1樓：NegativeFace
關公戰秦瓊，不可比較。
很多人有一種錯誤的觀念：人工智慧會分析資料/下象棋/下圍棋，那它就擁有了分析資料/下象棋/下圍棋所需的智力。其實現在世界上的人工智慧程式都是【專家系統】——在某一領域、某一方向甚至做某一件事上有著極強能力，但對於其他領域或方向一竅不通。
譬如說，AlphaGo是圍棋領域的專家，但如果想讓它下象棋呢？首先，用來訓練它的圍棋棋譜全部需要捨棄不用，其次，就算用大量象棋棋譜重新進行訓練，它也未必能表現得令人滿意，因為AlphaGo的神經網路的架構（內部架構，如各層的巢狀，以及外部架構，如【估值網路】和【走棋網路】的分工）是為圍棋量身打造的，直接用它來處理象棋棋盤，有可能是用大刀切菜/用菜刀打仗，就算仍能訓練出結果，速度也會大打折扣。
至於Watson所專精的【自然語言處理】，則更不能用AlphaGo的架構完成。AlphaGo的主體是蒙特卡洛樹，即在乙個選擇有限的空間裡（下一步可以走子的位置是有限的）不斷隨機落子、用頻率估計概率從而判斷出下一步的最優選項，這首先要求對當前局面進行估值的估值方法（神經網路或者簡單的估值函式）、其次要求每一步的選擇都是有限次的（蒙特卡洛樹的每一層都有有限個分支）。而自然語言處理不僅難以估值，人類的語言空間又是無限的，所以不能直接交由AlphaGo完成。
因此每當看到有人發表【AlphaGo既然能下圍棋，那也能做xx、xx和xx】這樣的言論，是該嗤之以鼻的。要知道，人工智慧每完成一件新的任務，其背後都是許多科學家夜以繼日的努力。在專案之初，一天調數十次引數、套用各種已有的初始化/網路結構/單層結構模型（僅談論較為熟悉的神經網路研究）、甚至自己開發新的優化方法，都是習以為常的事，而到了大型專案的後期，每次測試都要耗費幾天甚至幾十天的時間，這是對科學家學識和毅力的雙重考驗。
有的研究人員耗費好幾個月，只是為了將一種訓練方法的速度提高百分之幾十，有的科學家在理論上想出了更有效的方法、但實驗結果不盡如人意……
而在這時候，有人跳出來說，AlphaGo既然能下圍棋，肯定也能做路徑優化、影象識別、自然語言處理、運動控制……你看對於人類來說，這些東西都比下圍棋簡單嘛！他們並不尊重人工智慧領域的研究者們，他們是信口開河的小丑。
回到問題本身，Watson是自然語言處理的專家系統，擅長資料分析，AlphaGo是圍棋的專家系統，它們的能力無法比較強弱。如果就【未來應用的廣泛性】來看，倒是Watson更勝一籌，因為圍棋畢竟只是一種棋類，而自然語言處理和我們的生活息息相關。
當然，也有可能AlphaGo的架構/訓練方法給研究人員帶來了啟發，在它的基礎上建成了新的人工智慧系統——也許那是真正的強人工智慧也不一定。但到了那時候，它就不叫AlphaGo了。
既然 Android 是開源的，那麼 Google 如何盈利？
我肥啊 如果google的android不開源，那麼就變成了硬體 作業系統的封閉體系，蘋果硬體槓槓的，對策就是把作業系統提供給全世界廣大硬體商，擴大份額。google也沒有賈伯斯的控制欲，非要給使用者提供端到端的體驗。至於掙錢，android自帶的google應用商店就是掙錢平台之一。從技術進步來說...
目前高中生，如何努力才可以爭取在 Google 工作？
1.高中課業搞好好挑個CS強校 2.各種搞課外的project或者open source3.資料結構，系統，演算法課好好上 4.找個Googler refer 5.刷leetcode 6.要在Google intern 7.蛋不放在乙個籃子裡，Google面試的False Negative很高，所以...
由IBM Watson支援的第一輛無人駕駛汽車Olli正式亮相，這將會顛覆什麼？
IBM與領先的汽車技術整合商及全球首輛3D列印汽車生產商Local Motors攜手，宣布推出基於IBM Watson領先的認知計算能力的首款無人駕駛汽車。這款新車取名為 Olli Olli在今天上午的Local Motors馬里蘭州國家港口新廠落成典禮上亮相，隨後它載著 Local Motors ...