至顶网CIO与应用频道 05月24日 北京消息:5月24日,在新版本AlphaGo首战以1/4子微弱优势战胜中国围棋职业九段棋手柯洁之后,“AlphaGo之父”DeepMind创始人兼CEO Demis Hassabis、AlphaGo团队负责人David Silver在人工智能高峰论坛上详解了AlphaGo的研发并就“AlphaGo意味着什么?”的问题进行了详细解答。
“AlphaGo已经展示出了创造力,也已经可以模仿人类直觉了。在过去一年,我们继续打造AlphaGo,我们想打造完美的AlphaGo,弥补它知识方面的空白。因为在与李世石的比赛中,它是有缺陷的。”Demis Hassabis说:“在未来我们能看到人机合作的巨大力量,人类智慧将通过人工智能进一步放大。强人工智能是人类研究和探寻宇宙的终极工具。”
为什么计算机下围棋非常困难?
Demis Hassabis坦言围棋非常困难,因为其复杂程度让穷举搜索都难以解决。对于计算机来说,围棋有两项难题:“不可能”写出评估程序以决定谁赢,搜索空间太过庞大。
围棋不像象棋等游戏靠计算,而是靠直觉。围棋中没有等级概念,所有棋子都一样。围棋是筑防游戏,因此需要盘算未来。小小一子可撼全局,“妙手”如受天启。
AlphaGo如何进行训练?
David Silver从技术角度详细解释了AlphaGo如何进行训练。
围棋对于机器的难点之一是评估程序的撰写。而AlphaGo团队用两种卷积神经网络去完成:策略网络和估值网络。策略网络的卷积神经网络用于决定下一步落子可能的位置,价值网络用于评估当前棋局获胜的概率。
为了应对围棋的巨大复杂性,AlphaGo 采用机器学习技术,结合了监督学习和强化学习的优势。通过训练形成一个策略网络(policy network),将棋盘上的局势作为输入信息,并对所有可行的落子位置生成一个概率分布。
然后,训练出一个价值网络(value network)对自我对弈进行预测,以 -1(对手的绝对胜利)到1(AlphaGo的绝对胜利)的标准,预测所有可行落子位置的结果。这两个网络自身都十分强大,而 AlphaGo将这两种网络整合进基于概率的蒙特卡罗树搜索(MCTS)中,实现了它真正的优势。
最后,新版的AlphaGo 产生大量自我对弈棋局,为下一代版本提供了训练数据,此过程循环往复。
AlphaGo 如何决定落子?
在获取棋局信息后,AlphaGo会根据策略网络探索哪个位置同时具备高潜在价值和高可能性,进而决定最佳落子位置。在分配的搜索时间结束时,模拟过程中被系统最频繁考察的位置将成为 AlphaGo的最终选择。在经过先期的全盘探索和过程中对最佳落子的不断揣摩后,AlphaGo的搜索算法就能在其计算能力之上加入近似人类的直觉判断。
David Silver总结:策略网络减少宽度,价值网络减少深度。AlphaGo做出多种模拟,不断反复,最终形成判断哪种方案是获胜概率最高的。
今年的AlphaGo和去年的AlphaGo有什么区别?
David Silver透露,去年的AlphaGo Lee在云上有50TPUs在运作,搜索50个棋步为10000个位置/秒。而今年的AlphaGo Master是在单个TPU机器上进行游戏,它已经成为了自己的老师,从自己的搜索里学习,拥有更强大的策略网络和价值网络。
AlphaGo如何进行自我学习?
Demis Hassabis将AlphaGo归类为强人工智能,强人工智能和弱人工智能的区别在于弱人工智能是预设置的,例如IBM的“深蓝”就不能自我学习。
他提到强化学习框架的概念:智能体有一个特定目标要完成,它有两种方式和环境打交道,一是观察,智能体通过观察进行见面,这有可能不全面。二是行动。
David Silver称,AlphaGo先自己与自己对弈,策略网络以P预测AlphaGo的移动。
人工智能的元解决方案
Demis Hassabis表示,目前信息过载和系统冗杂是人类面临的巨大挑战。开发人工智能技术可能是这些问题的元解决方案。元解决方案的目标是实现“人工智能科学家”或“人工智能辅助科学”。“人工智能和所有强大的新技术一样,在伦理和责任的约束中造福人类。
好文章,需要你的鼓励
最新数据显示,Windows 11市场份额已达50.24%,首次超越Windows 10的46.84%。这一转变主要源于Windows 10即将于2025年10月14日结束支持,企业用户加速迁移。一年前Windows 10份额还高达66.04%,而Windows 11仅为29.75%。企业多采用分批迁移策略,部分选择付费延长支持或转向Windows 365。硬件销售受限,AI PC等高端产品销量平平,市场份额提升更多来自系统升级而非新设备采购。
清华大学团队开发出LangScene-X系统,仅需两张照片就能重建完整的3D语言场景。该系统通过TriMap视频扩散模型生成RGB图像、法线图和语义图,配合语言量化压缩器实现高效特征处理,最终构建可进行自然语言查询的三维空间。实验显示其准确率比现有方法提高10-30%,为VR/AR、机器人导航、智能搜索等应用提供了新的技术路径。
新一代液态基础模型突破传统变换器架构,能耗降低10-20倍,可直接在手机等边缘设备运行。该技术基于线虫大脑结构开发,支持离线运行,无需云服务和数据中心基础设施。在性能基准测试中已超越同等规模的Meta Llama和微软Phi模型,为企业级应用和边缘计算提供低成本、高性能解决方案,在隐私保护、安全性和低延迟方面具有显著优势。
IntelliGen AI推出IntFold可控蛋白质结构预测模型,不仅达到AlphaFold 3同等精度,更具备独特的"可控性"特征。该系统能根据需求定制预测特定蛋白质状态,在药物结合亲和力预测等关键应用中表现突出。通过模块化适配器设计,IntFold可高效适应不同任务而无需重新训练,为精准医学和药物发现开辟了新路径。