霍金一直傾向于人工智能威脅論，認為智能機器有一天會威脅人類安全。 但在與哈薩比斯進行了四個小時的交談后，霍金似乎改變了態度。 介紹完負責人后，我們又把注意力轉了回來。 事實上，他已經出名很久了。 他曾經用Zen和Zen（兩個著名的圍棋程序）對弈了500場，只輸了一場。 它還優于由馬克·扎克伯格支持的流行圍棋程序 Dark。 它具有策略網絡（ ）和估值網絡（ ）的能力。 前者分析局勢，預測對手的走法，后者則負責判斷勝率，可以在2微秒內出棋。 黑暗只有第一個能力和所有招式。 花費的時間也比較慢。 當然，真正讓他成名的是他戰勝了歐洲圍棋冠軍樊麾，這在當時引起了軒然大波，甚至還推高了谷歌的股價。 畢竟，這是計算機對人腦的勝利。 更重要的是，從計算機的角度來看，圍棋比國際象棋困難得多谷歌人工智能李世石，每一步棋的潛在組合都非常復雜。 有專家曾表示，十年之內人工智能不可能掌握圍棋。 Go () 是一個圍棋人工智能程序，由英國倫敦 () 的 、 和 及其團隊開發。 該程序使用價值網絡來計算情況谷歌人工智能李世石，使用策略網絡來選擇下一步行動。

2015年10月，阿爾法圍棋5：0擊敗歐洲圍棋冠軍、職業二段棋手樊麾； 2016年3月，對陣世界圍棋冠軍、職業九段棋手李世石，李世石落敗。 （）是一個圍棋人工智能程序。 該程序使用價值網絡來計算形勢，并使用策略網絡來選擇動作。 Deep Go（）的主要工作原理是深度學習。 深度學習是指多層人工神經網絡及其訓練方法。 一層神經網絡以大量矩陣數作為輸入，通過非線性激活方法選擇權重，然后產生另一個數據集作為輸出。 這就像生物神經腦的工作機制一樣。 通過適當數量的矩陣，將多層組織連接在一起，形成神經網絡大腦，進行精確而復雜的處理，就像人們識別物體和注釋圖片一樣。 兩個大腦 Go（圍棋）通過具有不同神經網絡的兩個大腦之間的協同工作來提高國際象棋水平。 這些大腦是多層神經網絡，其結構類似于圖像搜索引擎用于識別圖像的神經網絡。 他們從多層啟發式 2D 過濾器開始處理圍棋棋盤的定位，就像圖片分類器網絡處理圖像一樣。 經過過濾后，13 個完全連接的神經網絡層會對它們看到的位置做出判斷。 這些層能夠進行分類和邏輯推理。 這些網絡通過反復訓練來檢查結果，然后校對和調整參數，使下一次執行得更好。

這個處理器具有很大的隨機性，因此不可能準確地知道網絡是如何思考的，但更多的訓練將讓它進化得更好。 第一個大腦：走棋選擇器（Move） Go的第一個神經網絡大腦（）是監督學習策略網絡（），它觀察棋盤布局并試圖找到最佳的下一步棋。 事實上，它預測每個合法下一步的最佳概率，因此第一個猜測是概率最高的。 這可以理解為移動選擇器。 第二大腦：()的第二大腦是回答與著法選擇器相關的另一個問題。 它不是猜測具體的下一步行動，而是在給定棋子的位置的情況下預測每個玩家獲勝的概率。 這個態勢評估器就是價值網絡（ ），它通過全局判斷來輔助走法選擇器。 這個判斷只是大概的，但是對于提高閱讀速度很有幫助。 通過將未來潛在的情況分類為好或壞，您可以決定是否更深入地閱讀特定的變體。 如果位置評估器說這個特定的變體是不可能的，那么人工智能就會跳過讀取沿著這條線的任何進一步的移動。

186信息網原創文章，轉載請注明本文來自：www.2wfjd54.cn