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...