阿尔法狗再下一城,DeepMind公司致力于建造通用型模型。

5月27日,2017人机大战三番棋第三局结束,柯洁执白209手中盘负于AlphaGo,人机大战第二番较量的结局被定格在了0:3。阿尔法狗的公司DeepMind由杰米斯·哈萨比斯(DemisHassabis)2010年创始于伦敦,2014年为谷歌收购,并在2016年大战围棋冠军李世石一役上一举成名。

DeepMind目前正努力制造世界上第一台通用学习机,试图在增强学习的基础上发展通用学习模型。阿尔法狗攻占的围棋游戏3000年前起源于中国,使用方形格状棋盘及黑白二色圆形棋子进行对弈。棋盘上纵横各有19条直线将棋盘分成361个交叉点,棋子走在交叉点上,双方交替行棋,以围地多者胜出。围棋游戏的规则非常简单,但是其复杂性却超乎想象,一共有3的361次方可能性,是一个天量数字。

人工智能的理论经历了上世纪符号主义和连接主义的积淀期。

机器学习是人工智能(ArtificialIntelligence)研究发展到一定阶段的必然产物。二十世纪五十年代到七十年代初,人工智能研究处于“推理期:那时人们以为只要能赋予机器逻辑推理能力,机器就能具有智能。从二十世纪七十年代中期开始,人工智能研究进入了“知识期”,大量的专家系统在这一时期问世,在很多应用领域取得了重要成果。图灵在1950年关于图灵测试的文章中,就提到关于机器学习的可能。五十年代中后期,基于神经网络的“连接主义”学习开始出现,代表性工作有感知机和Adaline等。六七十年代,基于逻辑表示的“符号主义”学习技术开始兴盛,代表性工作有结构学习系统、基于逻辑的归纳学习系统、概念学习系统。

二十世纪九十年代中期,“统计学习”出现并迅速成为主流。代表性技术是支持向量机SVM和更一般的“核方法。”深度学习在语音识别、图像识别、自然语言处理几个主要领域都获得了突破性的进展。

2006年多伦多大学教授GeoffervHinton在Science发表文章,提出基于深度信念网络可使用非监督的逐层训练算法,为训练深度神经网络带来了希望。深度学习虽然缺乏严格的理论基础,但是它显著降低了机器学习应用的门槛。深度学习的大热有两个主要原因,一是大数据的积累更加容易,二是硬件的计算能力显著提升。大数据时代可以很好解决模型的“过拟合”问题,而巨大的模型和海量的数据,必须有高速的计算设备才能完成。但是,正如微软研究院秦涛博士所述,大计算说起来容易,做起来非常不容易。百度做的神经机器翻译系统,用了32块K40的GPU用了十天做训练,谷歌的机器翻译系统用了更多,用了96块K80的GPU训练了六天。AlphaGo整个的训练过程大致用了50块CPU四周时间,差不多一个月。