李世石连输五盘，气急败坏地砸开了电脑，发现柯洁趴在机箱里。
这个笑话指出了一部分事实，趴在电脑里的不是柯杰，而是过去的围棋大师们。
2016 年 1 月 28 日，GoogleDeepmind 在 Nature 上发文宣布其人工智能围棋系统 AlphaGo 历史性的战胜人类的职业围棋选手，定在 2016 年 3 月份 AlphaGo 对阵李世石的比赛更是吸引了全人类的目光。AlphaGo系统是基于人工智能中的深度学习算法的，我恰好也做了一些这方面的工作，觉得可以介绍一些这方面的情况。
图像识别系统的深度学习算法
去年（2015 年）2 月 15 日，有一条很重要但是公众不怎么注意的消息，微软公布了一篇关于图像识别的研究论文，在一项图像识别的基准测试中，电脑系统识别能力已经超越了人类。人类在归类数据库 ImageNet 中的图像时错误率为 5.1%，而微软研究小组的这个深度学习系统可以达到 4.94% 的错误率。在去年年底的比赛中，微软研究员何恺明、张祥雨、任少卿和孙剑组成的团队又获得第一，把错误率降到了 3.57%。这个在图像识别系统中取得突破的算法就是深度学习算法。深度学习算法是普通神经网络的更多层的深化。

神经网络

lenet5 深度神经网络用于手写数字识别
神经网络由单个的神经元组成
这个「神经元」是一个以 x1、x2、x3 及截距 1 为输入值的运算单元，其输出为 h, 输入输出为非线性关系。微软去年底的突破是因为发展了一种深达 152 层的网络。
AlphaGo 系统如何学习下棋
AlphaGo系统充分利用了图像识别的成果。它把 19 * 19 的棋盘当做 19 * 19 像素的图像来处理。 Google 团队设计了一个 13 层的类似图像识别的深度学习网络。利用 KGS Go 服务器上的高手对弈样本来学习。这样通过学习后生成了一个策略网络，这个策略网络无需搜索就达到了 57% 的准确率。形成策略网络后，系统使用这个网络自我下棋，并使用胜利一方的棋局强化学习。通过这样的自我强化学习，系统的准确率达到了 80%。无需任何额外的搜索，仅仅使用强化学习过的策略网络和另外一个使用蒙特卡洛的软件 PACHI 比赛时，胜率为 85%。
使用和策略网络差不多的方法，Google 还训练了一个评价网络来评估当前的整体局势。这个评价网络用来给当前的棋局打分。同样通过强化学习后，这个打分的误差小于 0.24.
最后AlphaGo系统使用策略和评价网络来搜索最好的棋子落点。使用这两个网络可以极大减少搜索的范围，但是使用这两个网络使得单步计算的时间比蒙特卡洛方法要长，综合下来AlphaGo系统还是需要强大的计算能力。

价值网络的一个例子
（轮到黑棋下，越蓝代表落点的胜率越高，数字代表胜率。）

对应策略网络的一个例子
（轮到黑棋下，数字代表建议落子在此的概率。）
AlphaGo 和李世石谁会赢？
李世石观看过AlphaGo和樊晖的棋局后，认为AlphaGo和自己有让两子的差距。不过和李世石比赛的AlphaGo应该有了很大的进步。基于网络的同质性，图像识别方面的进步肯定会反应到围棋算法上来，我想得到的第一个进步就是原来的 13 层网络还可以加深，比如加深到 26 层。这样网络的初始胜率估计会提高几个百分点。第二个进步是针对李世石的棋谱进行强化训练，这种方法对应于在图像识别时就是更多训练难以识别的图像。这样改进后，再考虑到人有时候会犯错，我认为AlphaGo有可能赢上一盘。（注：到北京时间 3 月 12 日，AlphaGo 赢了三盘了……）
人工智能和人类智能的区别
那么人工智能究竟发展到什么程度了？是不是战胜围棋高手就是达到了成人的水平？其实深度神经网络用的还是大数据的方法。比如要训练一个认识猫的网络，那么你需要成千上万张各种各样猫的图片来训练，告诉网络这样的图是猫。可是一个两岁的小孩，只要见过一只猫，就能识别出他以前根本没看见过的动物是一只猫。所以虽然深度学习的基础是模仿了人类脑神经的工作方式，但是实际上两者的工作方式应该是截然不同的，人工智能和人类的智能还无法直接比较。
人工智能的未来
深度学习的概念由 Hinton 等人于 2006 年提出。近几年来在图像和视频理解、语音识别、自然语言处理等方面都取得了很好的进展。令我印象最深的是自动驾驶方面的应用。Google、百度等互联网巨头都投入巨大，并且已经在实验中取得了很好的效果，已经在逐步商业化的过程中，未来 5 年内应该会有可行的自动驾驶汽车上市。蒸汽机、汽油机、电动机把人类从繁重的体力工作中解脱出来，而人工智能将会把人类从低端的脑力劳动中解放出来，使人类的生活上一大台阶，乐观一点的话，五年后工业机器人大批应用，十年后各种家庭智能机器人会像电冰箱、洗衣机、空调等电器一样成为家庭必配。
一个问题
如果去掉AlphaGo的数据库，单凭游戏规则的学习，AlphaGo还能胜么？如果凭着数据库里的对局资料和强大的运算能力，以时间换取胜利，和深蓝又有什么区别？
这个笑话指出了一部分事实，趴在电脑里的不是柯杰，而是过去的围棋大师们。
2016 年 1 月 28 日，GoogleDeepmind 在 Nature 上发文宣布其人工智能围棋系统 AlphaGo 历史性的战胜人类的职业围棋选手，定在 2016 年 3 月份 AlphaGo 对阵李世石的比赛更是吸引了全人类的目光。AlphaGo系统是基于人工智能中的深度学习算法的，我恰好也做了一些这方面的工作，觉得可以介绍一些这方面的情况。
图像识别系统的深度学习算法
去年（2015 年）2 月 15 日，有一条很重要但是公众不怎么注意的消息，微软公布了一篇关于图像识别的研究论文，在一项图像识别的基准测试中，电脑系统识别能力已经超越了人类。人类在归类数据库 ImageNet 中的图像时错误率为 5.1%，而微软研究小组的这个深度学习系统可以达到 4.94% 的错误率。在去年年底的比赛中，微软研究员何恺明、张祥雨、任少卿和孙剑组成的团队又获得第一，把错误率降到了 3.57%。这个在图像识别系统中取得突破的算法就是深度学习算法。深度学习算法是普通神经网络的更多层的深化。

