【你知道嘛】除了下围棋 AlphaGo还能帮你决策商业

本篇文章1764字，读完约4分钟

阿尔法戈昨天击败了世界头号种子李石士，标志着人工智能的历史性突破。然而，如果你只把阿尔法戈视为机器人男孩，你会低估他。专家指出，alphago是深度学习在go领域的一个应用，但它是一个基于各种机器学习技术的系统，其机制可用于执行其他任务，如解决对抗性问题，或应用于商业、战争或金融交易等受战略影响很大的领域。

人机心理战争

电子电气工程师学会(ieee)会员、美国人工智能协会会员、南京大学机器学习与数据挖掘研究所所长周志华告诉《中国商报》记者:机器人做决策的优势在于不受情绪干扰，而且不知疲倦。这一点在昨天与李世石的象棋比赛中尤为明显。周志华分析了比赛的细节。他说:在游戏的前半部分，很明显人类玩家占主导地位，但在那之后，机器利用优越感是完全没有用的，机器也不会感到一丝自卑。然而，人类棋手很难有平静的心态。

昨天来到人机大战现场的bbc首尔记者形容李世石紧张、叹息和摇头。赛后，李世石自己说:面对一个非人的棋手，我还是觉得很不一样。当你和一个人竞争时，你可以通过他的表情、呼吸或肢体语言猜测他下一步会做什么，但是机器不会发送这样的信息，你也不能给他你想要的暗示。因此，昨天的人机战争更多的是关于心理学而不是象棋。周志华告诉记者:如果这台机器真的能达到人类棋手的顶尖水平，而不是靠心理战取胜，这是一个真正的实质性突破，但仅凭一局之差很难判断，尤其是李世石是这台机器更喜欢的对手类型。周志华建议不同类型的世界顶级职业围棋手应该与阿尔法围棋对弈。如果玩家普遍认为机器的水平真的达到了顶级水平，这是一个真正的突破。

然而，周志华认为，昨天比赛的重大意义向公众传达了两个关键信息:第一，人工智能中的机器学习技术在过去几年中取得了巨大进步；其次，对于许多特定的任务，只要能够收集到足够高质量的数据，机器学习技术就可以用来构建一个达到或接近顶尖人类专家水平的系统。

从错误中学习

阿尔法戈的计算机程序从学习通用模板开始，它允许计算机从过去的重复竞争中学习。在学习了基本技能后，他开始通过观看职业比赛来掌握合理的规则和标准套路。然后他开始自己下棋，并深入学习。这个阶段可以看作是千千反复试验的过程。开发alphago系统的deepmind公司首席执行官德米斯·哈萨比斯(Demis hassabis)说:他不断地通过与无数个版本的自己下棋来纠正自己的错误，每次他的水平都有所提高，但幅度很大。这也意味着机器在不断地征服自己。

对于这种强化学习策略是否会面临上限，专家们也有不同的看法，这使得学习面临上限，无法继续。周志华认为，从技术角度来看，实际上自我游戏是让两个学习模型提供伪标签样本来提高它们的性能，但必须确保两个模型之间有足够的差异。随着模型的性能提高到一定程度，差异将逐渐收敛，这将不可避免地使性能在一定时间内无法通过这种机制继续提高。这实际上取决于样本的数量。然而，一些专家认为，强化学习技能已经被证明优于在许多领域应用的机器学习技术。

象棋之路是商业之路

围棋早在3000年前就被中国人发明了，它也被认为比象棋复杂得多，因为它有无数种行走方式。如果说国际象棋一直被认为代表着最高水平的智力挑战，那么围棋对策略的要求比无数筹码都要高。deepmind首席执行官哈萨比斯称这是人类发明的最优雅的竞赛。他说:它的规则很简单，但它是无限复杂的。阿尔法戈的移动超过了宇宙中的原子数量。

它极其简单，但又极其复杂，这就是为什么中国人用象棋来比喻商业。围棋的精髓不是杀棋，而是靠占领取胜。在企业之间的竞争和博弈中，合作共赢大于互相残杀。通过占据一方并为生存而奋斗的技术取胜需要一个长期战略。输掉这场比赛后，李世石说:阿尔法戈从第一步开始就赢了，而我则以第一步输给了终点。

曼彻斯特大学计算机科学教授、ieee资深成员凯文·科兰说:今天的人工智能可以复制人类智能的某些特定方面，计算机已经能够在有限的领域解决许多问题。尽管人工智能实际解决问题的过程是复杂的，但它的基本原理非常简单:首先，人工智能需要通过传感器或人工输入来收集关于要解决的问题的各种事实信息，然后将数据存储在信息比较中，并区分哪些信息是关键的、有意义的。计算机可以运行各种可能的场景。例如，在特定的商业环境和金融交易中，计算机可以通过收集的信息预测哪个商业计划最有可能成功。