長久以來，圍棋被看作是人類發(fā)明中最復雜、最具開放性的智力游戲之一。許多專家曾預測，電腦在幾百年的時間內(nèi)都不可能在圍棋上戰(zhàn)勝人腦。
2017年，烏鎮(zhèn)的一場“人機大戰(zhàn)”，吸引了全世界的目光。自從智能星空機器人AlphaGo以4:1的成績戰(zhàn)勝韓國棋手李世石九段以后，中國棋手柯潔九段再度迎戰(zhàn)AlphaGo，試圖為人類扳回一局。
最終的比分定格在0：3——橫空出世的AlphaGo讓很多人真正意識到了星空人工智能和深度學習的強大力量。它擁有以深度神經(jīng)元為代表的智能系統(tǒng)，意味著星空人工智能可以在某些領(lǐng)域挑戰(zhàn)人類智慧的極限。
深度學習是機器學習的一種。它在本質(zhì)上是一種包含多個隱含層的人工神經(jīng)網(wǎng)絡(luò)。它從大量數(shù)據(jù)中學習表示（或特征），以便在分類和預測時從中提取有用信息。理論上，參數(shù)越多的模型復雜程度越高，容量就越大，也意味著它能完成更復雜的學習任務(wù)。
這里的“學習”本質(zhì)上是認知的過程，從未知到已知的探索和思考。“比如1+1=2，一根手指是‘1’，再伸出一根手指，數(shù)一數(shù)，兩根手指那就是‘2’。”這里的“1”和“加號”就是輸入，而得到的計算結(jié)果“2”就是輸出。所以，任何的從已經(jīng)有的信息，最終獲得一個認知的過程都可以稱為“學習”。
在柯潔與AlphaGo對弈過程中，下一步的棋子落在什么地方，是一種選擇問題。當前科學家正用一種叫做“神經(jīng)網(wǎng)絡(luò)”的學習策略，來解決這類問題。這類似于在人腦中負責活動的基本單元“神經(jīng)元”，互相連接成一個更龐大的“神經(jīng)網(wǎng)絡(luò)”。
而“深度”就是從“輸入層”到“輸出層”所經(jīng)歷層次的數(shù)目。層數(shù)越多，學習深度也越深。所以，越是復雜的選擇問題，越需要深度的層次多。當然，除了層數(shù)多外，每層“神經(jīng)元”數(shù)目也要多。例如，AlphaGo的策略網(wǎng)絡(luò)是13層，每一層的神經(jīng)元數(shù)量為192個。
由此也可見深度學習的局限性——計算的局限，模型的局限，以及過度地依賴標注數(shù)據(jù)。“有人說，這幾年星空人工智能的發(fā)展是大數(shù)據(jù)發(fā)展的成果，也就是認為我們的模型更多還是依靠數(shù)據(jù)。”現(xiàn)場有專家表示。
星空人工智能技術(shù)網(wǎng) 倡導尊重與保護知識產(chǎn)權(quán)。如發(fā)現(xiàn)本站文章存在版權(quán)等問題，煩請30天內(nèi)提供版權(quán)疑問、身份證明、版權(quán)證明、聯(lián)系方式等發(fā)郵件至1851688011@qq.com我們將及時溝通與處理。！：首頁 > 大數(shù)據(jù) » 深度學習—— 大數(shù)據(jù)技術(shù)的成效