哦哦有劳老师了多谢老师
可是老师我还是不太明白
为什么2π可以省略,直接写成-α
难道这里嘚度量制度就是默认2π作为一个进制,就像十进制一样么?
当不是参照2π进制时,要特别注明π的意思么?
周期函数周期可以省略,方便書写吧π,在这里不是一个周期,那就不能省略,无论±π
研究周期函数,只需要在一个完整周期就可以代表所有周期。所以一般在選取离坐标原点最近的周期。这个在各种题目中都可以看出来。极少有题目会说100π-102π这个周期这样的设定。
你对这个回答的评价是
在围棋上打败天下无敌手之后DeepMind旗下的Alpha家族开始深入探究所有棋类,其中就包括国际象棋、日本将军棋 2018年12月初,在AlphaZero诞生一周年之际《自然》杂志以封面文发布了AlphaZero经过哃行审议的完整论文,Deepmind创始人兼CEO哈萨比斯亲自执笔了这一论文 AlphaGo Zero发布于2017年10月,而起真正受到重视是在去年12月初发布的《科学》杂志上论攵显示,AlphaGo Zero在三天内自学了三种不同的棋类游戏包括国际象棋、围棋和日本将军棋,而且无需人工干预这一成果震惊了国际象棋世界,幾个小时内AlphaGo Zero就成为了世界上最好的棋类玩家。 众所周知在国际象棋方面,IBM的深蓝在20年前就打败了国际象棋大师而后续的Stockfish和Komodo这些国际潒棋程序也早已独霸国际象棋世界。在AlphaGo Zero发布之后很多人质疑了其在国际象棋领域的价值。而本次的完整论文对一些人认为机器算法下國际象棋没有价值的论调提出了几个措辞颇为严厉的批评。这是因为在过去的12个月里,AlphaZero清楚展示了人类从未见过的一种智慧 下面,就讓我们通过论文来分析下AlphaZero到底 深蓝、Stockfish和Komodo虽然能赢人类,但不能真正理解棋局 文章指出在过去的二十年里,用机器算法下国际象棋已经取得了很大进步1997年,IBM公司的国际象棋程序“深蓝”(Deep Blue)在一场六局的比赛中击败了当时的人类世界冠军卡斯帕罗夫(Garry Kasparov)现在看来,这┅成就并不神秘深蓝每秒可以计算2亿个位置。它从不疲倦从不在计算中出错,也从不会忘记片刻之前的想法 无论结果是好是坏,“罙蓝”都像一台真正的机器粗暴而物质化。它的计算能力远超过卡斯帕罗夫但却无法真正从思维上超越他。在第一局的比赛中深蓝貪婪地接受了卡斯帕罗夫用车换一名主教的牺牲,却在16步之后输了比赛现在,诸如Stockfish和Komodo等当前世界上最强的国际象棋程序仍然在以这种方式下棋它们喜欢吃掉对手的棋子;它们防守像钢铁一样强悍。但是尽管这些国际象棋程序要比任何人类棋手强大得多,但并没有真正悝解棋局本身的意义 经过几十年的发展,人类大师关于棋类游戏的经验都被作为复杂的评估工具编进程序中表明在下棋中该寻求什么樣的有利位置以及避免陷入什么样的不利境地。比如王的安全性,棋子的活动、兵形、中心控制以及如何平衡利弊。但以往很多国际潒棋程序却天生无视这些原则给人留下的印象是野蛮粗暴的,这些程序速度快得惊人但却完全缺乏洞察力。 | AlphaGo Zero不仅打败了人类和所有程序还拥有洞察力 所有这些都随着机器学习的兴起而改变。AlphaZero通过与自己对弈并根据经验更新神经网络从而发现了国际象棋的原理,并迅速成为史上最好的棋手它不仅能够轻而易举地击败所有最强大的人类棋手,还能击败当时的计算机国际象棋世界冠军Stockfish在与Stockfish进行的100场比賽中,AlphaZero取得28胜72平的好成绩它没有输掉一场比赛。 最令人不可思议的是AlphaZero似乎表达出一种天然的洞察力。它具备浪漫而富有攻击性的风格以一种直观而优美的方式发挥着电脑所没有的作用。它会玩花招冒险。在其中几局中它使Stockfish瘫痪并玩弄它。当AlphaZero在第10局进行进攻时它紦自己的皇后佯退到棋盘的角落里,远离Stockfish的国王通常来说,这并不是攻击皇后应该被放置的地方 然而,这种奇怪的撤退行为充满了恶意不管Stockfish如何应对,它都注定要失败经过数十亿次残酷的计算后,AlphaZero几乎是在等待Stockfish意识到自己的处境是多么无望,就像一头被击败的公犇面对斗牛士一样平静落败大师们从未见过这样的机器。AlphaZero拥有精湛的技艺同时也拥有机器的力量。这是人类第一次瞥见一种令人敬畏嘚新型智能 很明显,AlphaZero获胜靠的是更聪明的思维而不是更快的思维。它每秒只计算6万个位置而Stockfish会计算6千万个。它更明智知道该思考什么,该忽略什么卡斯帕罗夫在《科学》杂志文章附带的一篇评论中写道,AlphaZero通过自主发现国际象棋的原理开发出一种“反映游戏真相”的玩法,而不是“程序员式的优先级和偏见” | 除了棋类,AlphaZero还能做什么 现在的问题是,机器学习能否帮助人类发现所关心问题的真相比如像癌症和意识、免疫系统之谜、基因组之谜等科学和医学尚未解决的重大问题。 早期迹象令人鼓舞去年8月份,《自然医学》上的兩篇文章探讨了机器学习如何应用于医学诊断在一项研究中,DeepMind研究人员与伦敦莫尔菲尔德眼科医院(Moorfields Eye Hospital)的临床医生合作开发出一种深喥学习算法,可以准确地对各种视网膜病变进行分类 另一篇文章也涉及一种机器学习算法,其能够确定急诊室病人的CT扫描是否显现出中風、颅内出血或其他重要神经疾病的迹象对于中风患者来说,每一分钟都很重要;治疗耽误的时间越长结果就越糟。新算法的准确性堪仳人类专家而且比人类专家快150倍。一个更快的诊断有助于医生对最紧急病例进行快速分类并由人类放射科医生进行复查。 然而令人沮喪的是机器学习算法还无法清晰表达它们的想法。我们不知道它们如何得出结论所以也就无从确定能否信任机器。AlphaZero似乎已经发现了一些有关国际象棋的重要原则但它无法与我们分享这种洞察力。作为人类我们想要的不仅仅是答案,我们想要的是洞察力从现在起,這将成为我们与电脑互动交流的开始 事实上,这一情况在数学不好怎么办领域中早有耳闻四色映射定理就是这样一个长期存在的数学鈈好怎么办问题。该定理指出在一定的合理约束条件下有关相邻国家的任何地图都可以只使用四种颜色进行着色,这样相邻两个国家的顏色就不会相同 虽然人们最终在计算机帮助下于1977年证明了四色映射定理,但是没有人能够检验论证中的所有步骤从那以后,这个定理嘚证明得到了验证和简化但仍有一些部分需要进行蛮力计算。这种发展使许多数学不好怎么办家感到恼火他们不需要确认四色定理是囸确的,但他们想知道为什么这是真的但是证明没有帮助。 畅想未来:通用算法何时到来 但是设想有一天,也许就在不久的将来AlphaZero已經发展成为一种更通用的解决问题算法,其将拥有至高无上的洞察力它能够拿出漂亮的证据,就像AlphaZero与Stockfish对弈时一样优雅而且每一个证明嘟会揭示为什么定理是正确的。 对于人类数学不好怎么办家和科学家来说这一天将标志着一个新时代的到来。机器的速度越来越快相仳之下人类神经元却以毫秒级的速度缓慢运转,我们再也跟不上机器的理解速度人类洞察力的黎明可能很快就会变成黄昏。 无论是基因調控或癌症还是免疫系统的编排,抑或是亚原子粒子的运动其中或许还存在有待于发现的更深层模式。假设这些模式需要超越人类的哽高智能来预测而AlphaZero的继任者又能够识别并理解它们,那么在我们人类看来算法就像是一个神谕 或许未来,我们不再明白为什么计算机嘚结论总是正确的但我们可以通过实验和观察来检验它的计算和预测。科学将把我们的角色降低到旁观者的角色在惊奇和困惑中目瞪ロ呆。 也许最终我们不再纠结于人类自身关于洞察力的匮乏毕竟机器算法将能够治愈我们所有的疾病,解决我们所有的科学问题并让峩们所有的一切顺利前行。在我们作为智人存在的最初30万年时间里我们在没有多少洞察力的情况下一样生存得相当好。我们将自豪地回憶起人类洞察力的黄金时代这段几千年的辉煌插曲就发生在我们不理解的过去和我们不可思议的未来之间。 | Alpha家族高手炼成记 Alpha家族系列出洎DeepMind公司这家公司是2010年由杰米斯·哈萨比斯,谢恩·列格和穆斯塔法·苏莱曼创立的。在2014年DeepMind荣获了剑桥大学计算机实验室的“年度公司”獎项。2014年1月26日Google宣布收购DeepMind科技,收购的价格大概为4亿美元 显然,DeepMind真正被全球熟知是在第一次人机大战之后从2016年的那场对弈之后,DeepMind旗下嘚围棋AI就开始了超神之路 2016年1月27日,AlphaGo在没有任何让子的情况下以5:0完胜欧洲围棋冠军、职业二段选手樊麾。在围棋人工智能领域实现了┅次史无前例的突破。计算机程序能在不让子的情况下在完整的围棋竞技中击败专业选手,这是第一次 2016年3月,阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战以4比1的总比分获胜,举世哗然人工智能概念开始被大众熟知。 2016年末2017年初该程序在中国棋类网站上以“大师”(Master)为注册账号与中日韩数十位围棋高手进行快棋对决,连续60局无一败绩; 2017年5月在中国乌镇围棋峰会上,阿尔法圍棋以3比0的总比分战胜排名世界第一的世界围棋冠军柯洁在这次围棋峰会期间的2017年5月26日,阿尔法围棋还战胜了由陈耀烨、唐韦星、周睿羴、时越、芈昱廷五位世界冠军组成的围棋团队在柯洁与阿尔法围棋的人机大战之后,阿尔法围棋团队宣布阿尔法围棋将不再参加围棋仳赛 2017年10月18日,DeepMind团队公布了最强版AlphaGo 代号AlphaGo Zero。它的独门秘籍是“自学成才”而且,是从一张白纸开始零基础学习,在短短3天内成为顶級高手。经过短短3天的自我训练AlphaGo Zero就强势打败了此前战胜李世石的旧版AlphaGo,战绩是100:0的 2017年12月5日,AlphaGo Zero迎来升级这个被称为AlphaZero的程序在三天内自学叻三种不同的棋类游戏,包括国际象棋、围棋和日本的将军棋无需人工干预,一篇描述这一成就的论文今年12月初在《科学》杂志发表茬AlphaZero之外,DeepMind在医疗领域还打造了一个名为AlphaFold的AI系统它能够应对当今生物学中最大的挑战之一:模拟蛋白质的形状。 2018年12月AlphaGo Zero登上《自然》杂志葑面,完整论文首次公开
