大樣本計算支撐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)”，它讓計算機程序?qū)W習人類棋手的下法，挑選出比較有勝率的棋譜，拋棄明顯的差棋，使總運算量維持在可以控制的范圍內(nèi)；另一種叫價值網(wǎng)絡(luò)，主要用于減少搜索的深度，它不會一下子搜索一盤棋所有的步數(shù)，而是一邊下一邊進行未來十幾步的計算，這樣也就大量減少計算量。

　　其實，神經(jīng)網(wǎng)絡(luò)并非AlphaGo獨有。據(jù)IBM中國研究院大數(shù)據(jù)及認知計算研究總監(jiān)蘇中介紹，這種計算模型最早出現(xiàn)于1943年，但由于當時的計算機運行速度難以滿足其巨大的計算量而遭受“詬病”，因此沉寂了很長時間。近年來，計算機技術(shù)迅速發(fā)展，運行速度大幅提高，這一計算模型才重新煥發(fā)出了生機。即便如此，與李世石對弈，AlphaGo仍需將CPU增加至1200多個才能滿足其龐大的計算量。

　　據(jù)研發(fā)出AlphaGo的研究人員之一——大衛(wèi)·希爾韋介紹，這款程序還會自己與自己下棋，普通人一年也許能下一千盤，但AlphaGo每天能下三百萬盤棋，通過大量的鍛煉，它拋棄可能失敗的方案，精中選精，這就是所謂的“深度學習”能力，即通過大樣本量棋局對弈，不斷從中挑選最優(yōu)的對弈方案并保存下來。

　　與人腦學習差距仍很大

　　“大數(shù)據(jù)對人工智能的發(fā)展是一種‘取巧’，為深度學習提供了眾多數(shù)據(jù)。”在2015中國人工智能大會上，中國科學院院士譚鐵牛曾就深度學習做過解讀。他說，這就像人類見多識廣后會積累一些經(jīng)驗一樣，機器學習也需要豐富多彩的內(nèi)容。只是這個內(nèi)容的數(shù)據(jù)量之龐大，與人腦學習所需不是一個數(shù)量級。因此，人工智能的學習與人腦的學習有非常大的不同。“給一個孩子看看卡片上的蘋果，他就能認識蘋果，但機器要認出一個蘋果，可能需要把互聯(lián)網(wǎng)上所有蘋果的照片都認一遍，標識出蘋果的所有特征，才有可能成功識別蘋果。”蘇中說。