- ！！！用户新注册邮件系统遭恶意攻击，暂不能发送邮件，请隔天尝试。寻求解决方案中
- 【征集】西西河的经济学，及清流措施，需要主动参与者
- 『稷下学宫』新认证方式
- 24年网站打算和努力目标
主题：alphaGo 系统以及人工智能的未来 -- pattern
- 复 没啥话说了
家园 你这是应该说“细思极恐” 现在都看出来了，A狗只在乎输赢，所以赢一点就可以了，看不出棋力有多高，在于对手的棋力。
谷歌的人说人家根本就没改狗狗的参数，与去年那场棋是一样的，倒是机器增加了20多台，但对于整体提高也不大。这是最惊人的地方。不是原来多数人以为的这四个月的进步很大的缘故。
家园 我正在“细思”中： 一是 为深度学习这种代表性的成就感到震惊。
二是 alphaGo 实际上应该是代表过去所有的围棋高手们打败了李世石。侧面反映过去几年围棋界并没有很大的提高。
我对围棋只懂一些规则，所以对第二个判断不是很有把握。之所以判断李世石会赢，就是以前我有这个印象：就算是全盛时期的吴清源现在也无法在围棋界立足，说明围棋还是不停向前的。那么以谷歌团队对围棋的理解，估计他们会一股脑儿把过去的棋谱都拿来学，那就会造成一些旧的坏的也学进去了。现在看两点都可能估计错误。
“李世石连输五盘，气急败坏砸开了电脑，发现柯洁趴在机箱里“。这个笑话指出了一部分事实，趴在电脑里不是柯杰，而是过去的围棋大师。
家园 你可能还是把A狗当深蓝了 A狗自己跟自己左右手互搏自增棋力，有多少人类的知识在其中是个疑问。这次，尤其第二局A狗有几手让围观高手认为是业余棋，结果证明A狗高人一筹，甚至聂老脱帽致敬，说明A狗不全是跟围棋大师们在学。现在知乎上都在说A狗自创一派的事。
移步看知乎这里的详细评论： https://www.zhihu.com/question/41214240/answer/90119194
家园 我们在左右互搏这个问题上 不太一致。你大概是认为左右互博可以有很多超越人类的创新。
我认为左右互博只是弥补样本不足的问题。DEEPMIND 在他们的论文中说通过强化学习，策略网络的准确率从57%提升到了80%。我觉得这个小组还是通过人类的棋局来判断准确率的。但是人类的棋局太少，因此需要自我下棋来增多样本来提高网络的准确率。
核心就是我认为这些样本不太会有超越人类的创新。高水平的左右互博也许会有一些创新，但不太会有太大的比例。因为这相当于用蒙特卡洛算法可以下出大量超越现有水平的棋。如果这个能实现的话，也用不着深度学习了。
另一方面，左右互博的样本，还有一个可能是下了一盘臭棋，因此会降低网络的胜率。DEEPMIND是如何排除，或者是一股脑儿接收的。这个还需要进一步的细节。
家园 左右互搏是无理手变有理的必须过程 局部的变化有限，对手在你落子附近应手的可能性很大，这时用穷举能算出绝大多数的可能。大数据问题是应对，对手根本不理你的布局，天马行空地下，迫使你对应他的策略。 恰恰就是天马行空地下，用孤子影响大局对计算机是最难的。其实对人也很难， 主要就是靠经验，经验怎么来，不就是打谱，练习，比赛。 人通过复盘看出来的妙手，计算机为什么不能经验分析？ 左右互博当然不需要每次都从星位开场，完全可以从任意棋谱的任意手开始。 大数据下，计算机也能总结出为什么妙手是妙手。
家园 李喆这篇文章说的至今最清楚的 AI不会背谱。
http://sports.sina.com.cn/go/2016-03-11/doc-ifxqhmve9080655.shtml
家园 可能不仅仅代表了过去所有的围棋高手们 还代表了未来一段时间内的所有围棋高手们，原因就在于狗狗自己和自己下棋的RL方式
另外就是对于围棋这种有明确胜负的游戏来说，“旧的坏的”也许并不是那么明确，更大的可能是能捉住老鼠的就是好猫
但是细想之下，RL在这里的应用也许并不是像google论文里那么轻描淡写的简单，我觉得google至少掌握了两点领先全世界的黑科技
一是对outlier脏数据的处理技巧，二是加速深度学习训练的新技巧，尤其是针对一些特定loss函数的训练技巧
期待google的相关论文啊，任何一个放出来都是震动业界的超级核弹
家园 田渊栋这里有一篇详细分析 http://zhuanlan.zhihu.com/yuandong/20607684
另外，谷歌的文章也早就出来了， http://www.willamette.edu/~levenick/cs448/goNature.pdf
家园 谢谢链接 田的分析对搞这行的人来说没什么新意可言，只能算是个科普吧。。。
谷歌的nature文章是早就出来了，但是细节内容有所保留无疑
举个最简单的，比如谷歌说自己和自己下棋，每盘棋是只选了一个局面作为样本来进行训练
但是这个局面是怎么选出来的呢？我想如果是random，那结果一定不会是现在这样的
直观来看，最有效的样本应该是在“胜负手”的位置上，不仅学得的效果会好，而且训练速度也会快不少
当然“胜负手”的判断利用value network是能够做到的，但是这样的话value network和policy network之间一定会有一个成为整个系统的天花板，但是狗狗好像没碰到这个问题，所以一定是有黑科技没有公布出来
家园 什么样的deep learning也只能来自现成的范例 但人类有“背水一战”这样违反惯例的急智，人工智能怎么应付呢？
家园 嗯，人工智能的标的物。。。不是人的智能 从来都只是机器而已。
当然，忽悠机器智能可以达到人的智能是可以的。比如用下象棋，和现在的下围棋。
但是实话说，任何一个严肃地搞人工智能的人都知道。。。没有一个业内的专家知道，人的智能究竟是怎么一回事。但是他们都知道，人工智能是怎么一回事。
而人工智能只是人类试图用自己已经掌握的数学知识，来对人的智能的某些现象，进行数学建模并试图验证这样的模型而已。
比如，专家系统。。。是建立在数据库的搜索，匹配模型上的，下象棋，是建立在规则，演算基础上的，目标识别，是建立在特征抽取和空间变换/匹配上的，而目前的下围棋呢？是建立在高维空间级高维空间上的特征抽取和模式匹配上的。
但是这些。。。真的就是人的智能了吗？不，远远谈不上。
讲句难听点的话：随便拿两幅图像，人，都可以轻易地指出他们之间的共同点与差异点。而电脑呢？
通宝推：秦波仁者,家园 人类智能的重要性并不只在于学习，还有破坏力 任何体系的发展都离不开自身或者外部的破坏力，如果人工智能只能够从已有的知识获取经验，那不过是个更大号的搜索引擎。破坏性的力量从人类来说是基于某种化学机制下的异常模式，人工智能如何赋予这种破坏性可能是个复杂的科学和道德问题。