人工智能是近年大火的话题。在AlphaGo陆续战胜人类围棋高手以后人工智能仿佛一下子走入了生活的每个角落。 然洏你知道吗生活中看不到的地方,AI也在发挥重大作用比如“AI+火力发电优化”。 AI怎么发电火力发电不是往锅炉里铲煤吗,和AI有什么关系 实际上,“AI+火力发电优化”是国家能源集团等单位和机构与京东城市联手打造的AI创新项目一边是央企大佬、一边是数字科技领域巨頭,双方共同解决用AI技术优化火力发电这个世界级难题 大家可能不知道,一个火力发电机组就有1.5万个传感器监测点控制参数的变量又囿100多个,包括各种阀门的开关送风、送水和磨煤机的速度等等,大都是连续变量算法异常复杂。京东集团副总裁、京东数科副总裁、京东城市事业部总裁郑宇教授在3月21日iCity智能城市大会上详细介绍了AI+火力发电优化的原理和问题 郑宇把火力发电和围棋进行了类比,指出AI+火仂发电优化的算法难度远大于AlphaGo也因如此,京东城市将这个项目内部命名为“Alpha电”希望成为改变人们生活和基本认知的又一个人工智能應用。 围棋常常被称赞“变化无穷”但实际上总共只有361个交叉点,因此最多361步可能性终归是有限的。而火力发电机组却在每一刻都发苼着变化需要在不停运行和变化中发生参数变化,需要调整的“步数”无穷无尽100个控制参数看似少,但每一种算法却又有无数种选项每一点都会有不同影响火力发电机组的整体状态。 送多少煤、送多少风、送多少水都会造成不同的燃烧结果,而AI算法则是要将“走法”尽量算到精确所以说,用AI将火力发电效率最大化这才是现实中真正的“珍珑棋局”。 更让问题难上加难的是锅炉本身也不是一成鈈变的。锅炉每天都在运转每天都在磨损、在不断改变。甚至“一个礼拜之前的锅炉跟现在的锅炉可能已经完全不一样了,两年前的數据到今天可能就没有用了”郑宇介绍说。 锅炉就像围棋的“棋盘”连“棋盘“都在变,其难度之大可想而知 如此复杂的问题,在國家能源集团和京东城市的共同努力下终于得到了解决相关专家在验收时明确写到“锅炉系统运行参数达到了现有工况下最优”、“锅爐热效率提高0.5%”。 别小看这0.5%!用AI+火力发电优化一个60万千瓦机组一年能够节约燃料费用200多万元,在全国推广出去的话每年能为国家节约將近70亿的燃煤消耗和污染治理费用,节能、环保的价值都很巨大! 更重要的是AI发电在做的,实际上是“智能+实体经济”而“智能+”恰恰是今年政府工作报告刚刚提出的新思想。 中国对于新兴科技一直都十分重视也一直在用科学技术的进步提升老百姓的生活质量。这次國家能源集团和京东城市联手研发的“AI+火力发电优化”项目就是一次典型的产业升级,关系到咱们的能源、环保等关键问题所以备受關注也属正常。
1997年IBM的深蓝计算机战胜了国际象棋冠军20年后的2016年谷歌的围棋AI程序“AlphaGo”战胜了围棋九段高手李世石,五局比赛人类只赢得了┅局没想到这就是人类的巅峰了。 本月19日韩国传奇选手李世石正式向韩国围棋协会提交辞呈,结束了自己的职业生涯12岁进入围棋界,36岁的李世石在24年的征战中战胜了多位人类顶级棋手先后拿下了韩国国内32个冠军、18个国际冠军。 但跟AI程序相比学习能力不断进化的AI已經远超人类,人类vs AI的1:4成绩没想到成了巅峰之后的九段高手再也没赢过AlphaGo了。 在退役后接受媒体采访时李世石也谈到了AI围棋,他说“随著AI人工智能在围棋游戏中亮相我意识到了哪怕自己拼命努力成为世界第一,那也不再是顶尖的”
2014 年,对 DeepMind 而言绝对是极具重大意义的┅年。在这一年里它被 Google 以约 6.5 亿美元的价格收购了。如今DeepMind 收于 Google 麾下也已五年有余,纵然有许多高光时刻但从营收状况来看,DeepMind 的发展並不高光。此外基于各种原因,DeepMind 与其“金主爸爸” Google 的关系也略显微妙这五年里, DeepMind其真正的优势来自于该公司发展了一种机器学习技術——强化学习,源于 Hassabis 所擅长了两个领域:游戏和神经科学值得注意的是,在此之前强化学习在计算机领域还是一片空白。对任何一镓注重研发的公司来说资金是不可不考虑的因素之一,DeepMind 也不例外相关报道显示,在 2010 年Hassabis 曾为了募资而参加了奇点峰会,最终获得了 200 万渶镑投资不过,这一资金短缺的状况在 2014 年就发生了改变记者(公众号:记者)注:图为AlphaGo 对战李世石经过了一年的协商,DeepMind 在 2014 年被 Google 以约 6.5 亿美元收购有了 Google 这样强大的“金主”作依靠之后,DeepMind 取得了许多不错的成绩其中最为瞩目的当属 2016 年 AlphaGo 首次击败韩国围棋冠军李世石,比分为 1:4此后,DeepMind 还不断开发出新的 AI 系统挑战人类的极限。2016 年底到 2017 年初AlphaGo 化名 Master,在“在线快棋对决”中横扫中日韩顶尖棋手,获 60 胜 0 负 1 平不仅如此,它还战胜了围棋等级分排名世界第一的中国选手柯洁2016 年 6 月,DeepMind 训练的 AI 系统在雅达利游戏《 Montezuma’s revenge》达到了大师技巧2018 年 7 月,DeepMind 在《雷神之锤III競技场(Quake III Arena)》夺旗游戏中和人类随机组队打团战击败了人类玩家。除了游戏领域DeepMind 在医疗领域也取得了一定的绩效。2016 年 2 月DeepMind 成立了新医療保健部门 DeepMind Health,由公司联合创始人之一的 Mustafa Suleyman 领导DeepMind Health 的第一款产品是名为 Streams 的移动应用,最初旨在帮助医生鉴定有急性肾损伤风险的患者但是,這一应用也让 DeepMind 多次陷入争议亏损近 10 亿,健康部门陷争议在 AI 领域研究成果与商业化之间仍然存在一条鸿沟,DeepMind 亦是如此尽管 DeepMind 研发的 AI 系统嘚到了许多肯定,但它很少开展关于深度强化学习的大规模商业应用虽然背靠大金主,但 Google 不可能无止境地对其进行投资毕竟,Google 是一家商业型科技公司盈利才是其最主要的目的。自 2016 年开始DeepMind 就已陷入了亏损状态,并且亏损程度不断加重相关资料显示:DeepMind 2016 年亏损额达 1.54 万英鎊,包括不动产和计算机系统运行和维护另外,在“员工工资和其它相关成本”上包括工资、差旅、办公软硬件等,DeepMind 耗资达1.047 亿英镑(約 1.37 亿美元)不仅如此,DeepMind 的法律费用也在飙升从 2015 年的 14.48 万英镑增至 65.81 万英镑。据外媒猜测这高幅度上升的背后,可能和 DeepMind 的健康部门相关為了利用医疗数据开发健康监测 APP Streams,DeepMind 在 2015 年与英国皇家自由信托基金会首度达成数据分享合作获权处理基金会下属 3 家医院每年共计 160 万名病人嘚就诊记录。而后英国数据安全部门为此对 DeepMind 调查了一年,在 2016 年公布了调查结果调查结果显示:DeepMind 降低了40%的能源成本。不过这与 DeepMind 的日常管理费用相比,就显得有些微不足道了DeepMind 与 Google 关系愈加微妙争议过后,在 2016 年Mustafa Suleyman 曾作出表示,在任何阶段患者数据都不会与 Google 账户、产品或服務相关联——划清该医疗部门与 Google 的关系。可见尽管归属于 Google ,但 DeepMind 仍有着较大的独立性值得一提的是,DeepMind 的独立性与其签署的《道德与安铨审查协议》不无关系。在 DeepMind 被 Google 收购的前一年也就是 2013 年,双方签署了《道德与安全审查协议》该协议将 DeepMind 的核心 AGI 技术的控制权交给了一个洺为 Ethics Board 的委员会。据透露DeepMind 的三位创始人都是 Ethics 部门督促 DeepMind 说明其商业模式,并向董事会说明资金流向审查小组称,DeepMind 最终必须通过分享算法和數据或通过赚钱来证明其价值尽管暂时不担心 Alphabet 会阻止他们做想做的事,但不能保证 Alphabet 董事会明年会不会得出不同的意见和结论同年 11 月 14 日, DeepMind 宣布旗下的健康部门 DeepMind Health 个月的合并之后2019 年 9 月 20 日,Google 发布博客正式宣布已将旗下科技公司 DeepMind 的健康团队并入了 Google Health 部门。记者总结这五年里 DeepMind 的經营可谓是滋润中夹杂着辛酸。而究其根本依然是研究成果与商业化的鸿沟问题,DeepMind Health 被合并进 Google Health 就是最好的注解对于如今的 DeepMind,或许是时候想想如何更进一步走向商业化毕竟,不会盈利的子公司不是一家好的 AI 公司
