1樓:
深藍的演算法是針對各種棋譜預先寫入應對步驟,類似請無數的象棋大師在旁邊指導。
阿爾法狗是自學習,不需要知道任何棋譜,就像乙個嬰兒自己從頭學習。屬於通用智慧型,這個系統可以用來做很多其他工作,比如自動駕駛,人臉識別等。而深藍演算法只能用來下棋,應用很有限。
2樓:jackzhou
AlphaGo和「深藍」的區別並不是在是否「計算」上,計算機不計算,還叫計算機?
區別在於人類使用計算機的方法上,深藍是人類用「類似窮舉的方法」,所謂「窮舉」,並非沒有「演算法」,還是要優化計算的方法的,來下西洋棋。而AlphaGo是在上述方法無效的情況下(為什麼無效,參考其他回答),用「仿生的方法」,即先學習人類的已有知識(已有的棋譜)來和人類下棋,就像先和師傅學習,然後再想辦法打敗師傅。可貴的是,該「仿生的方法」是一種學習機制,可以自己產生素材,並繼續學習(鄙人理解為無監督的學習),也意味著可以越來越強。
但是,真正的人的智慧型,不但能學習知識,還能創造知識,而且學習知識的能力也不單是一種「計算」的方法,比如學畫畫,學唱歌,就不是計算來的(貌似可以通過形式化包裝來學習)。從這個角度看,基於「計算」的人工智慧,仍然很初級,或者說,人類還沒明白自己是怎麼學習畫畫或者唱歌的。
最後一句話總結:術中有數,數中有術!
3樓:find goo
深藍是窮舉,因為棋的變化在於計算的空間內, 最多就優化一下演算法,屬於演算法領域。對程式設計師來說,每一步都是透明的,是白箱。
AlphaGo,因為圍棋的棋子太多,不可能窮舉,用的是深度神經網路,本質是一種多維函式空間的概率演算法,就是把圍棋抽象成多維函式,利用神經網路的函式逼近來模擬人下棋(一種比喻,實際上神經網路就是神經網路,不是什麼函式),屬於人工智慧領域。因為維度太高,對程式設計員來說,神經網路是黑箱,他也不知道為什麼會這樣,只知道輸入和輸出,及配置引數,以及訓練。
4樓:
嘛,簡單地說,深藍是直接算到了幾乎所有的可能,它證明的計算機在強大的計算資源的支援下,相對於人類的計算速度是多麼的令人驚嘆。深藍落下乙個子是因為它遍歷了對手可能的應對情況。
而alphago走的是另乙個路線,深度學習的機器學習演算法。它下棋的思路是在模仿人類,構建出不同的策略然後再構建出不同的優化策略的策略。alphago落下一子是因為它認為在那裡落子符合某種策略,是某種策略的一部分。
它在用很類似與人類的方法去理解這盤棋,然後去分析該怎麼去下。
具體的敘述上可能並不準確。。
5樓:
深藍靠的是既定的計算能力,而AlaphGo能在既有資料基礎上不斷學習進化;
本質上深藍主要是靠硬體,AlaphGo主要是靠軟體
6樓:羅小公尺
剛剛看完區別來共享一下:深藍是乙個超級計算機系統。阿爾法狗是由許多資料中心結點相連,每個結點由多個超級計算機組成的卷積神經網路系統。
7樓:
首先,乙個是象棋,乙個是圍棋;
其次,象棋的難度10的46次方,而圍棋的難度10的172次方;平方根的曲線大家應該知道吧,越往後難度直線上公升
還有,圍棋是感性的,就像人的思維電腦很難模仿一樣,而象棋不是。(粗糙的一答,見諒)
IBM當年推出pc為何不使用自家的power處理器?
木頭龍 1 IBM PC是1981年推出的,第一代POWER的CPU 1990年才出現。2 當時的IBM也有用於大型機的CPU,然而你不會想把斯太爾重卡的發動機裝到五菱巨集光上吧?PowerPC CPU 為什麼後來越來越打不過 x86,因為酷睿? 看看 1964年,世界第一台商用桌面電腦是王安公司研...
深蹲與肌肉量的關係?
喵喵 腿圍59的妹子,還在穿牛仔褲。你們怎麼就沒褲子了呢?我的尺子壞了麼?23333 另外,是說大腿根部最粗的那個地方吧?別說膝關節上10cm的位置哈。 XJBLer 參考下吧,個人身高165cm,力量最好的時候,蹲的成績是高槓160,低槓170出頭。這時候體重是72kg左右,體脂12 左右,大腿圍...
AlphaGo 與李世石的第四局比賽中有哪些值得關注之處?
Bruce Wang AlphaGo和以前的演算法相比,核心改進是新增了價值網路,這也解決了以前的AI沒有大局觀的問題。通過3000萬個對局訓練後,價值網路具備了不低於人類九段的局面評估能力。要知道很多人類九段也不能很準確的評估局勢。柯潔之所以是目前世界第一,也是因為他的局面評估能力是超一流的。另外...