神经网络

lenet5 深度神经网络用于手写数字识别
神经网络由单个的神经元组成
这个「神经元」是一个以 x1、x2、x3 及截距 1 为输入值的运算单元，其输出为 h, 输入输出为非线性关系。微软去年底的突破是因为发展了一种深达 152 层的网络。
AlphaGo 系统如何学习下棋
AlphaGo系统充分利用了图像识别的成果。它把 19 * 19 的棋盘当做 19 * 19 像素的图像来处理。 Google 团队设计了一个 13 层的类似图像识别的深度学习网络。利用 KGS Go 服务器上的高手对弈样本来学习。这样通过学习后生成了一个策略网络，这个策略网络无需搜索就达到了 57% 的准确率。形成策略网络后，系统使用这个网络自我下棋，并使用胜利一方的棋局强化学习。通过这样的自我强化学习，系统的准确率达到了 80%。无需任何额外的搜索，仅仅使用强化学习过的策略网络和另外一个使用蒙特卡洛的软件 PACHI 比赛时，胜率为 85%。
使用和策略网络差不多的方法，Google 还训练了一个评价网络来评估当前的整体局势。这个评价网络用来给当前的棋局打分。同样通过强化学习后，这个打分的误差小于 0.24.
最后AlphaGo系统使用策略和评价网络来搜索最好的棋子落点。使用这两个网络可以极大减少搜索的范围，但是使用这两个网络使得单步计算的时间比蒙特卡洛方法要长，综合下来AlphaGo系统还是需要强大的计算能力。

价值网络的一个例子
（轮到黑棋下，越蓝代表落点的胜率越高，数字代表胜率。）

对应策略网络的一个例子
（轮到黑棋下，数字代表建议落子在此的概率。）
AlphaGo 和李世石谁会赢？
李世石观看过AlphaGo和樊晖的棋局后，认为AlphaGo和自己有让两子的差距。不过和李世石比赛的AlphaGo应该有了很大的进步。基于网络的同质性，图像识别方面的进步肯定会反应到围棋算法上来，我想得到的第一个进步就是原来的 13 层网络还可以加深，比如加深到 26 层。这样网络的初始胜率估计会提高几个百分点。第二个进步是针对李世石的棋谱进行强化训练，这种方法对应于在图像识别时就是更多训练难以识别的图像。这样改进后，再考虑到人有时候会犯错，我认为AlphaGo有可能赢上一盘。（注：到北京时间 3 月 12 日，AlphaGo 赢了三盘了……）
人工智能和人类智能的区别
那么人工智能究竟发展到什么程度了？是不是战胜围棋高手就是达到了成人的水平？其实深度神经网络用的还是大数据的方法。比如要训练一个认识猫的网络，那么你需要成千上万张各种各样猫的图片来训练，告诉网络这样的图是猫。可是一个两岁的小孩，只要见过一只猫，就能识别出他以前根本没看见过的动物是一只猫。所以虽然深度学习的基础是模仿了人类脑神经的工作方式，但是实际上两者的工作方式应该是截然不同的，人工智能和人类的智能还无法直接比较。
人工智能的未来
深度学习的概念由 Hinton 等人于 2006 年提出。近几年来在图像和视频理解、语音识别、自然语言处理等方面都取得了很好的进展。令我印象最深的是自动驾驶方面的应用。Google、百度等互联网巨头都投入巨大，并且已经在实验中取得了很好的效果，已经在逐步商业化的过程中，未来 5 年内应该会有可行的自动驾驶汽车上市。蒸汽机、汽油机、电动机把人类从繁重的体力工作中解脱出来，而人工智能将会把人类从低端的脑力劳动中解放出来，使人类的生活上一大台阶，乐观一点的话，五年后工业机器人大批应用，十年后各种家庭智能机器人会像电冰箱、洗衣机、空调等电器一样成为家庭必配。
一个问题
如果去掉AlphaGo的数据库，单凭游戏规则的学习，AlphaGo还能胜么？如果凭着数据库里的对局资料和强大的运算能力，以时间换取胜利，和深蓝又有什么区别？