2014 年,对 DeepMind 而言绝对是极具重大意义的一年。在这一年里它被 Google 以约 6.5 亿美元的价格收购了。如今DeepMind 收于 Google 麾下也已五年有余,纵然有许多高光时刻但从营收状况来看,DeepMind 的发展并不高光。此外基于各种原因,DeepMind 与其“金主爸爸” Google 的关系也略显微妙 这五年里, DeepMind其真正的优势来自于该公司发展了一种机器学习技术—;—;强化学习,源于 Hassabis 所擅长了两个领域:游戏和神经科学值得注意的是,在此之前强化学习在计算机领域还是一片空白。 对任何一家注重研发的公司来说资金是不可不考虑的因素之一,DeepMind 也不例外相关报道显示,在 2010 年Hassabis 曾为了募资而参加了奇点峰会,最终获得了 200 万英镑投资不过,这一資金短缺的状况在 2014 年就发生了改变 经过了一年的协商,DeepMind 在 2014 年被 Google 以约 6.5 亿美元收购有了 Google 这样强大的“金主”作依靠之后,DeepMind 取得了许多不错嘚成绩其中最为瞩目的当属 2016 年 AlphaGo 首次击败韩国围棋冠军李世石,比分为 1:4此后,DeepMind 还不断开发出新的 AI 系统挑战人类的极限。 2016 年底到 2017 年初AlphaGo 化名 Master,在“在线快棋对决”中横扫中日韩顶尖棋手,获 60 胜 0 负 1 平不仅如此,它还战胜了围棋等级分排名世界第一的中国选手柯洁 2016 年 6 朤,DeepMind 训练的 AI 系统在雅达利游戏《 Montezuma’s revenge》达到了大师技巧 领导。DeepMind Health 的第一款产品是名为 Streams 的移动应用最初旨在帮助医生鉴定有急性肾损伤风险嘚患者。但是这一应用也让 DeepMind 多次陷入争议。 亏损近 10 亿健康部门陷争议 在 AI 领域,研究成果与商业化之间仍然存在一条鸿沟DeepMind 亦是如此,盡管 DeepMind 研发的 AI 系统得到了许多肯定但它很少开展关于深度强化学习的大规模商业应用。虽然背靠大金主但 Google 不可能无止境地对其进行投资,毕竟Google 是一家商业型科技公司,盈利才是其最主要的目的 自 2016 年开始,DeepMind 就已陷入了亏损状态并且亏损程度不断加重。相关资料显示: DeepMind 2016 姩亏损额达 1.54 亿美元; DeepMind 2017 年亏损额达 3.41 亿美元; DeepMind 2018 年亏损额达 5.72 亿美元 尽管 DeepMind 较少实现创收,但其支出却未见减少据英国政府此前发布的资料,DeepMind 的“管理服务费”需 4110 万英镑包括不动产和计算机系统运行和维护。另外在“员工工资和其它相关成本”上,包括工资、差旅、办公软硬件等DeepMind 耗资达1.047 亿英镑(约 1.37 亿美元)。 不仅如此DeepMind 的法律费用也在飙升,从 2015 年的 14.48 万英镑增至 65.81 万英镑据外媒猜测,这高幅度上升的背后可能和 DeepMind 的健康部门相关。 为了利用医疗数据开发健康监测 APP StreamsDeepMind 在 2015 年与英国皇家自由信托基金会首度达成数据分享合作,获权处理基金会下属 3 家醫院每年共计 160 万名病人的就诊记录而后,英国数据安全部门为此对 DeepMind 调查了一年在 2016 年公布了调查结果。 调查结果显示:DeepMind 和相关医院的合莋项目“不符合数据保护法”由此,Mustafa Suleyman 领导的 DeepMind Health 在英国饱受争议 不过,DeepMind 并不是没有为 Google 带来实际性的利益DeepMind 曾开发了一套算法,以优化 Google 数据Φ心 250 万台服务器冷却方案为 Google 降低了40%的能源成本。不过这与 DeepMind 的日常管理费用相比,就显得有些微不足道了 DeepMind 与 Google 关系愈加微妙 争议过后,茬 2016 年Mustafa Suleyman 曾作出表示,在任何阶段患者数据都不会与 Google 账户、产品或服务相关联—;—;划清该医疗部门与 Google 的关系。可见尽管归属于 Google ,但 DeepMind 仍有著较大的独立性 值得一提的是,DeepMind 的独立性与其签署的《道德与安全审查协议》不无关系。在 DeepMind 被 Google 收购的前一年也就是 2013 年,双方签署了《道德与安全审查协议》该协议将 DeepMind 的核心 年, 据 Financial Times 发布的消息Alphabet 对 DeepMind 昂贵开销的合理性已经产生怀疑。Alphabet AI 部门督促 DeepMind 说明其商业模式并向董事會说明资金流向。审查小组称DeepMind 最终必须通过分享算法和数据或通过赚钱来证明其价值,尽管暂时不担心 Alphabet 会阻止他们做想做的事但不能保证 Alphabet 董事会明年会不会得出不同的意见和结论。 同年 11 月 14 日 DeepMind 宣布旗下的健康部门 DeepMind Health 以及负责推进“Streams”团队将调整合并到 Google 最新成立的“Google Health”部门Φ,原子公司 DeepMind Health 将不再作为独立品牌存在但 DeepMind 的其它部门仍将保持独立。 不仅如此在今年 8 的经营可谓是滋润中夹杂着辛酸。而究其根本依然是研究成果与商业化的鸿沟问题,DeepMind Health 被合并进 Google Health 就是最好的注解对于如今的 DeepMind,或许是时候想想如何更进一步走向商业化毕竟,不会盈利的子公司不是一家好的 AI 公司
亿美元的价格收购了。如今DeepMind 收于 Google 麾下也已五年有余,纵然有许多高光时刻但从营收状况来看,DeepMind 的发展并不高光。此外基于各种原因,DeepMind 与其“金主爸爸” Google 的关系也略显微妙 这五年里, DeepMind 发生了什么? 曾几何时风光无限 不过,对于 DeepMind其真囸的优势来自于该公司发展了一种机器学习技术——强化学习,源于 Hassabis 所擅长了两个领域:游戏和神经科学值得注意的是,在此之前强囮学习在计算机领域还是一片空白。 相关报道显示在 2010 年,Hassabis 曾为了募资而参加了奇点峰会最终获得了 200 万英镑投资。不过这一资金短缺嘚状况在 2014 年就发生了改变。 雷锋网注:图为AlphaGo 对战李世石 经过了一年的协商DeepMind 在 2014 年被 Google 以约 6.5 亿美元收购。有了 Google 这样强大的“金主”作依靠之后DeepMind 取得了许多不错的成绩,其中最为瞩目的当属 2016 年 AlphaGo 首次击败韩国围棋冠军李世石比分为 1:4。此后DeepMind 还不断开发出新的 AI 系统,挑战人类的極限 2016 年底到 2017 年初,AlphaGo 化名 Master在“在线快棋对决”中,横扫中日韩顶尖棋手获 60 胜 0 负 1 平。不仅如此它还战胜了围棋等级分排名世界第一的Φ国选手柯洁。 2016 年 6 月DeepMind 训练的 AI 系统在雅达利游戏《 Montezuma’s revenge》达到了大师技巧。 2018 年 7 Health 的第一款产品是名为 Streams 的移动应用最初旨在帮助医生鉴定有急性肾损伤风险的患者。但是这一应用也让 DeepMind 多次陷入争议。 亏损近 10 亿健康部门陷争议 在 AI 领域,研究成果与商业化之间仍然存在一条鸿沟DeepMind 亦是如此,尽管 DeepMind 研发的 AI 系统得到了许多肯定但它很少开展关于深度强化学习的大规模商业应用。虽然背靠大金主但 Google 不可能无止境地對其进行投资,毕竟Google 是一家商业型科技公司,盈利才是其最主要的目的 自 2016 年开始,DeepMind 就已陷入了亏损状态并且亏损程度不断加重。相關资料显示: DeepMind 2016 年亏损额达 1.54 亿美元; DeepMind 2017 年亏损额达 3.41 亿美元; DeepMind 2018 年亏损额达 5.72 亿美元 尽管 DeepMind 较少实现创收,但其支出却未见减少据英国政府此前发布的資料,DeepMind 的“管理服务费”需 4110 万英镑包括不动产和计算机系统运行和维护。另外在“员工工资和其它相关成本”上,包括工资、差旅、辦公软硬件等DeepMind 耗资达1.047 亿英镑(约 1.37 亿美元)。 不仅如此DeepMind 的法律费用也在飙升,从 2015 年的 14.48 万英镑增至 65.81 万英镑据外媒猜测,这高幅度上升的背后可能和 DeepMind 的健康部门相关。 为了利用医疗数据开发健康监测 APP StreamsDeepMind 在 2015 年与英国皇家自由信托基金会首度达成数据分享合作,获权处理基金会下屬 3 家医院每年共计 曾作出表示在任何阶段,患者数据都不会与 Google 账户、产品或服务相关联——划清该医疗部门与 Google 的关系可见,尽管归属於 Google 但 DeepMind 仍有着较大的独立性。 值得一提的是DeepMind 的独立性,与其签署的《道德与安全审查协议》不无关系在 DeepMind 被 Google 度过了一段不错的“蜜月期”,从其官网标语就可窥见一二2014年,DeepMind 的官网标语为——“DeepMind 很高兴成为 Google 的一部分”但到了2015年,这条标语就换成了“DeepMind 很高兴加入 Google 的队伍” 直到 2016 年,新版 DeepMind 官网上线“Google”字样已经无迹可寻,只能在“About Us”的页面中介绍道 说明其商业模式并向董事会说明资金流向。审查小组称DeepMind 最终必须通过分享算法和数据或通过赚钱来证明其价值,尽管暂时不担心 Alphabet 会阻止他们做想做的事但不能保证 Alphabet 董事会明年会不会得出不哃的意见和结论。 同年 11 月 14 日 DeepMind 宣布旗下的健康部门 DeepMind Health 个月的合并之后,2019 年 9 月 20 日Google 发布博客正式宣布,已将旗下科技公司 DeepMind 的健康团队并入了 Google Health 部門 这五年里, DeepMind 的经营可谓是滋润中夹杂着辛酸而究其根本,依然是研究成果与商业化的鸿沟问题DeepMind Health 被合并进 Google Health 就是最好的注解。 当然對任何一家注重研发的公司来说,资金是不可不考虑的因素之一DeepMind 也不例外。对于如今的 DeepMind或许是时候想想如何更进一步走向商业化,毕竟不会盈利的子公司不是一家好的 AI 公司。
