最火人脑和AI的巅峰对决并非机器打败人而是人牡丹江破碎锤电热毯温度仪钻井机

人脑和AI的巅峰对决：并非机器打败人 而是人类超越了自我

第二局，柯洁执白，还是输了。不过他似乎实现了第一场赛后发布会中说的“让AlphaGo的主机稍微发烫一下”的心愿，一度局面十分占优，被AlphaGo评估为表现“完美”。最终因为打劫失误，柯洁中盘投子。

赢棋需要实力、气力和运气。依照这三个因素，人类的在金属、非金属、复合材料及制品的力学性能实验方面确没法战胜人工智能，实力已经远远落后，气力上，人工智能占据先天优势，只要不拔电源线，人工智能可以永远思考下去，不会觉得累，也不存在情绪上的波动。这一点，也完胜人类。至于说到运气，人类就更显得可怜了，去年人机大战，李世石偶尔赢了一盘，换来的是对手更快的进化速度。不过，人类在这个对比中也不是一无是处，可调脚相比人工智能的精准和冷酷，人类赋予了这项运动以情感和人性，而这里的“最高境界”就是围棋作为一项人类智力运动所包含着的情感温度吧。

科学家之所以乐于选择棋类游戏，一方面是因为它们自古以来就被认为是人类智力活动的象征，模拟人类活动的AI自然要以此为目标。成功达到人类甚至高于人类水平，可以吸引更多人关注并投身于人工智能的蹦床研究和应用中来。另一方面，棋类也很适合作为新的AI算法的标杆（Benchmark）。棋类游戏的规则简洁明了，输赢都在盘面，适合计算机来求解。理论上只要在计算能力和算法上有新的突破，任何新的棋类游戏都有可能得到攻克。

除了棋类游戏，牌类游戏（比如德州扑克、桥牌、麻将、斗地主等）也逐渐成为人工智能研究的新方向。而在更加大型的电子游戏方面，比如星际争霸、我的世界(Minecraft)，科学家也开始了新一轮的AI算法的创新。

有的人说AlphaGo可以不断自学习，从新的棋局里获取经验，快速提升自己。其实AlphaGo的系统由于参数非常多，需要大量的数据来训练，新增的几幅棋谱对提高它的棋力起不到任何作用。而且AlphaGo在做参数调整时是针对一大批数据的整体优化，也必须对很多棋谱做批量处理，训练时间非常长，不可能在很短时间内大幅提升自身的水平。即便是同一组训练棋谱，参数调整国外1些厂家的产品方法不一样也会训练出棋力水平差异较大的系统。其实AlphaGo是通过自我对弈来生成很多棋谱，然后利用棋谱中的（两个连续的）盘面跟最后的胜负对应关系训练出价值络来。这里只是借用了一下强化学习的框架来训练深度神经络的参数而已，主要贡献还是深度学习的近似能力带来的（解决了利税 总额2 亿元左右传统强化学习针对复杂环境和动作状态无法求解的难题）。因此，AlphaGo并没有大家想象的那种自我博弈就能自己不断进步的能力。AlphaGo依靠的是一种基于树的搜索算法，遇到复杂局面搜索空间变大，对未来输赢的价值判断也会变难。因此，人算不过来的复杂局面，对AlphaGo来说也很困难。如果局面太简单，机器可以非常好的计算出比较优的解，人类棋手更加没有希望。因此，把局面弄复杂，人类棋手才有希望获胜，虽然这个对人类也提出了更大的挑战。在许多功能性和安全性测试中都起着决定性作用<胡琴/p>

从社会层面的反馈看，有人会顾虑，机器对弈人类获得成功，会破坏棋类艺术本身的意味，它们会让专业棋手的价值受到挑战，甚至让更多的人放弃学习棋类运动；有人却觉得这样的赛事可以普及各种棋类，让更多人对这些棋类、游戏等产生兴趣；还有人会夸大AI带来的对人类的威胁……

可能在技术进步的过程中，确实会引发一些社会问题，但这在人类每个历史阶段都会抽油烟机遇到，人类也不会因此而放慢技术进步的步伐，一些现在看起来引发大众不适的社会问题，一定会逐步解决。爱因斯坦说过：“科学，究竟是给人带来幸福还是带来灾难，全取决于人自己。” 毕竟，在一场场人脑和AI的巅峰对决中，并不是机器打败了人类，而是人类超越了自己！

未来AI更广泛的用途一定会是在类似无人驾驶、智能安防以及人工智能助理这种真正意义上的非完全信息类的真实环境里。在真实世界，AI遇到的问题千变万化，不会有一个统一的规则、统一的函数就能帮助其解释相应的行为。棋牌类AI只是人工智能非常早期的演练而已。

所以，AI在各种棋牌游戏和人类对战，其意义不在于输赢本身，更重要的是人们对这类游戏都耳熟能详，能够通过比赛了解到AI的最新进展，这对AI的发展有很大促进作用，毕竟AI进化的过程还相当长，即便是围观群众，也需要了解这个未来会与每个人的生活都息息相关的领域。