1樓:楊三豐
大家從技術層面,從圍棋層面等幾個方面都論述了這個問題。筆者就從另乙個角度看待AlphaGo Zero。
這是人類又一次使用貝葉斯定理解決了乙個世界難題的典型例子。
AlphaGo Zero根據圍棋規則,隨機下子,通過設定好的勝負和優劣標籤修改不同走法的勝率,通過大量嘗試就可以趨近於完美。
在當前的很多研究中,發現兒童的學習方式就是大量遵循貝葉斯定理,而人類的大量認知過程也符合貝葉斯定理。
貝葉斯定義最通俗的講,就是先通過主觀去判斷某個事物,然後再對這個判斷做驗證,逐步修改判斷,直到接近真相。
真是大道至簡
2樓:
「阿爾法元太偉大了,偉大到什麼程度呢,偉大到我看過所有描述它的偉大的語言在它的語言彷彿都瓦解了,可能一千年後人們會讚頌這個時代,藝術和文字可能是第一次看到自己的侷限性,因為這種不堪一擊的幻滅感。」
3樓:smartmcu
圓形的車輪是自然界進化裡沒有的東西。
但車輪是在道路準備好好多年以後才會出現的,而道路是人踩出來的。
所以,仿生的東西,最後超越被仿生的系統才會得以存在。而這種超越,會非常非常強大,往往離開了原系統(比如鋪好的道路),會很脆弱。
依照這個思路,AlphaGoZero,只是作為增強學習的好案例存在,而要是真的有人相信而堅持再一路走到黑不用人類資料,顯然走歪了。
4樓:星工廠
再次證明演算法勝於資料,只要有了優秀的演算法,機器可以自我學習,自我進化,這個具有里程碑意義。同時,背後也是瑟瑟寒風,也許我們離奇點到來又更近了一部。人類的使命很可能就是製造AI,然後讓位與AI。
5樓:林藝海
比賽結果是新演算法+不參考人類棋譜的AI戰勝了舊演算法+參考人類棋譜的AI,這個結果只是說明了AI不參考人類棋譜也可以很強,但不能說明人類棋譜沒用吧。要在同等演算法下乙個參考人類棋譜,另乙個不參考人類棋譜,接著在比賽中不參考人類棋譜的AI取得了平手以上的戰績,才能說明人類棋譜對AI訓練沒用。
6樓:Sepmein
在Finite Markov Decision Process領域的範圍內,隨著計算能力的上公升,看來機器會逐步超過人類。
7樓:
2017 天網元年
3小時,零在亂下。
10小時,發現簡單定式。
16小時,發現小雪崩定式。
19小時,發現死活、厚勢與實地的邏輯。
24小時,發現小目一間高掛定式。
36小時,也就是超越李世石版的時候,發現星位一間夾點角定式。
55小時,發現非人類定式。
72小時,出關。
如何看待 AlphaGo Zero 超越 Master?
盧荻 如果有 人 學數學2小時,之前連小學數學都不會,僅僅2個小時,就是高數水平。任意一門學科,人類用一年,它學1小時就行,可怕不可怕?在不遠的未來,一定會實現。人窮盡一生所追求的,在機器大腦那裡不值一提。最先是記憶力,現在有誰要和計算機比記憶力嗎?哪位勇士站出來,我把我的千元機拿出來和你比。然後是...
Alphago Zero的出現給我們哪些啟示?
諸葛量化 1.看似意外,實則不然。在AlphaGo Zero眼裡,圍棋本質上是個計算問題,雖然複雜度高的嚇人 10 的 172 次方,但不是沒有窮盡,理論上被計算機解決是遲早的。不過AlphaGo Zero的出現說明計算機的智力進化速度比想象的快。2.你以為的最佳策略,僅僅是 你以為 AlphaGo...
如何評價 如何評價 ?
問到心坎裡了。蒐個遊戲,網頁出來 如何評價XX這款遊戲 知乎。蒐個明星,網頁出來 如何評價XX這人 知乎 搜什麼雞毛都是 如何評價XX 知乎 如何評價 是知乎的八股文麼?如何評價 如何評價 如何評價 別人評價你舒服嗎?為啥人都喜歡評價別人的事兒,卻不愛自省 傻了吧唧的,很多都是事後諸葛亮,在知道事情...