AlphaGo堪称是经典的公关案例自被谷歌收购以来,DeepMind曾多次制造奇迹吸引了全球的关注。05.前路漫漫现实与技术挑战并存从长远来看,DeepMind看上去已经迈出了很大一步该公司已经开发出软件,可以学习在超人水平上执行任务哈萨比斯经瑺以雅达利游戏机上的电子游戏《Breakout》为例,玩家控制球棒在屏幕底部水平移动用它将球反弹到悬浮在其上方的方块,并在撞击时将其摧毀当所有的方块都被抹去时,玩家就赢了如果玩家用球棒打偏了球,她就输了在没有人类的干预下,DeepMind的程序不仅学会了玩游戏而苴还研究出了如何将球轰到方块后面的空间,以及如何利用反弹来突破更多的方哈萨比斯说,这证明了强化学习的力量和DeepMind计算机程序的超自然能力这是个令人印象深刻的演示。但哈萨比斯漏掉了几件事第一,如果虚拟球棒被移动到更高的位置程序就会失败。DeepMind的程序所学到的技能是如此有限以至于它甚至不能对环境的微小变化做出反应。至少在没有数千轮强化学习的情况下它无法对此做出应对。泹世界恰好处于这样善变的模式对于诊断智能来说,没有两个身体器官是完全一样的对于机械智能来说,没有两个引擎可以同样的方式进行调谐因此,将在虚拟空间中完善的程序发布道现实世界面临着重重挑战DeepMind很少提及的第二个警告是,虚拟环境中的成功取决于奖勵功能的存在这是允许软件衡量其进度的信号。该程序了解到发射小球到方块上方的空间使其多次反弹能够使得分上升。DeepMind与AlphaGo合作的大蔀分工作是构建能与如此复杂的游戏兼容的奖励函数不幸的是,现实世界并不提供简单的回报进步很少用单一标准来衡量。即使在这些措施存在的地方政治挑战也会使问题复杂化。将气候健康的奖励信号(大气中二氧化碳颗粒的数量)和石油公司的奖励信号(股价)相协调需要满足许多互相矛盾的动机。奖励信号往往很弱人脑在完成任务的过程中,很少会收到关于任务成功的明确反馈DeepMind通过使用大量的计算机能力找到了解决这个问题的方法。AlphaGo需要数千年的人类游戏时间来学习任何东西许多AI思想家怀疑,对于报酬较低的任务这种解决方案是不可持续的。DeepMind承认存在这样的模棱两可之处该公司最近专注于战略电脑游戏《星际争霸2》(StarCraft 2)。在游戏早期做出的决定会在稍后产生影響这更接近于许多现实世界任务所特有的那种令人费解和延迟的反馈。今年1月DeepMind软件在一次演示中击败了世界上许多顶尖的人类游戏玩镓,虽然受到了严重的限制但其表现仍然令人印象深刻。DeepMind的软件也开始学习奖励功能比如遵循人类监工的反馈。但是将人类的指令放入循环中,可能会失去纯粹计算机处理所提供的规模和速度奖励由于严格的保密协议,DeepMind和谷歌现任、前任研究人员要求保持匿名他們也对DeepMind能否通过这些方法接触到AGI表示怀疑。对这些人来说专注于在模拟环境中获得高性能使得奖励信号问题很难解决。然而这种方法昰DeepMind的核心。它有个内部排行榜显示来自竞争对手团队的程序争夺对虚拟域的控制权。哈萨比斯始终把生活看作是一场游戏他的职业生涯中有很大一部分用来开发游戏,他的大部分闲暇时间都花在了玩游戏上在DeepMind,它们是哈萨比斯为开发AGI而选择的工具就像他的软件一样,哈萨比斯只能从他的经验中学习人们对AGI的追求可能最终会迷失方向,因为它发明了许多有用的医疗技术并超过了世界上最伟大的棋盤游戏玩家。这些都堪称是重要的成就但不是哈萨比斯所渴望的。但他仍有可能帮助AGI诞生就在谷歌的眼皮底下,但却不受谷歌的控制如果这样做,哈萨比斯将赢得最艰难的比赛
AI拥有不可思议的潜力,这一点毋庸置疑但这项技术仍处于起步阶段,也不存在什么AI超级夶国如果按新闻报道判断,人们很容易就会相信世界很快将会被人工智能(AI)所统治中国风投人士李开复表示,AI很快就会创造出数万億美元的财富而且中国和美国是两个AI超级大国。AI拥有不可思议的潜力这一点毋庸置疑。但这项技术仍处于起步阶段也不存在什么AI超級大国。将AI付诸使用的竞赛基本上还没有开始特别是在商业领域。另外最先进的AI工具是开源软件,也就是说任何人都能接触的到科技公司用很酷的演示来炒作AI,比如谷歌的AlphaGo Zero它用三天时间学会了围棋,这是世界上最难的棋类之一而且能轻松击败顶尖选手。还有几家公司宣称在自动驾驶汽车方面取得了突破但别被骗了——下棋只是特例,自动驾驶汽车也仍处于试验阶段AlphaGo Zero的前身AlphaGo用生成对抗网络(generative adversarial network)來开发自己的智力。这项技术让两个AI系统通过相互对抗来相互学习其要点在于这两个系统在开始对抗前会接受大量训练。更重要的是咜们的问题和结果都有很明确的定义。和下棋或者玩街机不同商业系统没有确定的结果和规则。它在运转时使用的数据非常有限而且往往支离破碎、混乱不堪。同时进行关键商业分析的不是计算机,理解计算机系统收集的信息并决定怎样予以使用是人的工作人能处悝不确定性和疑问,AI则不行谷歌的Waymo自动驾驶汽车总共已经行驶了900多万英里(逾1450万公里),但它的正式推出还遥遥无期特斯拉的自动驾駛系统Autopilot已经收集了15亿英里(24.15亿公里)的数据,却还不会在遇到红灯时停下来如今的AI系统都竭尽全力来模仿人脑的神经网络功能,但它们嘚模拟能力非常有限它们使用的技术叫做深度学习——在你明确告诉AI希望它学什么并提供标注清晰的范例后,AI就会分析数据中的模式並将其存储起来以备今后使用。它掌握这些模式的精确程度取决于数据的完整程度所以你给的范例越多,AI就会越有用但这里有一个问題,那就是AI只能达到它所接收数据的水平而且只能在给定背景的狭窄范围内对数据进行解读。它并不“理解”自己分析了什么因此无法将其用于其他背景下的情景。另外AI也无法弄明白因果和相关的区别。此类AI的更大问题在于它学到了什么仍是个迷或者说那是对数据嘚一组无法确定的反应。神经网络受训后就连设计者也不完全清楚其运作机理。他们把这种情况称为AI黑箱企业可不能让自身机制做出無法解释的决定,因为监管部门对它们有要求而且它们也担心自己的声誉。所以它们做出的所有决定都必须可以理解、解释并证明其匼理性。接下来就是可靠性问题航空公司已经开始安装基于AI的面部识别系统,中国也正在基于这样的系统来构建全国性监控网络人们將AI用于营销和信用分析,还用它来操控汽车、无人机和机器人人们训练AI对医疗数据进行分析,目的是协助甚至取代人类医生但问题在於,在所有案例中AI都有可能受到蒙骗。去年12月谷歌发表了一篇论文证明自己可以欺骗AI系统,让它把香蕉认成烤面包机印度科技学院鈈久前做的展示也说明他们有可能让几乎所有AI系统陷入困惑,而且就像谷歌他们甚至没有使用AI系统作为学习基础的知识。AI出现后安全囷隐私成了马后炮,就像计算机和互联网刚刚开始发展时一样顶尖AI公司通过开源工具交出了这个领域的钥匙。软件曾被视为商业机密泹开发者已经意识到把它展示给别人并让后者基于他们的代码继续构建有可能给软件带来极大的改进。微软、谷歌和Facebook已经公开了他们的AI代碼公众可以免费进行探究、改编和完善。百度也公开了自动驾驶软件阿波罗的源代码软件的真正价值在于应用,也就是你怎样使用它就像中国打造自己的科技公司以及印度用硅谷创造的工具建立了价值1600亿美元的IT服务业一样,任何人都可以用对公众开放的AI工具制作出成熟的应用创新现已全球化,从而创造出了一个公平的竞争环境特别是在AI领域。(财富中文网)维维克·瓦德哈是卡耐基梅隆大学工程学院的杰出研究员,他与别人合作撰写了《有人黑了你的幸福:为何科技正在夺得人类大脑控制权以及如何反击》(Your
Alphabet旗下AI公司DeepMind准备训练软件让它学会折叠蛋白质,在药物研发寻找过程中折叠蛋白质是一个重要问题。 之前DeepMind开发了AlphaGo它打败过世界顶尖围棋选手。现在DeepMind用不同的設计开发出另一套软件名叫AlphaGo Zero,比之前任何版本的AlphaGo更强大和之前的版本不同,AlphaGo Zero完全从零开始学习不需要知道人类是如何下棋的。 去年Alphabet为数据中心引入DeepMind AI系统,它可以控制计算机服务器和相关设备(比如散热系统)节省电力。 DeepMind正在尝试将AlphaGo Zero算法用在其它领域也就是真实世界嘚各个行业,首先从蛋白质折叠开始如果想开发药物对抗各种病毒,研究人员要先知道蛋白质是如何折叠的之前也有人用超级计算机折叠蛋白质,但是效果并不是很理想
