久久久久精品免费福利电影,国产又黄又大又粗视频,A级毛片免费播放无码,人人妻人人爽人人澡欧美一区

現在人工智能應用普遍基于神經網絡算法。神經網絡算法應用多層連接的網絡節點，并賦予每個節點不同的參數權重來控制輸出。神經網絡通過大量的樣本學習，來不斷調整每個節點的參數，學會給出“正確”的輸出結果。雖然基礎算法類似，針對不同的應用場景，我們需要開發不同的人工智能程序，并根據應用場景進行優化。每個程序只能做一件專項任務，如語音識別。一個程序不能勝任它的設計者在其設計范圍之外的任何功能。這些人工智能程序，不是真正的“智能”，而更像人類的專項工具，成為人類能力的延伸。

雖然神經網絡算法的名稱由仿生人腦的神經元網絡而來。其真正機理，和人腦無法比較。人腦需要很少的數據，就能抽象總結。給一個小孩看一張貓的照片，他就能辨認出下一張圖片里的貓。而Google用最好的神經網絡算法，看上幾千萬張照片，識別貓的準確率也不是百分之百。

什么是智能？DeepMind的創始人Hassabis給出他的答案：通用的學習算法。同一個程序能根據復雜環境產生的感官輸入，自我學習技能，并不斷加強在環境里的生存機會。同時學習的技能需要足夠豐富，能夠適應不同的任務。他把目前普遍的人工智能應用成為弱人工智能，以區別于通用人工智能。

通用人工智能是研究者的終極目標，只是現在我們還處于起跑線上。

AlphaGo和圍棋

圍棋本質上是一個計算和搜索類的游戲。其規則雖然簡單，但組合變化繁多，甚至超過宇宙中所有原子數量的總和。如果用蠻力窮舉，最先進的電腦也不能破解。一個好的算法在于從看似無窮的組合中找出有效的子集。AlphaGo使用了兩個不同的神經網絡。一個“策略網絡”負責評估落子選擇，一個“價值網絡”負責評估局面勝算。前者減少搜索的廣度，后者減少搜索的深度。這兩個網絡會同時被用在AlphaGo的蒙特卡洛搜索樹算法中，得出下一步的最優解。AlphaGo的設計者用歷史上的高手棋譜訓練AlphaGo，同時還讓AlphaGo自我對弈，雙手互搏。經過三千多萬對局的訓練，才劍出江湖，挑戰高手。

谷歌AlphaGo團隊

無論在圍棋愛好者眼里如何神奇，AlphaGo也是一個弱人工智能的應用。和以往人工智能圍棋程序不同的是，DeepMind公司花了大量人力物力，根據圍棋特性做了很多針對性的設計和優化。前述《自然》論文的共同作者就包括二十名頂級專家，其中還有數人專攻計算機圍棋。AlphaGo在技術上沒有太大突破，但把現有的技術做了很好的集成。

圍棋因其計算量巨大，并不符合人腦先天功能。人類進化過程中從無大量計算的需要。計算是人腦的弱項，也是人類智能中極小的一個部分。人類玩圍棋，永遠只能算一個小小的子集。頂級棋手也最多只能根據當前局面，評估幾百種可能下法。和真正的棋局可能性相比，只是滄海一粟。為了能得到更多的勝算，我們根據有限的過往棋局，總結出不少規律，我們叫它們棋理，大局觀。但這些棋理只是在過往極其有限的棋局組合中得出的總結而已。當年吳清源發明新布局，舉世皆驚，就是在以往的棋理之外稍作創新。

人類算圍棋，本是以己之計算弱項，加上過往經驗總結，來玩一個重度計算游戲。因為我們不善于計算，棋局變化又多，我們慢慢便把圍棋神化，認為其包羅萬象，棋如人生。那一代代的圍棋高手，就像居于人類智慧之巔，被人頂禮膜拜。直到有一天，我們設計出的圍棋程序更勝于棋盤計算，我們方明白，本來計算就該由計算機來做。

只有人類自己把圍棋當一回事，AlphaGo的勝利才有意義。從這點上，人工智能的所謂勝利本來就是我們主觀的產物。我們戰勝了自己心里的影子。

我們離真正的通用人工智能還有多遠？沒有人知道。至少AlphaGo沒有讓我們走得更近。這些弱人工智能程序，只是人類手里工具，沒有任何真正的思考功能。未來也許科幻，但今天的“人工智能”，更像是“人工低能”。

本文系觀察者網獨家稿件，文章內容純屬作者個人觀點，不代表平臺觀點，未經授權，不得轉載，否則將追究法律責任。關注觀察者網微信guanchacn，每日閱讀趣味文章。