唐嫣广告视频,美女视频黄还是免费的

記得小時候，城里來了個機器人展，于是買了門票，興致勃勃的去看，有踢球的，有打球的，有玩游戲的，有講故事的，有談情說愛的，等等。我最感興趣的是一個能和我對話的機器人，她會問我問題，也會回答我的問題，好神奇呀。天真無暇的我，玩的很開心，心中有了追求科學的夢想。但是，后來有人告訴我，其實當時每個機器人里面都是藏著一個真人，于是心中咯噔一下，有些沮喪，幼小的心靈就這么受傷了。

現(xiàn)在，人工智能取得了飛速發(fā)展和進步，兒時的記憶的場景已經(jīng)完全反轉(zhuǎn)了?？纯?AlphaGo 和李世石的圍棋比賽，其中最大的看點和吐槽應該是圖片中的石頭人黃博士，這時，機器人走到了后臺，充當了智能的核心，而人，也就是黃博士，只是起到了人機交互的媒介。

看來，這次和柯潔的比賽，依然沒有改變這種現(xiàn)狀，因為現(xiàn)狀太難改變了。還是黃博士，而不是黃博士化身的機器人，我是多么期待真正的機器和人下圍棋。

這么來說，有些異樣，為什么這么聰明的 AlphaGo，不真正做成一個機器人，能看棋盤，能下棋子，能思考，還能說笑，會不會更好玩。其實，有時看起來簡單的事情，讓機器來做不一定簡單，這是后話，不啰嗦了。

好了，段子講完了，該言歸正傳了。免得被唾沫淹死，首先申明一下，AlphaGo 確實很厲害的，也不簡單。但是，為什么又說，AlphaGo 挺“笨”的呢？

我們知道，圍棋的搜索空間很大，有3的19x19次方個狀態(tài)，要在這么大的空間去找最優(yōu)算法，一個一個看是不可能的，所以被認為人類智能的一個高點，解決時需要優(yōu)化搜索。人是根據(jù)一些輸入空間和參數(shù)較少的模式識別來記憶和搜索，而機器采用的卻是大數(shù)據(jù)，大記憶和大計算來實現(xiàn)的。說到 AlphaGo 后面的智能和算法，就不能不說深度學習（DL），強化學習（RL），和蒙特卡洛樹搜索（MCTS）。

深度學習，主要用來學習和建立兩個模型網(wǎng)絡(luò)。一個是評測現(xiàn)在的棋盤狀態(tài)如何，也就是說給當前的棋盤狀態(tài)打個分，評估一下贏的期望值，它就是價值網(wǎng)絡(luò)（Value Network）。輸入是棋盤19x19每個點的狀態(tài)，有子或無子，輸出是贏的期望值。按理說，如果要是有一個聰明的數(shù)學家或是機器足夠聰明，說不準他馬上就能在黑板上寫一個高級的數(shù)學公式。很遺憾，現(xiàn)在還沒有，所以，只能用多層的神經(jīng)元網(wǎng)絡(luò)來近似表示這個高級的函數(shù)。這么來說，是不是有點“笨”。

二是根據(jù)現(xiàn)在的棋盤狀態(tài)，決定下一個棋子該如何走才能有最大的贏的概率，它就是 AlphaGo 的策略網(wǎng)絡(luò)（Policy Network）。也就是說，給一個19x19的棋盤狀態(tài)，在所有空的地方，哪個是最佳的選擇，會有最大的贏率。同樣，也可以用一個函數(shù)來描述，輸入是當前棋盤狀態(tài)，輸出是每個空處和它期望的贏的期望值，但這個函數(shù)還沒有一個高級的數(shù)學公式，所以，最后也求助于多層神經(jīng)網(wǎng)絡(luò)。

但是，這兩個深度學習網(wǎng)絡(luò)模型，怎么訓練出來的呢？這時，不得不說隨機梯度下降（SGD），這個“笨”辦法。

為了求一個目標函數(shù)的最優(yōu)值，復雜一點的，不能像解一個二次方程一樣，用一個簡單的公式就能得到方程的解。

對于，圍棋這種深度學習要求的目標函數(shù)，沒有一個簡單的求解公式，那怎么辦？只能求助于迭代，隨機梯度下降迭代（SGD），就像爬山，每往上走一步，都是接近山頂一點點，或者叫摸著石頭過河。畢竟機器的計算能力強，這種數(shù)值計算，是它的強項，就讓它拼命的算，直到算到一個還算滿意的結(jié)果。這回知道了吧，為什么 GPU 這種東西來做這種重復簡單的計算。這么說來，是不是有點“笨”。就像我們一個公式不會解時，就從1開始帶入計算，看看是不是滿足條件?；蚴?，做選擇題有四個選項，每個選項代入公式算一下。