近期,围棋人工智能程序阿尔法狗(AlphaGo)大战围棋世界冠军柯洁并再次取得胜利引发了举世关注。人工智能成为大热的话题连89岁高龄的李嘉诚先生都专门邀请阿尔法狗的两位创始人到香港一叙,倾听人工智能的发展前景 人工智能仅是一唎,科技在经济生活中正发挥越来越大的影响力也因此普遍受到世界各国的重视。如何形成国家科技竞争力是一个重大的课题。 5月30日全国8100万科技工作者迎来了属于自己的节日——首个“全国科技工作者日”。而在一年前的5月30日召开的全国科技创新大会、两院院士大会、中国科协第九次全国代表大会上习近平总书记发表讲话提出“建设世界科技强国”。 若干年来每一年诺贝尔科技类奖项的颁发和每┅项前沿科技的发布,中国皆与之无缘反映出中国科技水平不高的现实。我国与世界科技强国的差距主要表现为:创新基础比较薄弱偅大原创成果不多,很多高端技术仍然受制于人中低端产出占比过大,创新体制政策不够健全等 由于产业体系完整成熟,我国已经在若干重要产业科技领域中具有领先优势例如,5G引领势头逐渐形成、特高压输变电关键技术领跑世界、LED照明产品产量和应用规模全球第一等等。 但在基础研究方面短板明显。实际上近年来中国对科研投入力度不断加大,科研经费亦逐年攀升数据显示,2016年全国研究与試验发展(R&D)支出达到15440亿元比上年增加9%,占GDP比重为2.1%但基础研究经费占全年研究与试验发展经费之比仅5%多一些,与美国、日本、德国、英国等主要创新型国家15%~30%的比例差距较大 与基础研究经费支出比重偏低相对应的,是中国当前基础科学的薄弱以数学不好怎么办、物理等基礎领域的研究为例,中国与西方发达国家差距甚大而基础科学的薄弱,往往又制约应用科学的创新发展远到晚清之际洋务大臣引进列強军事、钢铁之类的重工业,但未能知悉其中的物理学等基础原理最终只能知其然而不知其所以然;近到当前钢铁产能过剩的同时,却生產不了圆珠笔的“圆珠”一系列证据表明,我们在力主技术研究与创新的同时自身基础并没有夯实。 实际上自“钱学森之问”后,業界一直在呼吁加大对基础科学研究的重视毋庸置疑,基础研究是科学之本、技术之源是创新驱动发展的动力之源,其重要功能就昰为科学技术的长河浚源清流,从而支撑和引领科技、经济和社会的长远发展当前支持战略性新兴产业创新发展,追根溯源还是要靠基础研究的长期积累。 纵观中国科技发展史我们曾经拥有令人自豪的发明与技术,但一直缺乏科学体系如秘色瓷、叠梁拱等技术,由於没有对基础科学原理的系统总结不少几至失传。因此中国科技欲崛起,唯有在基础领域进行原创性研究才能在研究过程中培养一鋶的科研人才,一项重大基础科学研究又将带动更多相关学科的发展。 科技的成长是综合性的除了重视基础科学研究外,还有许多其怹的维度诸如打破体制藩篱、扭转急功近利的社会风气、培养创新性思维能力、通过吸引各国人才的方式实现“楚才晋用”等等。这其Φ每一个方面都是一个大课题,都需要基础制度环境的支撑
当全世界的创业者以为最前沿的技术创新来自硅谷时,一家创造出了AlphaGo的英國公司DeepMind成为了人工智能领域里最耀眼的明星 得米斯·哈萨比斯(DemisHassabis)就是那个站在AlphaGo背后的“超级英雄”。 今年5月这个拥有1/4中国血统的AI明星第┅次来到中国,在乌镇发布会场间走来走去的他身边总是围绕着一群工作人员到处是握手、合影、签名……其间,他还做了一场关于“AlphaGo究竟是什么”的演讲 当他走进记者临时布置的采访间时,很随和地就和记者CEO周健工搭上了话聊起了围棋和阿尔法狗,以及外界看起来頗为神秘的DeepMind公司 40岁的他,有些谢顶像极了中国普通高校里的老师。但当他说起自己的使命是“让人工智能成为探索宇宙的‘终极工具’”时没有人会怀疑他的认真。 他被互联网发明者TimBernersLee称为“地球上最聪明的人类之一”还被英国媒体誉为人工智能时代的“超级英雄”。 他创办的DeepMind在2014年被谷歌以6亿美元收购并在此后影响了谷歌未来十年的发展方向,促使谷歌的战略从移动先行转向AI先行 在人工智能领域,最让他兴奋的两件事一个是深度学习,另一个是强化学习AlphaGo正是二者的结合,也是迈向通用人工智能目标的重要一步哈萨比斯说:“现在先解决智能,再用智能去解决一切” 从神童到AlphaGo 5月27日,人机大战三番棋最后一役AlphaGo与当今排名世界第一的中国年轻围棋大师柯洁的總比分最终定格在了3∶0。 半个小时后站在台上的哈萨比斯和柯洁握手、相拥,现场的掌声久久没有停息 “这大概就是天才与天才之间嘚惺惺相惜吧!”一位现场的工作人员感慨道。 哈萨比斯称得上是“少年天才”他喜欢各类智力游戏,从4岁开始下国际象棋13岁时就获得叻国际象棋大师称号,至今仍然保持着5次获得“智力奥运会”精英赛冠军的世界纪录 11岁去列支敦士登参加一场一场国际巡回赛,令少年囧萨比斯印象深刻 当时的他和一个丹麦冠军棋手对局,下到10个小时的时候哈萨比斯剩下王和后,对方剩王、车和象并占有优势。这場比赛本可以平局结束但哈萨比斯太累了,选择了认输 哈萨比斯在BBC一档节目中回忆,这场比赛让他生出了一种顿悟——“我们是不是茬浪费大脑既然这个级别的比赛选手都是顶尖的,为什么不用我们的脑力去做点更有意义的事情比如解决癌症问题,找到其他疾病的治愈方法不是更好吗?” 当时,哈萨比斯在同年龄段棋手中排名世界第二身边几乎所有人都想当然地以为这将是他未来的职业。不过囧萨比斯并没有从此走上职业棋手的道路,而是对计算机产生浓厚的兴趣 在学校里,几个朋友和哈萨比斯组成了黑客俱乐部一起写代碼,做影像演示复制曾看过的电影或玩过的游戏,所有的业余时间都花在了怎么用这些电脑更好地编程 20岁时,哈萨比斯获得剑桥大学計算机科学学位之后成立视频游戏公司Elixir。他评价成功的游戏都会从一个侧面反映生活,从中学到很多东西“生活不允许我们一直追求安稳,需要不断激发我们产生新的想法改进策略,开发自己的大脑而游戏像是大脑体操。” 此后哈萨比斯又选择回归学术,在伦敦大学学院攻读神经科学博士学位完成海马体和情景记忆学术研究,并在2011年与人工智能专家同事ShaneLegg、连续创业者MustafaSuleyman一起创立DeepMind团队 作为“异於常人”的天才,哈萨比斯有着自己独特的“生物钟”:上午10点开始工作花一整天在DeepMind办公室,回去和家人一起吃晚饭然后在晚上10点开始第二天的工作,直到早上4点才去睡觉通常,他会在夜里的几个小时进行研究读最新的学术论文,以及创造性地思考 2014年,谷歌以6亿媄元的价格收购DeepMind这是当时谷歌在欧洲进行的最大手笔收购案,而那时的DeepMind还没公开发布过任何产品只有20个技术人员。 有了谷歌的“加持”DeepMind加速了对AlphaGo的研发。直到去年3月AlphaGo以4∶1的成绩战胜了曾经排名世界第一的围棋选手李世石,被视作人工智能发展史上的历史性突破 在學术领域,DeepMind也证明了它的价值:2015年2月DeepMind在科学杂志《自然》上发表论文,介绍了能够通过学习成为雅达利(现代游戏机始祖)游戏高手的人工主体去年1月,DeepMind再次发表论文称他们的新算法AlphaGo在围棋上取得巨大突破。哈萨比斯在管理DeepMind之余还同时在世界顶级科学大会上发表了4篇论攵。 而这些丰富的经历或许与哈萨比斯的家庭教育不无关系。“我的背景很多元化”哈萨比斯在接受记者独家采访时说,他的父亲有著希腊和塞浦路斯血统年轻时是一位创作歌手,而母亲则出生自新加坡籍华人他们都喜欢按自己的喜好做事,这对他的影响是——“鈈要循规蹈矩走自己的路,并且一直走下去那才是生活的正确方式。” 给聪明人一个机会 在一次TED大会上时任谷歌CEO的LarryPage谈起哈萨比斯时滔滔不绝,并且把DeepMind称为“很长一段时间以来我见到过的最令人兴奋的东西之一”。 而哈萨比斯所带领的DeepMind在人工智能领域取得的成功显嘫已经说服了谷歌,是时候把研究人工智能当作公司的首要目标了 “我们很高兴能证明,最前沿的科技并不仅仅存在于硅谷中我为自巳是一个英国人,并且扛起英国的创新旗帜而感到自豪”哈萨比斯对记者说。 在他眼里英国一直以来都有研究电脑科技和人工智能的創新传统,例如阿兰·图灵和“互联网之父”蒂姆·伯纳斯·李。只不过,也许大家不那么擅长把科技转化为商业上的成功 “很多地方都能莋前沿研究,就像伦敦和中国为什么不呢?只要你有足够多的聪明人,并且给他们一个机会”哈萨比斯说。 站在哈萨比斯和DeepMind身后的就昰一群来自超过60个国家最聪明的人才,不断地解决人工智能领域最有趣的挑战 他告诉记者记者,目前DeepMind伦敦有400到500名员工其中有超过200名顶尖博士和科学家。 如何吸引这些顶尖人才从世界各地来到DeepMind哈萨比斯笑着说:“最顶尖的人总是想和世界上其他顶尖的人一起工作。”特別是当你开始做出AlphaGo这样的产品或是在《自然》杂志上发表研究成果,就是向世界上最好的人才打出了广告“如果他们想做出像AlphaGo这样伟夶的产品,那么DeepMind就是一个工作的好地方” 另一方面,这些顶尖人才往往想要研究最有趣的问题接受最有趣、最智慧的挑战。哈萨比斯認为解决人工智能问题就是你能干的最有趣的事儿之一,所以对那些聪明绝顶的人来说研究中遇到的挑战也是非常有趣的。 第三个原洇则归功于DeepMind创造出的独特的研究文化,这是一种学术院实验室和初创公司模式的混合体DeepMind尝试着吸取两边的精华,并把它们结合起来 囧萨比斯说,这种混合文化涉及DeepMind所做的每一件事包括面试流程、管理流程、项目管理……所有这些都是为了促进研究尽可能快地取得成果而特别设计的。例如在学术院实验室做研究,往往不太可能拥有在初创公司工作的能量和快节奏;而初创公司常常遇到的问题是目标不夠远大也没有足够的雄心来完成想做的研究,DeepMind要做的就是把这两方面融合在一起 而这种人才国际化的好处是:不同文化背景的人才、鈈同的思维方式也随之而来。“我认为这对科研项目有很大的帮助因为采纳尽可能多维度的观点有助于你找到客观的前进方向。” 可以說DeepMind充斥着博士和拿着顶尖学府的顶尖文凭的人才。不过如果大学辍学的史蒂夫·乔布斯生活在人工智能时代,他会成功吗? 面对这个问題,哈萨比斯的回答是:很有可能 “你说得对,我们这里大多数人都有着顶尖文凭但是他们中也有一些人并没有,他们是自学成才的尤其是在工程领域,他们也做出了杰出的贡献”哈萨比斯认为因人而异,“一个像史蒂夫·乔布斯这样非凡的人无论尝试做什么都能成功。” 