，互為補(bǔ)充ValueNetwork（價(jià)值網(wǎng)絡(luò)）給勝率高的點(diǎn)分配更多的計(jì)算力任意時(shí)間算法，計(jì)算越多越精確1、選取2、展開3、評估4、倒傳MCTS（蒙特卡洛樹搜索）通過隨機(jī)模擬走子勝率來判定形勢速度很快（1ms/盤）隨機(jī)性與合理性的平衡Rollout（隨機(jī)模擬走子）AlphaGo的實(shí)現(xiàn)原理控制寬度（250）控制深度（150）基本算法快速模擬圍棋是完全信息博弈，從理論上來說可以通過暴力搜索所有可能的對弈過程來確定最優(yōu)的走法PolicyNetwork策略網(wǎng)絡(luò)：落子棋感深度神經(jīng)網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)，目標(biāo)是獲得在圍棋盤面下的落子棋感學(xué)習(xí)職業(yè)棋手和業(yè)余高段棋手的棋譜（數(shù)十萬份棋譜，上億數(shù)量級(jí)的落子方式）把當(dāng)前局面作為輸入，預(yù)測下一步的走棋。它的預(yù)測不只給出最強(qiáng)的一手，而是對棋盤上所有可能的下一著給一個(gè)分?jǐn)?shù)用PolicyNetwork作為第一感，將計(jì)算力分配到最有希望的選點(diǎn)分枝數(shù)從上百個(gè)減少到幾個(gè)優(yōu)先計(jì)算PolicyNetwork分?jǐn)?shù)高的點(diǎn)，計(jì)算力充沛時(shí)，適當(dāng)分配到其他分值較低的點(diǎn)PolicyNetwork—輸入特征3×224248×552128×272192×132192×132128×1322048204820482048192×32192×32128×3248×523×112192×32192×32192×132192×132128×132128×27248×5248×552128×321000局部感知域權(quán)重共享特征訓(xùn)練卷積層+池化層模型結(jié)構(gòu)13個(gè)卷積層，每層192個(gè)3*3卷積核數(shù)百萬個(gè)參數(shù)訓(xùn)練數(shù)據(jù)KGS6d以上對局，17萬，職業(yè)對局8萬。訓(xùn)練數(shù)據(jù)量5000萬+訓(xùn)練時(shí)間幾十天運(yùn)算速度GPU，3ms預(yù)測準(zhǔn)確率57%左右互博，自我進(jìn)化Agent通過和環(huán)境s的交互，選擇下一步的動(dòng)作a，這個(gè)動(dòng)作會(huì)影響環(huán)境s，給Agent一個(gè)reward，Agent然后繼續(xù)和環(huán)境交互。根據(jù)游戲結(jié)果迭代更新轉(zhuǎn)移概率和評估函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與策略網(wǎng)絡(luò)相同訓(xùn)練方法：自我對局目標(biāo)：校正價(jià)值導(dǎo)向?qū)⒉呗跃W(wǎng)絡(luò)權(quán)值作為初始值，自我對弈更新權(quán)值，從而提升棋力Pros:棋藝更高(win80%ofthegameswithSLpolicynetwork)Cons:走法集中，不適應(yīng)MCTS多搜索范圍的需求強(qiáng)化學(xué)習(xí)(RL)Fast-Rollout快速走子Rollout（隨機(jī)模擬走子）通過隨機(jī)模擬走子勝率來判定形勢速度快隨機(jī)性，合理性的平衡原因：1.策略網(wǎng)絡(luò)的運(yùn)行速度較慢(3ms)

快速走子在2us2.用來評估盤面。在同等時(shí)間下，模擬走子速度快乃至使用隨機(jī)走子，雖然單次估值精度低，但可以多模擬幾次算平均值，效果未必不好。提升棋力結(jié)構(gòu)：局部特征匹配+線性回歸特征：圍棋專業(yè)知識(shí)ValueNetwork：勝負(fù)棋感深度神經(jīng)網(wǎng)絡(luò)的增強(qiáng)型學(xué)習(xí)（DeepMind獨(dú)創(chuàng)）通過自我博弈，學(xué)習(xí)不同盤面下的勝負(fù)情況（三千萬盤自我對局）獲取在圍棋盤面的勝負(fù)棋感（注：對每一個(gè)落子點(diǎn)給一個(gè)當(dāng)時(shí)的快速的勝負(fù)感（估算），這個(gè)勝負(fù)估算并不是根據(jù)分析計(jì)算出來的，而是直覺）（通過AlphaGo幾千萬盤的訓(xùn)練學(xué)習(xí)得來的）形勢判斷：-1：白棋必勝<0：白棋優(yōu)勢0：雙方均勢>0：黑棋優(yōu)勢1：黑棋必勝ValueNetwork模型模型結(jié)構(gòu)13個(gè)卷積層，每層192個(gè)卷積核，每個(gè)卷積核3*3數(shù)百萬個(gè)參數(shù)訓(xùn)練數(shù)據(jù)PolicyNetwork自我對弈棋譜。