這些玩意兒，都是線下用大量數(shù)據(jù)，做大量的辛苦計算得到的，賺的是不是辛苦錢呀。那么，在真正下棋的時候，用它們就能減少或是已經(jīng)預算了很大的搜索空間，不好的狀態(tài)，不好的棋子，就不用花時間去看了。在平時不比賽的時候，機器也不會閑著，畢竟還有很多狀態(tài)沒有嘗試過，畢竟那些暫時認為不好的棋子不一定最后不好，那怎么辦？

AlphaGo 有自己的想法，它求助于強化學習，也就是self-play，或是左右手互搏，來提前嘗試更多的搜索空間，減少未知空間，同時通過深度學習的網(wǎng)絡(luò)模型記錄下來，提高前面兩個模型網(wǎng)絡(luò)的效果，那么真正下棋的時候就能用上。這就是平時多努力，老大不白頭。這種勞模的精神，在現(xiàn)實生活中，有時會不會被認為時有點“笨”，只會死干。

在強化學習的算法中，也需要大量的迭代計算，以求得到最優(yōu)的期望值，也就是達到收斂。這種“笨”辦法，效果還不錯。

有了這些，機器就能玩的可以了，但是，畢竟還有很多的空間沒有嘗試過，也不能保證當前的模型預測的每一步都是最優(yōu)，因而，AlphaGo 心里不是特別有底氣。那怎么辦？這時，機器需要求助于蒙特卡洛了，就是在下棋的過程中，以當前的狀態(tài)為起點，在有限的時間內(nèi)，盡量多的再探索一些搜索空間。這個探索的辦法，就是暴力采樣，一個一個的試，這么看來，是不是有點“笨”。

具體來說，“蒙特卡洛樹搜索”是一種啟發(fā)式的搜索策略，能夠基于對搜索空間的隨機抽樣來擴大搜索樹，從而分析圍棋這類游戲中每一步棋應該怎么走才能夠創(chuàng)造最好機會。來個通俗的解釋，假如筐里有100個蘋果，讓你每次閉眼拿1個，挑出最大的。

于是你隨機拿1個，再隨機拿1個跟它比，留下大的，再隨機拿1個……你每拿一次，留下的蘋果都至少不比上次的小。拿的次數(shù)越多，挑出的蘋果就越大，但你除非拿100次，否則無法肯定挑出了最大的。

這個挑蘋果的算法，就屬于蒙特卡羅算法，盡量找好的，但不保證是最好的。想像這個拿蘋果的場景，是不是就感覺累，而且有點“笨”，然而，對于機器來說，它可是要做巨多的這種嘗試。確實是勞模。

好了，好了，AlphaGo 如果你不“笨”，能和人類一樣，觸類旁通就牛逼，能不能玩一些人類很容易適應的新玩法，還是圍棋，比如，將棋盤改成一個比19大的，或是改變下棋時的一個小小規(guī)則，這樣，也許能更好得證明不“笨”。這個場景，涉及到另外的一個機器學習領(lǐng)域，就是遷移學習。人類，好像特別擅長。

這么看來，你是不是也感覺 AlphaGo 其實挺“笨”的，這個“笨”，其實是人類把自己能解決此類問題，用的最聰明的“笨”辦法教給機器了。至少到現(xiàn)在為止，AlphaGo，在還沒有像愛因斯坦的E＝MC2的美妙數(shù)學公式發(fā)明前，也是最聰明的了。

期待不久的將來，AlphaGo 能“拋棄”人類教他的“笨”辦法，和愛因斯坦一比高下。那時，讓人類真正體驗到你的自有的智慧和聰明。

「工作讓我快樂」是真是假？

來「虎Cares職場物欲清單」里找找辦法

本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點擊舉報。

国产一级a片免费看高清,亚洲熟女中文字幕在线视频,黄三级高清在线播放,免费黄色视频在线看