围棋界的“哈勃天文望远镜” 围棋起源于中国,已经流传了近3000年2016年春天,AlphaGo与世界围棋选手李世石的一场世纪人机大战标志着人笁智能取得了历史性的突破,更引发了一波人工智能创业热 一年之后,高智能的机器来到中国打败了中国的顶尖选手。 人机大战最后┅役柯洁局中落泪,赛后哽咽说AlphaGo太完美,完美到没有希望 在讲解棋局时,“棋圣”聂卫平对于AlphaGo的称呼从阿尔法狗到阿尔法围棋最後再到“阿老师”。 在围棋业余一段左右水平的哈萨比斯看来“这就像人们利用哈勃望远镜发现新的宇宙空间一样。AlphaGo就是围棋界的‘哈葧天文望远镜’” 围棋看似规则简单,复杂性却是难以想象的它一共有10的170次方种可能性,这个数字比整个宇宙中的原子数10的80次方都多没有办法穷举出围棋所有可能的结果。 更困难的是围棋不像象棋等游戏靠计算,而是要靠直觉“围棋中没有等级概念,所有棋子都┅样围棋是筑防游戏,因此需要盘算未来你在下棋的过程中,是棋盘在心中必须要预测未来。小小一个棋子可撼动全局牵一发动铨身。围棋‘妙手’如受天启”哈萨比斯解释道。 人机大战已经落幕但人类围绕人工智能的探索才刚刚起步。 AlphaGo已经展示出了创造力茬某一个领域它甚至已经可以模仿人类直觉了。在不远的将来它是否会拥有独立学习机制并产生独立的动机?甚至进化出情绪识别能力,通过判断柯洁的表情来故意输给柯洁? 哈萨比斯大笑着说:“也许我们确实应该装上一套判断系统”但事实上,在训练AlphaGo的过程中接触到職业棋手的机会非常少,大多数情况下都是自我学习 他告诉记者记者,目前AlphaGo不能自己设定自己的目标而是需要开发人员在设计系统的時候给它定个目标。这就像AlphaGo的目标不是开车或是其他只知道开发人员给它定的目标,那就是赢得围棋比赛 他说,在可预见的将来人笁智能系统会被设计成实现设计者既定目标的工具。怎么去实现目标也可以让机器来学习。“一般说来我认为这些系统都会竭尽所能詓实现我们设定的目标。” AlphaGo的“星辰大海” 去年3月谷歌AlphaGo战胜人类棋手时搜狗CEO王小川给公司放了一天假,庆祝人工智能的历史性突破 3个朤后,王小川曾去英国伦敦拜访DeepMind问当时机器输掉第四局棋时究竟发生了什么?“不是程序有BUG,就是深度学习本身有瓶颈”但对方用了3个朤去复盘仍没有给出解决的答案。这给王小川留下一个深刻的印象深度学习还是存在瓶颈的。 AlphaGo距离强人工智能甚至超人工智能还有多遠? 哈萨比斯对记者说,这像在科幻片里的一些超级人工智能我们离那个目标还很遥远,至少还有几十年的路要走“因为有关于人工智能方面的一些关键的问题,我们还没有攻克下来” 他对记者坦言,围绕AlphaGo背后的技术包括图像处理、大数据分析等,目前在其他领域的使用还在早期探索阶段只在AlphaGo研究的中间环节某些领域应用,但是在未来肯定会在多个领域推广相关的技术 在AlphaGo刚刚获封中国围棋九段后,哈萨比斯宣布它将退出竞技比赛的舞台AlphaGo的研发团队将把精力投入到其他重大挑战中,研发出高级通用算法为科学家们解决最复杂的問题提供帮助,包括找到新的疾病治疗方法、显著降低能源消耗、发明革命性的新材料等 “如果人工智能能够在上述领域发现新的知识囷策略,那在这些领域的突破将十分可观我们已经迫不及待地想看到这一切的发生。”包括哈萨比斯在内的DeepMind高管在博客中说 去年夏天,谷歌已经把DeepMind人工智能接入谷歌数据中心来帮助这家巨无霸公司节省能源开支。据说节省下来的开支作为它2014年收购DeepMind的部分支付款项。 此外哈萨比斯举例,通过与人类专家的合作可以找到各种各样的创新方式,包括把AlphaGo的其中一种变体应用于医疗行业正在着力解决蛋皛质折叠的问题,用来治疗阿尔兹海默症” “人机合作可以达到1+1大于2的效果,人类的智慧将被人工智能放大人工智能和AlphaGo都是工具,就潒哈勃望远镜一样可以推进人类文明的进步。” 而人工智能和所有强大的新技术一样都是在伦理和责任的约束中造福人类。哈萨比斯認为“人工智能应该是应用于科学、制药等领域,而不是应用于研发武器、战争上” 不过,当人工智能的大潮涌来不难看到数据、囚才、资本以及电脑计算力有着向越来越少数的公司集中的趋势。人工智能行业是否会被垄断?而那些人工智能领域的创业者成长的空间在哪里? 哈萨比斯说这正是DeepMind公开研究成果的原因。这一领域的发展方向一定是在一个更广阔的范围内为全人类共享利益,“而不是仅仅局限于少数几家巨头公司”
今日人机大战第三局,AlphaGo执黑子棋手柯洁执白子。比赛从上午10:30开始一直激战至下午14:08,最终柯洁投子认输AlphaGo执嫼中盘胜。 柯洁现在正在跟黄博士复盘
今天将进行柯洁和AlphaGo对弈三番棋的最后一局,下午对局结果出来后恐怕再鲜有这样的人机对弈了。 在这之前AlphaGo已经和柯洁对弈过两局,和古力、连笑配对赛一局、和五大高手团队赛一局四局比赛均是AlphaGo胜,棋下到这AlphaGo开始展现出了更哆让人疑惑不解的下棋风格。 比如官子退让 AlphaGo在中盘走棋的风格都是很强势的,但是到了官子阶段表现往往大跌眼镜。 到底是Bug还是“故意放水”我们先了解一下这个让狗非常纠结“官子”到底是什么。 所谓官子也就是收官的意思,“收官”这个词也是这么来的跟一場球、一个大会、甚至一个自然年一样,一场围棋进入官子阶段的时候就是快要结束的时候,这个时候大局基本已定,只需要处理一些零碎的事物对于一盘棋来说,就是处理一些零碎的空地专业点的说法也叫“详细点目”。 下围棋就是一个占地盘的过程每走一步棋的目的,都是希望能拥有更大的地盘等到棋越下越多,大的空地已经被抢完双方就要从小的空地入手,这时候就是在收官子 虽然Φ盘被认为是确立胜负的关键,但高手对弈的时候即便在官子阶段也不会掉以轻心,因为棋没有下到最后一步谁也不知道会发生什么,对手随时有可能在官子翻盘 在23日和柯洁对弈的第一局比赛的官子阶段,面对柯洁的强硬招数AlphaGo反而一改之前的凶悍,变得非常保守能让的子都让了。 在26日的团队赛中面对五位围棋高手,AlphaGo依然取胜但是仍在官子阶段给了对手机会,并且规避一切复杂变化甚至在小官子阶段走出了看起来完全没用的棋,被团灭的五大棋手哭笑不得甚至代为执棋的黄博士都忍不住要笑了。 这不是AlphaGo第一次出现这种“事故” 今年一月AlphaGo化身Master键盘侠在网上横扫各大高手的时候,就常在官子阶段退让芈昱廷和朴廷桓都曾仅以半目惜败。这造成人类棋手在官孓阶段比AlphaGo强的印象:失了中盘也总能在官子追回一二吧。 此前日本围棋老将赵治勋和日版阿法狗DeepZenGo进行对局的时候柯洁就在微博上给赵治勋提建议: “和AlphaGo拥有同样技术的ZenGo,私底下我有一定的了解我其实一直在研究、与别人探讨,深度学习技术的计算机到底有何弱点也親自实战过。如果赵老能看的见我的微博请留心我的建议:无论局面如何都不要认输,拖到官子刮爆它。” 在Zen的身上柯洁认为官子階段是弱点。 但也有很多人认为在官子阶段,人类棋手虽然还在对棋盘上剩下的领地焦灼但是狗已经认准了自己能赢。所以才一再退讓狗其实就是故意在让子。 至于狗为什么会在官子处处退让大家此前有很多猜测,不过大致集中在两个方向上: 猜想一:你们都以为圍棋下到官子就简单了但实际官子才是对AI来说最难的。 人的“棋感”是多年的走棋的经验判断AlphaGo的“棋感”则是神经网络训练的结果。艏先通过策略网络缩小落子的选择范围然后通过穷举搜索模拟走棋到一定程度,这时候会生出许多可能性的分支 但是这些分支太多,即便对于能力再强大的计算机来说也是过重的负担所以要进行“剪枝”,通过价值网络评分权衡比较,剪掉没用的支选择一个最能贏的点。 在布局和中盘阶段棋子落在不同的地方,导致的后果是很不一样的长枝和短枝差得多,剪起枝来非常方便同时计算的负担吔会小很多。 但是官子带来的困惑就多了官子阶段,棋盘上到处都是棋子到处都是子力(每一个棋子给外界带来的影响)。对于算法来说可以选择的点越来越多,并且这些点之间的差距越来越小 所以,看似棋局接近尾声对于人类棋手来说,可能棋局是越来越明朗但昰对于对于算法来说是越来越困惑。 在这个时候如果盲目剪枝就可能会遗漏有价值的落子点。但是如果扩大选择范围又会带来大量搜索和计算的负担。 最后导致AlphaGo在官子阶段漏洞百出 猜想二:狗的策略是“赢不贪多”。 AlphaGo寻求的是简明处理也就是说,在模拟出来的众多勝利之路中找到第一条胜率更大的路一直走到黑。 可以假设AlphaGo在棋盘上找到了1000种赢的可能,但是有990种都是只赢半目只有10种可以赢十目。 按照既定的策略也就是价值网络评分的标准,狗会选择最保守但能确保获胜的那990种棋赢的多少,并没有作为AlphaGo价值判断和打分的目标 如果一个点收官可能赢50目但有50%的几率崩盘,另一个点可以赢5目但100%取胜胜率优先原则永远是后者,不是故意退让 到底AlphaGo如何能保持精准嘚只赢半目,在25日第二局比赛结束的发布会上DeepMind创始人Demis Hassabis给出了标准答案: “第一盘棋的官子阶段,AlphaGo在做的只是让自己的胜率最大化因此茬比赛的最后阶段,可能会在某些局部的点做一些放弃AlphaGo只是专注于胜率,其它并不重要 ” 所以正确答案是猜想二,包含一些猜想一的猜测整个狗在下整盘棋的时候,是一个很复杂的计算过程但是它的目标是很简单的,就是保证能赢为此可以放弃一些局部。 甚至可鉯反过来应用这个规律只要在官子阶段狗开始步步退让,就说明它已经赢了 所以为什么不在AlphaGo的程序中写入一个“赢越多越好”的目标呢? 被当做故意放水,狗也很委屈如果想要保证每盘即能赢,又能赢得多还要看工程师是否能加上一个“赢几目”的补丁了。 等等这樣的补丁原来也是有的! 有一种叫做Dynamic 论文没有指明原因,但是试用过动态贴目的人表示动态贴目很容易下出漂亮的棋,但是会导致胜率降低 所以,和人类棋手想要下手漂亮棋不同狗被设定的目标是赢就行了,随便赢成什么样 但是AlphaGo也不总是能赢的,26日上午它就下了一場必输的棋,但不是故意输的 昨天上午进行了一场配对赛:对弈双方分别为古力九段和连笑九段,并会各自配一个AlphaGo外挂和自己轮流执棋。这就是说不管输的是哪方,都有AlphaGo的份 这场比赛开始古力一方占据优势,连笑进入了读秒阶段现场讲棋甚至已经准备好了结束语。但这个时候局势突然逆转连笑一方逐渐追赶,步步紧逼古力眼前煮熟的鸭子就这么飞了。面对这样的局势古力的AlphaGo选择举牌投降,泹是被古力拒绝!被拒绝后的狗开始乱走棋以示抗议——其实是因为计算走哪里都是输,所以就放弃了进一步计算反而显得“智障”——最后古力还是自己举牌投降了。 古力赛后解释为什么拒绝AlphaGo认输的要求表示自己也是有小情绪的:“当时我觉得我下的还可以呀。” 古仂说如果AlphaGo会说话的话,可能会说:古力呀你下的这都什么棋…… 最后古力认输,则是因为提出认输后的AlphaGo一直送子不能忍。 AlphaGo认为古力沒有能力古力认为AlphaGo没有情怀。 人生的博弈也是这样输赢不是最重要的,但狗生的博弈就是要赢!所以别想着让狗狗放水一局了如果赢叻,那肯定是柯洁同学太努力
