霍金一直傾向于人工智能威脅論，認為智能機器有一天會威脅人類安全。 但在與哈薩比斯進行了四個小時的交談后，霍金似乎改變了態(tài)度。 介紹完負責人后，我們又把注意力轉了回來。 事實上，他已經出名很久了。 他曾經用Zen和Zen（兩個著名的圍棋程序）對弈了500場，只輸了一場。 它還優(yōu)于由馬克·扎克伯格支持的流行圍棋程序 Dark。 它具有策略網絡（ ）和估值網絡（ ）的能力。 前者分析局勢，預測對手的走法，后者則負責判斷勝率，可以在2微秒內出棋。 黑暗只有第一個能力和所有招式。 花費的時間也比較慢。 當然，真正讓他成名的是他戰(zhàn)勝了歐洲圍棋冠軍樊麾，這在當時引起了軒然大波，甚至還推高了谷歌的股價。 畢竟，這是計算機對人腦的勝利。 更重要的是，從計算機的角度來看，圍棋比國際象棋困難得多谷歌人工智能李世石，每一步棋的潛在組合都非常復雜。 有專家曾表示，十年之內人工智能不可能掌握圍棋。 Go () 是一個圍棋人工智能程序，由英國倫敦 () 的 、 和 及其團隊開發(fā)。 該程序使用價值網絡來計算情況谷歌人工智能李世石，使用策略網絡來選擇下一步行動。
2015年10月，阿爾法圍棋5：0擊敗歐洲圍棋冠軍、職業(yè)二段棋手樊麾； 2016年3月，對陣世界圍棋冠軍、職業(yè)九段棋手李世石，李世石落敗。 （）是一個圍棋人工智能程序。 該程序使用價值網絡來計算形勢，并使用策略網絡來選擇動作。 Deep Go（）的主要工作原理是深度學習。 深度學習是指多層人工神經網絡及其訓練方法。 一層神經網絡以大量矩陣數作為輸入，通過非線性激活方法選擇權重，然后產生另一個數據集作為輸出。 這就像生物神經腦的工作機制一樣。 通過適當數量的矩陣，將多層組織連接在一起，形成神經網絡大腦，進行精確而復雜的處理，就像人們識別物體和注釋圖片一樣。 兩個大腦 Go（圍棋）通過具有不同神經網絡的兩個大腦之間的協(xié)同工作來提高國際象棋水平。 這些大腦是多層神經網絡，其結構類似于圖像搜索引擎用于識別圖像的神經網絡。 他們從多層啟發(fā)式 2D 過濾器開始處理圍棋棋盤的定位，就像圖片分類器網絡處理圖像一樣。 經過過濾后，13 個完全連接的神經網絡層會對它們看到的位置做出判斷。 這些層能夠進行分類和邏輯推理。 這些網絡通過反復訓練來檢查結果，然后校對和調整參數，使下一次執(zhí)行得更好。
這個處理器具有很大的隨機性，因此不可能準確地知道網絡是如何思考的，但更多的訓練將讓它進化得更好。 第一個大腦：走棋選擇器（Move） Go的第一個神經網絡大腦（）是監(jiān)督學習策略網絡（），它觀察棋盤布局并試圖找到最佳的下一步棋。 事實上，它預測每個合法下一步的最佳概率，因此第一個猜測是概率最高的。 這可以理解為移動選擇器。 第二大腦：()的第二大腦是回答與著法選擇器相關的另一個問題。 它不是猜測具體的下一步行動，而是在給定棋子的位置的情況下預測每個玩家獲勝的概率。 這個態(tài)勢評估器就是價值網絡（ ），它通過全局判斷來輔助走法選擇器。 這個判斷只是大概的，但是對于提高閱讀速度很有幫助。 通過將未來潛在的情況分類為好或壞，您可以決定是否更深入地閱讀特定的變體。 如果位置評估器說這個特定的變體是不可能的，那么人工智能就會跳過讀取沿著這條線的任何進一步的移動。
186信息網原創(chuàng)文章，轉載請注明本文來自：m.lutong-group.com