3000萬+特定盤面+勝負(fù)結(jié)果訓(xùn)練時(shí)間幾十天運(yùn)算速度GPU，3ms方法：在每個(gè)分支節(jié)點(diǎn)，使用ValueNetwork直接判斷形勢與Rollout隨機(jī)模擬相結(jié)合，互為補(bǔ)充效果：職業(yè)水平，AlphaGoMCTS在對局中實(shí)時(shí)搜索Step1：基于策略網(wǎng)絡(luò)落子，可能性大的落子拓展節(jié)點(diǎn)Step2：對未來走勢進(jìn)行評估，同時(shí)使用估值網(wǎng)絡(luò)和快速走子，綜合兩者預(yù)測未來走法Step3：評估結(jié)果作為下一步走法的Q值。重新模擬。Step4：結(jié)合下一步走法的Q值和策略網(wǎng)絡(luò)進(jìn)行再一次模擬。如果出現(xiàn)同樣走法，Q值起平均。新分?jǐn)?shù)=調(diào)整后的初始分+0.5*通過模擬（策略網(wǎng)絡(luò)+快速走棋)得到的贏棋概率+0.5*估值網(wǎng)絡(luò)的局面評估分Step5：反復(fù)循環(huán)直到n次，或者timeout，選擇被選擇次數(shù)最多的走法作為下一步Put-TogetherAlphaGoZero第3天，下了490萬局棋，打敗老大老三戰(zhàn)績老三學(xué)棋過程剛開始，隨機(jī)下子熱衷于吃子，完全不顧死活發(fā)現(xiàn)了如果先占住棋盤的邊和角，后面占便宜學(xué)會(huì)了如何「打劫」、「征子」懂得看「棋形」第21天，敗了老二第40天，完整走過了一個(gè)人類棋手學(xué)棋的全過程棋盤/黑子/白子棋子被圍起來就死規(guī)則棋士柯潔10月19日02:22一個(gè)純凈、純粹自我學(xué)習(xí)的AlphaGo是最強(qiáng)的...對于AlphaGo的自我進(jìn)步來講...人類太多余了老大AlphaGoLee,2016年3月4:1打敗韓國棋手李世石老二AlphaGoMaster,2017年5月3:0打敗中國棋手柯潔老三AlphaGoZero,2017年10月宣布自學(xué)圍棋40天，打敗所有人AlphaGoZero解析人類經(jīng)驗(yàn)由于樣本空間大小的限制，往往都收斂于局部最優(yōu)而不自知（或無法發(fā)現(xiàn)），阿法元不再被人類認(rèn)知所局限，而能夠發(fā)現(xiàn)新知識(shí)，發(fā)展新策略區(qū)別1：特征提取層采用40個(gè)殘差模塊，每個(gè)模塊包含2個(gè)卷積層。運(yùn)用殘差模塊提升了網(wǎng)絡(luò)深度，更深的網(wǎng)絡(luò)能更有效地直接從棋盤上提取特征區(qū)別2：同時(shí)訓(xùn)練走子策略(policy)網(wǎng)絡(luò)和勝率值(value)網(wǎng)絡(luò)啟示深度學(xué)習(xí)訓(xùn)練過程需要消耗大量人類標(biāo)注樣本，而這對于小樣本應(yīng)用領(lǐng)域(比如醫(yī)療圖像處理)是不可能辦到的。所以減少樣本和人類標(biāo)注的方法非常重要開局和收官和專業(yè)棋手的下法并無區(qū)別，但是中盤難于理解；機(jī)器經(jīng)驗(yàn)與人類經(jīng)驗(yàn)有很大差別，我們又該如何去選擇和利用呢？智能圍棋與蒙特卡洛樹搜索沒有棋感直覺不行，完全依賴棋感直覺也不行直覺需要通過嚴(yán)格的數(shù)學(xué)模型和計(jì)算方法，對棋感直覺進(jìn)行驗(yàn)證AlphaGo使用蒙特卡洛樹搜索，對落子棋感和勝負(fù)感進(jìn)行計(jì)算驗(yàn)證。蒙特卡洛樹搜索：搜索驗(yàn)證基于數(shù)學(xué)期望的勝負(fù)評估模型（勝率）基于蒙特卡洛模擬進(jìn)行勝負(fù)結(jié)果采樣（模擬采樣比直覺更可靠）根據(jù)模擬采樣結(jié)果驗(yàn)證盤面勝負(fù)的數(shù)學(xué)期望可靠程度與采樣規(guī)模相關(guān)（采樣越大，離真理會(huì)更近些）蒙特卡洛模擬采樣：勝負(fù)棋感驗(yàn)證智能圍棋與神經(jīng)網(wǎng)絡(luò)谷歌的AlphaGo是深度學(xué)習(xí)算法的標(biāo)志性成果；深度卷積神經(jīng)網(wǎng)絡(luò)(DeepConvolutionalNeuralNetwork,DCNN),是近年發(fā)展起來，并引起