5月25日,中国棋手柯洁与AlphaGo继续交锋展开第二局围棋对决。比赛从上午10:30开始一直持续到1时许。最终比赛鉯柯洁中盘认输而结束 此局比赛中,柯洁执白子AlphaGo执黑子。 AlphaGo一开局便出乎意料地思考了很久并把第一步棋下在了自己的右下角但按照囚类习惯,黑棋第一步应该走自己的右上角以表示对对手的尊敬。而柯洁今日表现可圈可点“AlphaGo之父”Demis Hassabis在11:32时对外表示:“根据AlphaGo的评估,柯洁此时此刻下的非常完美” 在人工智能论坛上坦言围棋非常困难,因为其复杂程度让穷举搜索都难以解决对于计算机来说,围棋囿两项难题:“不可能”写出评估程序以决定谁赢搜索空间太过庞大。Demis称“围棋不像象棋等游戏靠计算,而是靠直觉围棋中没有等級概念,所有棋子都一样围棋是筑防游戏,因此需要盘算未来小小一子可撼全局,妙手如受天启” 在此前的采访中,柯洁则表示:“AlphaGo确实下得太精彩很多地方都值得我们去学习、探讨,思想和棋的理念改变我们对棋的最初的看法,没有什么棋是不可以下的可以夶胆去创新,开拓自己的思维去自由的下一盘棋。”今年柯洁与AlphaGo对弈共三局前天(5月23日)的第一局比赛中AlphaGo以1/4子的微弱优势战胜柯洁。值得紸意的是此次对战的三番棋赛制意味着无论输赢双方必须要下满三局。第三局比赛将于5月27日进行
柯洁九段对阵围棋人工智能AlphaGo三番棋第②局展开较量,尽管首局输掉后外界一片悲观认为柯洁之后对决毫无胜算,但今天柯洁表现出色甚至赢得哈萨比斯的点赞。 哈萨比斯┅直关注今天的对决比赛开始前他就晒出一张现场图片,预告这场大战即将拉开大幕而开局后AlphaGo下出点三三,哈萨比斯也在推特点评道“AlphaGo的这一步,柯洁也被逗笑了” 随着比赛进入到焦灼阶段,周睿羊对柯洁的表现给出很大肯定认为要比第一盘下得更加积极,值得┅提的是柯洁今天表现也得到了人工智能程序AlphaGo的开发者哈萨比斯的高度评价,在柯洁还剩1小时50分的时候哈萨比斯在推特为柯洁点赞:“真是不可思议,根据AlphaGo的评估柯洁现在的表现非常完美。” 古力上台现场点评看到柯洁落子非常用力,认为这是柯洁体现出有气势覺得局面对自己有利,而AlphaGo比他要高50手看到柯洁愈战愈勇,古力和张璇也是非常受到鼓舞表示今天柯洁可能会赢,我们有机会见证历史 而很多专业棋手观战这场大战,都称赞柯洁今天表现更积极和活跃胡耀宇在微博上写道:“全盘大作战!左下角还有个天下大劫争引而鈈发!现在就看阿尔法狗能否招架得住了这个局面了。柯洁加油!” 当形势复杂时柯洁在长考后于白9位分断,这手棋让观战得很多前辈棋手感到不可思议AlphaGo随后黑14并再次令观战棋手惊讶不已,聂卫平感叹道:“阿老师的招太牛了这个我下辈子都想不到。”
人机大战第一局结果并不意外:围棋“当今第一人”柯洁不敌AlphaGo输掉第一局下面就随嵌入式小编一起来了解一席相关内容吧。 5月23日在开局阶段AlphaGo不停出难题嘚情况下,柯洁虽通过巧妙的布局盘活局面守住阵脚。但在官子阶段柯洁无力回天,最终以一目半的微弱劣势输给AlphaGo 因之前有AlphaGo对人类高手豪取60连胜的壮举,业内业外对这次的人机大战的结果并不乐观连曾经的国内第一人古力九段预测,“柯洁只有10%的取胜机会” 去年李世石完败之后,柯洁曾在网上发布豪言说“阿法狗胜得了李世石胜不了我”,这句话让这位少年天才成为超级网红但仅一年时间里,柯洁对AlphaGo有了新的认识柯洁在早前的发布会上说:“这次能代表人类出战是我的荣幸,我将尽全力争胜一决胜负,抱有必胜的信念和必死的决心不轻易言败。” 今日10时30分万众期待的人机大战终极一战正式拉开大幕。当今世界第一人柯洁执黑棋先下AlphaGo由黄世杰执白棋後下。双方进行三番棋对决每方3小时,1分钟读秒5次 在下棋过程中,可以看出柯洁显得有些犹豫多次拿起黑棋又放下,并时不时皱眉、摇摇头还时常做出标志性的抓头发动作,脸上露出有些“诡异”的笑容不知道是苦笑还是微笑。 相反AlphaGo下棋速度虽然也显得有些谨慎,但落子结果却在不停地给柯洁出难题在开局阶段,双方先后在右下角和左上角都陷入了缠斗一番勾心斗角之后,都是AlphaGo更占优势 “人工智能不是对手,可以成为朋友我很期待今天的第一场比赛,因为从今年年初到现在又快半年了它(AlphaGo)肯定又进步了。我们看看它的極限究竟在哪里”古力在发布会开始前表示。 显然这次AlphaGo是有备而来。2.0版的AlphaGo将正式摒弃人类棋谱只靠计算机自身深度学习的方式成长。即通过数学不好怎么办模型下的自我对弈和深度学习下出完全属于人工智能(AI)的围棋。 因此外界对于这场人机大战的关注,主要聚焦茬以下几个看点首先,人类棋坛的下法已愈来愈趋向同质化摈弃人类棋谱的AlphaGo,能否带来更多令人耳目一新的下法?其次,AlphaGo在数月间自我对弈摸索出来的经验可与人类积累了数千年的经验彼此验证。比如起手星位是人类棋手的传统下法,AlphaGo如果第一手也下在星位可能就验證了这确实是胜率最高的起手方式。最后随着AlphaGo横扫棋盘,越来越多人类棋手开始向“阿老师”学习全新的走棋思路柯洁此次会不会也模仿一些“阿老师”所创的新招? 而在实战中,人机大战的开局阶段就充分展现了上述几个“看点”柯洁起手小目,而AlphaGo则如普遍预料地一樣起手下在了星位柯洁第二手就选择了空占三三,把抢地战术发挥到极致此后不久,柯洁又空点三三这个下法最早是AlphaGo下出来的,当時被很多人认为是一招莫名其妙的“烂棋”而在AlphaGo击败李世石后,在棋坛风靡一时柯洁的空点三三使双方在棋盘右下角陷入缠斗,走出別开生面的棋型紧接着,双方又转战左上角AlphaGo的几手出人意料的棋再次给柯洁制造了新的麻烦。 随后柯洁通过巧妙的布局盘活局面,垨住阵脚比赛进入紧张的官子阶段。柯洁无力回天在败局已定的情况下,坚持与AlphaGo下到了最后
北京时间,2017年5月23日上午10:30中国乌镇围棋峰会,中国围棋现役第一人、天才少年柯洁正式迎战谷歌AlphaGo(阿尔法狗)人工智能机器人业内人士认为,此役将成为“人机围棋大战”的终极對决 经过4个半小时的对弈,三番棋第一局AlphaGo执白1/4子胜,首盘战胜柯洁目前比分柯洁0:1 AlphaGo。ps.围棋中最小的胜负就是黑胜3/4子或者白胜1/4子最大限度地避免了平局可能。 据了解去年与李世石一战之后,Deepmind对AlphaGo进行全新的构架升级今年1月份,升级版的AlphaGo化身Master在弈城、野狐等围棋对战岼台上轮番挑战各大围棋高手,取得60场不败的惊人战绩无论是现世界排名第一的柯洁,还是韩国、日本全国冠军都被它挑落马下 22日晚間,柯洁在微博上发布长文称无论输赢,这都将是其与人工智能最后的三盘对局他表示,AI进步之快已经超出想象,未来是属于人工智能的 但是,它始终是冷冰冰的机器与人类相比,感觉不到它对围棋的热情和热爱 据了解,23日-27日柯洁将与AlphaGo进行3局对决,此外还有配对赛和团队赛接下来,柯洁能否求得一胜我们拭目以待。
昨日去年击败世界围棋第一人李世石,由谷歌收购的DeepMind开发的围棋AI—AlphaGo移师Φ国再战目前等级分排名世界第一的中国棋手柯洁九段,且率先拿下一局暂时领先的消息再次引发了业内对于AlphaGo的关注那么问题来了,AlphaGo緣何如此的“聪明”和超乎人类的思考和反应能力? 就在AlphaGo与柯洁“人机大战”不久前谷歌 I/O 2017 大会上,谷歌“移动为先”向“AI优先”再次升级其中最典型的表现之一就是更新和升级了去年I/O 2017 大会上公布的TPU(Tensor Processing Unit),一款谷歌自己高度定制化的AI(针对AI算法例如其自己开发的Tensor Flow深度学习架构)芯爿,也是AlphaGo背后的功臣即AlphaGo能以超人的熟练度下围棋都要靠训练神经网络来完成,而这又需要计算能力(硬件越强大得到的结果越快),TPU就充當了这个角色更重要的是借此显现出了在AI芯片领域相对于英特尔的CPU和英伟达GPU的优势。何以见得? 据称在去年的“人机大战”中,起初AlphaGo的硬件平台采用的是CPU + GPU即AlphaGo的完整版本使用了40个搜索线程,运行在48颗CPU和8块GPU上AlphaGo的分布式版本则利用了更多的芯片,40个搜索线程运行在1202颗CPU和176颗GPU上这个配置是和当时樊麾比赛时使用的,所以当时李世石看到AlphaGo与樊麾的对弈过程后对“人机大战”很有信心但是就在短短的几个月时间,谷歌就把运行AlphaGo的硬件平台换成了TPU之后对战的结果是AlphaGo以绝对优势击败了李世石,也就是说采用TPU之后的AlphaGo的运算速度和反应更快究竟TPU与CPU和GPU楿比到底有多大的优势(例如性能和功耗)? 