口AlphaGO还能做什么?本次人机大赛的结果基本没有悬念,所以这次AlphaGo与柯洁的对战,看点已经不是棋局的输赢,而是AlphaGo是否能进入更加实用的领域,实现产品化。AlphaGo是一个标志,意味着人们对人工智能的探索已经达到一个新的阶段,人工智能将逐渐渗透到各个行业,提高各行业的效率。目前AlphaGo的创始团队DeepMind利用AI系统,优化整个机房的冷却系统的用电效率,帮助谷歌减少40%在机房冷却系统上的花费,节省上亿美金。同时也正在将AlphaGo的变体应用于医疗行业,用AlphaGo的算法来模拟蛋白质的3D折叠,可以使药物研发加速5到10年。还希望能够与英国国家电网合作,利用人工智能将英国的能耗减少10%。

口强大的分布式计算群在底层支撑AlphaGo。AlphaGo强大的计算能力是通过通用硬件搭建的分布式计算群来支撑的,根据Deepmind员工发表在2016年1月Nature期刊的论文,分布式版本使用了1202个CPU和176个GPU,同时可以有40个搜索线程。AlphaGo的计算能力达到3.38PFLOPS,是当年IBM深蓝的3万倍,而我国天河二号超级计算机,运算能力达到33.86PFLOPS,是深蓝的30万倍。

口深度学习算法是AlphaGo打败人类选手的秘诀。AlphaGo的算法结构是:深度神经网络+监督/强化学习+蒙特卡洛树搜索。深度学习神经网络训练出三个网络:两个落子策略+一个局面评估模型,这三个策略的神经网络架构基本相同,参数不同。AlphaG0 1.0版本通过输入几千万个人类棋谱,训练神经网络,给出围棋手数的估值,而增强学习类似一个“自学成长脑”,给神经网络提供不限量的计算样本通过反复和过去的“自己”下棋来获得数据,通过输赢来判喜断好坏,根据好坏结果来计算策略梯度,从而更新参数。通过反复的自学,自己产生了新的下棋方法,形成自己的一套更强的下棋风格。

我们认为在现有计算能力的支撑下,数据是AI重要的资产,通过海量的数据才可以更好的培训算法。目前AI正在数据化程度高的行业逐渐落地,安防、医疗、金融、零售等行业数据电子化程度高且比较集中,将率先涌现大量的人工智能场景应用。建议关注海康威视、万东医疗。