大樣本計(jì)算支撐AlphaGo取勝

　　據(jù)AlphaGo的研發(fā)者介紹，它之所以能在圍棋這種擁有“3的361次方”種局面的超高難度棋類比賽中獲勝，在于它突破了傳統(tǒng)的程序，搭建了兩套模仿人類思維方式的深度神經(jīng)網(wǎng)絡(luò)，第一種叫“策略網(wǎng)絡(luò)”，它讓計(jì)算機(jī)程序?qū)W習(xí)人類棋手的下法，挑選出比較有勝率的棋譜，拋棄明顯的差棋，使總運(yùn)算量維持在可以控制的范圍內(nèi)；另一種叫價(jià)值網(wǎng)絡(luò)，主要用于減少搜索的深度，它不會(huì)一下子搜索一盤(pán)棋所有的步數(shù)，而是一邊下一邊進(jìn)行未來(lái)十幾步的計(jì)算，這樣也就大量減少計(jì)算量。

　　其實(shí)，神經(jīng)網(wǎng)絡(luò)并非AlphaGo獨(dú)有。據(jù)IBM中國(guó)研究院大數(shù)據(jù)及認(rèn)知計(jì)算研究總監(jiān)蘇中介紹，這種計(jì)算模型最早出現(xiàn)于1943年，但由于當(dāng)時(shí)的計(jì)算機(jī)運(yùn)行速度難以滿足其巨大的計(jì)算量而遭受“詬病”，因此沉寂了很長(zhǎng)時(shí)間。近年來(lái)，計(jì)算機(jī)技術(shù)迅速發(fā)展，運(yùn)行速度大幅提高，這一計(jì)算模型才重新煥發(fā)出了生機(jī)。即便如此，與李世石對(duì)弈，AlphaGo仍需將CPU增加至1200多個(gè)才能滿足其龐大的計(jì)算量。

　　據(jù)研發(fā)出AlphaGo的研究人員之一——大衛(wèi)·希爾韋介紹，這款程序還會(huì)自己與自己下棋，普通人一年也許能下一千盤(pán)，但AlphaGo每天能下三百萬(wàn)盤(pán)棋，通過(guò)大量的鍛煉，它拋棄可能失敗的方案，精中選精，這就是所謂的“深度學(xué)習(xí)”能力，即通過(guò)大樣本量棋局對(duì)弈，不斷從中挑選最優(yōu)的對(duì)弈方案并保存下來(lái)。

　　與人腦學(xué)習(xí)差距仍很大

　　“大數(shù)據(jù)對(duì)人工智能的發(fā)展是一種‘取巧’，為深度學(xué)習(xí)提供了眾多數(shù)據(jù)。”在2015中國(guó)人工智能大會(huì)上，中國(guó)科學(xué)院院士譚鐵牛曾就深度學(xué)習(xí)做過(guò)解讀。他說(shuō)，這就像人類見(jiàn)多識(shí)廣后會(huì)積累一些經(jīng)驗(yàn)一樣，機(jī)器學(xué)習(xí)也需要豐富多彩的內(nèi)容。只是這個(gè)內(nèi)容的數(shù)據(jù)量之龐大，與人腦學(xué)習(xí)所需不是一個(gè)數(shù)量級(jí)。因此，人工智能的學(xué)習(xí)與人腦的學(xué)習(xí)有非常大的不同。“給一個(gè)孩子看看卡片上的蘋(píng)果，他就能認(rèn)識(shí)蘋(píng)果，但機(jī)器要認(rèn)出一個(gè)蘋(píng)果，可能需要把互聯(lián)網(wǎng)上所有蘋(píng)果的照片都認(rèn)一遍，標(biāo)識(shí)出蘋(píng)果的所有特征，才有可能成功識(shí)別蘋(píng)果。”蘇中說(shuō)。