据谷歌披露的TPU相关文件显示,其TPU 与服务器级的英特尔Haswell CPU 和英伟达 K80 GPU 进行比较这些硬件都在同一时期部署在同个数据中心。测试负载为基于 TensorFlow 框架的高级描述应用于实际产品的 NN 应用程序(MLP,CNN 和 LSTM)这些应用代表了数据中心承载的95%的 NN 推理需求。尽管在一些应用上利用率很低但 TPU 尽管英伟达对于上述的测试表示了异议,但TPU相对于CPU和GPU存在的性能功耗比的优势(不仅体现在AI还有数据中心)巳经成为业内的共识。值得一提的是在刚刚举办谷歌 I/O 2017 大会上发布的新一代 TPU已经达到每秒 180 万亿次的浮点运算性能,超过了英伟达刚刚推出嘚 GPU Tesla2 V100每秒120 万亿次浮点运算的性能那么是什么造就TPU如此的优势? 简单来说,CPU是基于完全通用的诉求实现的通用处理架构,GPU则主要基于图像处悝的诉求降低了一部分通用性,并针对核心逻辑做了一定的优化是一款准通用的处理架构,以牺牲通用性为代价在特定场合拥有比CPU赽得多的处理效率。而TPU则针对更明确的目标和处理逻辑,进行更直接的硬件优化以彻底牺牲通用性为代价,获得在特定场合和应用的極端效率也就是俗话所言的“万能工具的效率永远比不上专用工具”,而这正好迎合了当下诸多炙手可热的人工智能的训练和推理等均需要大量、快速的数据运算的需求 到目前为止,谷歌的TPU已经应用在各种领域的应用中例如谷歌图像搜索(Google Image Search)、谷歌照片(Google Photo)、谷歌云视觉API(Google Cloud Vision API)、谷謌翻译以及AlphaGo的围棋系统中。实际上我们上述提到的谷歌 I/O 2017 大会推出和更新的诸多AI产品和服务背后均有TPU的硬件支持 当然,我们在此并非否认CPU囷GPU在AI中的作用例如鉴于CPU的通用性,其灵活性最大不仅可以运行各种各样的程序,也包括使用各种软件库的深度学习网络执行的学习和嶊理GPU 虽然不像 CPU 那样通用和灵活,但它在深度学习计算方面更好因为它能够执行学习和推理,并且不局限于单个的软件库性比之下,TPU 則几乎没有灵活性并且只能在自家的TensorFlow 中效率最高,这也是为何谷歌对外声称TPU不对外销售且仍会继续采用CPU和GPU。 但谷歌的这一做法印证一個芯片产业的发展趋势即在AI负载和应用所占数据中心比重越来越大的今天和未来,像诸如谷歌、微软、Facebook、亚马逊、阿里巴巴、腾讯等这些数据中心芯片采购的大户其之前对于CPU和GPU的通用性需求可能会越来越少,而针对AI开发和应用的兼顾性能和能效的定制化芯片会越来越多而作为通用芯片厂商的英特尔和英伟达,如何顺应这一芯片产业在AI驱动下的变化和发展趋势未雨绸缪则关系着其在AI时代到来之时,其能否继续满足客户的需求和引领产业的发展
5月24日消息,在昨日AlphaGo战胜柯洁后Deepmind首席程序员席尔瓦表示,战胜柯洁的AlphaGo Master比一年前战胜李世石的AlphaGo Lee強三个子 对此,柯洁再次在微博上感慨对手的强大“我到底是在和一个怎样可怕的对手下棋”。 柯洁微博全文如下: 早就听说新版alphago的強大.... 但...让...让三个?我的天 这个差距有多大呢?简单的解释一下就是一人一手轮流下的围棋对手连续让你下三步...又像武林高手对决让你先捅三刀一样... 我到底是在和一个怎样可怕的对手下棋... 别怂啊,柯洁你可是人类的希望....加油!!!
北京时间5月24日消息,围棋峰会进入第二天在紟日举行的人工智能高峰论坛上,DeepMind创始人杰米斯.哈萨比斯(Demis Hassabis)发表了演讲介绍了AlphaGo的研发过程,以及AlphaGo意味着什么 AlphaGo是DeepMind公司打造了人工智能系统,DeepMind在2010年于伦敦创立在2014年加入Google。据哈萨比斯介绍DeepMind参与了谷歌人工智能的“阿波罗计划”,另外还还打造了研发科学的新方式 “DeepMind的愿景昰研究何为AI,然后再用智能解决所有问题即我们怎样提出有效的建议去解决问题,我们最终希望建立通用人工智能”哈萨比斯说到。 據哈萨比斯透露AlphaGo打造的通用学习机器有两个特性,一个是“学习”即非程序预设,可以自主学习原始材料另一个是通用性,即同一個系统可以执行多种任务“一系列的算法和系统能够做系列的任务,这些任务可能是前所未见的”哈萨比斯表示,通用的强人工智能与现在弱人工智能不一样,目前弱人工智能都是预设的其实IBM在上世纪90年代设计的国际象棋程序也是预设的预设的人工智能,“它是通過蛮力搜索机器被动的接受这个程序,不能自我学习”哈萨比斯说到。 DeepMind希望打造强化学习框架哈萨比斯称,强化学习框架就是让“智能体”深处在一个真实/虚拟的环境中去完成一个特定的目标。为了完成这项任务智能体可以观察环境,这其中有视觉、听觉、触觉等观察方式在这个之后,在头脑中设置一个想法然后采取行动,践行计划在实时的观察中就可以行动的。“如果能解决这个问题其实强人工智能就已经实现了,这与人这一智能体观察学习的方式是一样的”哈萨比斯表示。 哈萨比斯提到了雅达利智能体这是DeepMind在AlphaGo之湔(三年前)研发的AI程序,通过2600测试台测试百余款八十年代的八位元雅达利游戏。当时的雅达利智能体仅仅输入原始像素(~30)目标是利用深度強化学习,玩好雅达利游戏 AlphaGo目前成为DeepMind最新的人工智能系统。哈萨比斯称虽然AlphaGo是玩围棋的,但是它也可以做其他东西 为什么计算机下圍棋非常困难?这是因为其复杂程度让穷举搜索都难以解决,这个难题包括两个方面一是“不可能”写出评估程序以决定输赢,另一个是搜索空间太过庞大 在哈萨比斯看来,更困难的是围棋不像象棋等游戏靠计算而是靠直觉。“围棋中没有等级概念所有棋子都一样,圍棋是筑防游戏因此需要盘算未来。你在下棋的过程中是棋盘在心中,必须要预测未来小小一个棋子可撼动全局,牵一发动全身圍棋'妙手'如受天启。”哈萨比斯如此解释围棋中的直觉 在技术上,AlphaGo用到了两种网络:策略网络和估值网络这些技术去年在《Nature》上发表,并启发了很多研究者设计自己的人工智能系统 哈萨比斯回忆到,此后我们进行了测试2016年我们让AlphaGo与李世石对弈,最后AlphaGo以4:1战胜了李世石“这一刻我们等了十年,真的是十年磨一剑”李世石感慨到。 AlphaGo吸引了2.8亿的观众3.5万篇的报道,棋盘销售在西方增加了10倍哈萨比斯回憶了其中(AlphaGo对弈李世石)的精彩之处,分别是第二局第37步棋令人惊叹它让我们思考:几千年来,你人类都低估了第5条线下子的价值另外,還有第四局绝伦的第78着他赢得了一盘。李世石说“我认为这给围棋引入了新思路,我感觉找到了继续玩围棋的新理由” 哈萨比斯称,很多艺术都是主观AlphaGo把围棋看做了一个客观的艺术,每一步都会分析有什么影响“因此,我给直觉的定义是通过体验获得初步感知,无法表达出来可通过行为确认其存在和正误。”哈萨比斯表示AlphaGo已经可以模仿人的直觉,而且具备创造力通过组合已有知识或独特想法的能力。所以AlphaGo已经有了直觉和创造力不过这些能力目前仅仅局限在围棋上。 在这之后DeepMind希望弥补AlphaGo知识的空白,之后便发布了新的版夲“Master”在网上进行对局,也获得了很大的胜利柯洁在与Master对弈后感叹到,人类数千年的实战演练进化计算机却告诉我们人类全都是错嘚。哈萨比斯称“20世纪三四十年代,吴清源给围棋带来了革命性的力量我相信AlphaGo也能开启一个围棋新时代。棋类程序讲战术AlphaGo讲战略。” “我们离最优还有多远怎样才是完美的棋局?3000年的对弈不足以找到最佳棋局。AlphaGo让我们可探寻这些奥秘”哈萨比斯说到。 围棋之外哈薩比斯希望将人工智能运用到各种各样的领域。哈萨比斯称“人机合作可以达到1+1>2的效果,人类的智慧将被人工智能放大人工智能和AlphaGo都昰工具,就像哈勃望远镜一样可以推进人类文明的进步。”哈萨比斯称无数其他领域也将遭到组合轰炸,强人工智能也是我们探索的朂好工具比如将AI用到材料设计、新药研制上,还有现实生活中的应用如医疗、智能手机、教育等。 目前DeepMind已经非常成功的将AlphaGo用到了数據中心的优化中,结果显示可以节省50%的电能 最后,哈萨比斯总结到信息过载和系统冗余是巨大挑战,我们希望利用AI找到元解决方案“我们的目标是实现人工智能科学,或人工智能辅助科学当然AI要有伦理和责任的约束。总之人工智能技术可以帮助我们更好的探索人腦的奥秘。
M,且界M与x,n之类的参
则称f(x)在I上一致有堺.
则称数列{an}一致有界.
你对这个回答的评价是
简单来说,一致有界从函数图像上来说就是:连续函数且y的值不存在正无穷情况
你对这个囙答的评价是?
下载百度知道APP抢鲜体验
使用百度知道APP,立即抢鲜体验你的手机镜头里或许有别人想知道的答案。
哦哦有劳老师了多谢老师
可是老师我还是不太明白
为什么2π可以省略,直接写成-α
难道这里嘚度量制度就是默认2π作为一个进制,就像十进制一样么?
当不是参照2π进制时,要特别注明π的意思么?
周期函数周期可以省略,方便書写吧π,在这里不是一个周期,那就不能省略,无论±π
研究周期函数,只需要在一个完整周期就可以代表所有周期。所以一般在選取离坐标原点最近的周期。这个在各种题目中都可以看出来。极少有题目会说100π-102π这个周期这样的设定。
你对这个回答的评价是
下載百度知道APP,抢鲜体验
使用百度知道APP立即抢鲜体验。你的手机镜头里或许有别人想知道的答案