mirror of
https://github.com/LCTT/TranslateProject.git
synced 2024-12-26 21:30:55 +08:00
50 lines
5.6 KiB
Markdown
50 lines
5.6 KiB
Markdown
AlphaGo 的首尔之战带来的启示
|
||
================================================================================
|
||
围棋并不仅仅是一个游戏——她是一伙活生生的玩家们，分析家们，爱好者们以及传奇大师们。在过去的十天里，在韩国首尔，我们有幸亲眼目睹那份难以置信的激动。我们也有幸也目睹了那前所未有的场景：[DeepMind][1] 的 AlphaGo 迎战并战胜了传奇围棋大师，李世石（职业9段，身负 18 个世界头衔），这是人工智能的里程碑。
|
||
|
||
|
||
|
||
虽说围棋可能是存世的最为悠久的游戏之一了，但对于这五盘比赛的关注度还是大大的超出了我们的想象。搜索围棋规则和围棋盘的用户在美国迅速飙升。在中国，数以千万计的用户通过直播观看了这场比赛，并且新浪微博“人机围棋大战”话题的浏览量破 2 亿。韩国的围棋盘也销量[激增][2]。
|
||
|
||
然而我们如此公开的测试 AlphaGo，并不仅仅是为了赢棋而已。我们自 2010 年成立 DeepMind，为的是创造出具有独立学习能力的通用型人工智能（AI），并致力于将其作为工具协助解决，从气候变化到诊断疾病，这类最为棘手且急迫的问题为最终目标。
|
||
|
||
亦如许多前辈学者们一样，我们也是通过游戏来开发并测试我们的算法的。在一月份，我们第一次披露了 [AlphaGo][3]——作为第一个通过使用 [深度学习][4] 和 [强化学习][5]，可以在人类发明的最为复杂的棋盘类游戏中击败职业选手的 AI 程序。而 AlphaGo 迎战过去十年间最厉害的围棋选手——李世石，绝对称得上是 [终极挑战][6]。
|
||
|
||
结果震惊了包括我们在内的每个人，AlphaGo 五战四胜。评论家指出了 AlphaGo 下出的许多前所未见、极富创意或者要用 [“漂亮”][7] 来形容的妙手。基于我们的数据分析，AlphaGo 在第 2 局中的 [37 手][8]，在人类选手中出现的几率仅有万分之一。而李一反常态的创新下法，如第 4 局中的 [78 手][9]——也是既存下法中的万中之一的——这一手也最终造就了一场胜利。
|
||
|
||
最后比分定格在 4-1。我们为支持科学、技术、工程、数学（STEM）教育和围棋的组织，以及 UNICEF （联合国儿童基金会）赢得了 $1 百万的捐助。
|
||
|
||
经此一役，我们将收获总结成以下两点：第一，此次测试很好的预示了 AI 有解决其他问题的潜力。AlphaGo 在棋盘上能够做到兼顾“全局”——并找出人类已经被训化而不会走或想到的妙手。运用 AlphaGo 这类的技术，在人类目所不能及的领域中探索，会有很大的潜力。第二，虽说这场比赛已经被广泛的标榜成“人机大战”，但 AlphaGo 却是人类实实在在的成果。无论是李世石还是 AlphaGo 团队相互之间互相促进，产生了新的想法、观点和答案——并且长远来看，我们都将从中受益。
|
||
|
||
但正如韩国对于围棋的观点：“胜而不骄，是以常胜。”这只是使机器聪明的漫长道路中的一个小小而显著的一步而已。我们已经证明了尖端深度强化学习技术可以被用作制作强大的围棋选手和 [Atari][10] 玩家。深度神经网络在 Google 已经与 [图像识别][11]，[语音识别][12] 以及 [搜索排名][13] 一样被应用到具体的任务中了。然而，从会学习的机器到可以像人一样全方位灵活实施智能任务——真正达到 [强人工智能][14] 的特性，此中的道路还很漫长。
|
||
|
||
|
||
|
||
我们想通过这场比赛来测试 AlphaGo 的极限。李世石大师做的十分出色—我们在接下来的数周内会研究他与 AlphaGo 的对战细节。同时因为我们在 AlphaGo 中使用的机器学习方法是通用型的，我们十分希望在不久的将来，将这种技术应用于其他的挑战中。游戏开始!
|
||
|
||
--------------------------------------------------------------------------------
|
||
|
||
via: https://googleblog.blogspot.com/2016/03/what-we-learned-in-seoul-with-alphago.html
|
||
|
||
作者：[Demis Hassabis][a]
|
||
译者：[martin2011qi](https://github.com/martin2011qi)
|
||
校对：[wxy](https://github.com/wxy)
|
||
|
||
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
||
|
||
[a]:http://demishassabis.com/
|
||
[1]:https://deepmind.com/
|
||
[2]:http://www.hankookilbo.com/m/v/3e7deaa26a834f76929a1689ecd388ea
|
||
[3]:https://googleblog.blogspot.com/2016/01/alphago-machine-learning-game-go.html
|
||
[4]:https://en.wikipedia.org/wiki/Deep_learning
|
||
[5]:https://en.wikipedia.org/wiki/Reinforcement_learning
|
||
[6]:https://deepmind.com/alpha-go.html
|
||
[7]:http://www.wired.com/2016/03/sadness-beauty-watching-googles-ai-play-go/
|
||
[8]:https://youtu.be/l-GsfyVCBu0?t=1h17m50s
|
||
[9]:https://youtu.be/yCALyQRN3hw?t=3h10m25s
|
||
[10]:http://googleresearch.blogspot.sg/2015/02/from-pixels-to-actions-human-level.html
|
||
[11]:http://googleresearch.blogspot.sg/2013/06/improving-photo-search-step-across.html
|
||
[12]:http://googleresearch.blogspot.sg/2015/08/the-neural-networks-behind-google-voice.html
|
||
[13]:http://www.bloomberg.com/news/articles/2015-10-26/google-turning-its-lucrative-web-search-over-to-ai-machines
|
||
[14]:https://en.wikipedia.org/wiki/Artificial_general_intelligence
|