前不久，在人工智能領(lǐng)域發(fā)生了兩件大事，一個(gè)就是是偉大的人工智能先驅(qū)馬文·明斯基教授逝世，一個(gè)是谷歌AlphaGo擊敗歐洲圍棋冠軍，職業(yè)圍棋二段樊麾。

馬文·明斯基教授是幾乎見(jiàn)證了從人工智能作為一門(mén)學(xué)科的興起直至今日成就的所有大風(fēng)大浪的人，或者可以說(shuō)何教授本人就是這些大風(fēng)浪的弄潮兒，他對(duì)人工智能的發(fā)展的影響意義十分深遠(yuǎn)。而谷歌AlphaGo此次取得的成就，也可以算是人工智能領(lǐng)域一次里程碑式的創(chuàng)舉，它的成功標(biāo)志著人工智能領(lǐng)域又進(jìn)入了一個(gè)新高度。這篇文章，我們將從馬文·明斯基還是哈佛大學(xué)本科生的時(shí)候講起，一直到今日AlphaGo的勝利，梳理一下人工智能是怎樣從初見(jiàn)萌芽一步一步走到今日的輝煌成就的。

要是從宏觀的角度來(lái)講，人工智能的歷史按照所使用的方法，可以分為兩個(gè)階段，分水嶺大概在1986年神經(jīng)網(wǎng)絡(luò)的回歸——

在前半段歷史中，我們主要使用的方法和思路是基于規(guī)則的方法，也就是我們?cè)噲D找到人類(lèi)認(rèn)知事物的方法，模仿人類(lèi)智能和思維方法，找到一套方法，模擬出人類(lèi)思維的過(guò)程，解決人工智能的問(wèn)題。

后半段的歷史，也就是我們現(xiàn)在所處的這個(gè)時(shí)期，我們主要采取的方法是基于統(tǒng)計(jì)的方法，也就是我們現(xiàn)在發(fā)現(xiàn)，有的時(shí)候我們不需要把人類(lèi)的思維過(guò)程模擬出一套規(guī)則來(lái)教給計(jì)算機(jī)，我們可以在一個(gè)大的數(shù)量集里面來(lái)訓(xùn)練計(jì)算機(jī)，讓它自己找到規(guī)律從而完成人工智能遇到的問(wèn)題。

這個(gè)轉(zhuǎn)化也可以用一個(gè)形象的例子來(lái)描述，就像我們想造出飛機(jī)，就觀察鳥(niǎo)是怎么樣飛的，然后模仿鳥(niǎo)的動(dòng)作就行，不需要什么空氣動(dòng)力學(xué)什么的，這種思想在人類(lèi)歷史上也被稱(chēng)為“鳥(niǎo)飛派”。但是我們都知道，懷特兄弟造出飛機(jī)靠的是空氣動(dòng)力學(xué)，而不是仿生學(xué)。不過(guò)我們不能就因?yàn)檫@一點(diǎn)就笑話人工智能前半段各位研究人員和前輩的努力和心血，因?yàn)檫@是人類(lèi)認(rèn)知事物的普遍規(guī)律，其實(shí)現(xiàn)在也有不少人會(huì)認(rèn)為，計(jì)算機(jī)可以讀懂文字、看懂圖片靠的是依靠和我們?nèi)祟?lèi)一樣的認(rèn)知過(guò)程。

在研究基于規(guī)則的探索中，人工智能經(jīng)歷了三個(gè)主要階段——興起、繁盛和蕭條。會(huì)有這樣的過(guò)程，一個(gè)重要原因是基于規(guī)則方法的局限性。好了，那我們就先扒一扒這段歷史。

一、萌芽階段

人工智能的萌芽時(shí)期大概出現(xiàn)在19世紀(jì)中葉，第一位需要介紹的人物便是馬文·明斯基。明斯基于1946年進(jìn)入哈佛大學(xué)主修物理專(zhuān)業(yè)，但他選修的課程相當(dāng)廣泛，從電氣工程、數(shù)學(xué)，到遺傳學(xué)、心理學(xué)等涉及多個(gè)學(xué)科專(zhuān)業(yè)，后來(lái)他放棄物理改修數(shù)學(xué)。

1950年，也就是明斯基本科的最后一年，他和他的同學(xué)Dean Edmonds建造了世界上第一臺(tái)神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)，并命名其為SNARC（Stochastic Neural Analog Reinforcement Calculator）。這臺(tái)計(jì)算機(jī)是由3000個(gè)真空管和B-24轟炸機(jī)上一個(gè)多余的自動(dòng)指示裝置來(lái)模擬40個(gè)神經(jīng)元組成的網(wǎng)絡(luò)的。后來(lái)，明斯基又到普林斯頓大學(xué)攻讀數(shù)學(xué)博士學(xué)位，并以“神經(jīng)網(wǎng)絡(luò)和腦模型問(wèn)題”為題完成博士論文，但是當(dāng)時(shí)的評(píng)審委員會(huì)并不認(rèn)為這可以看做是數(shù)學(xué)。

（馬文·明斯基）

明斯基的這些成果雖然可以被稱(chēng)作人工智能的早期工作，但是鑒于當(dāng)時(shí)的明斯基還是一個(gè)青澀的毛頭小子，所做的博士論文都不能得到相應(yīng)的認(rèn)可，所以影響力有限。

接著上場(chǎng)的第二位人物影響力就大很多，那就是計(jì)算機(jī)科學(xué)之父阿蘭·圖靈，他是被認(rèn)為最早提出機(jī)器智能設(shè)想的人。圖靈在1950年的時(shí)候（也就是明斯基還在讀本科的時(shí)候）在雜志《思想》（Mind）發(fā)表了一篇名為“計(jì)算機(jī)器與智能”的文章，在文章中，圖靈并沒(méi)有提出什么具體的研究方法，但是文章中提到的好多概念，諸如圖靈測(cè)試、機(jī)器學(xué)習(xí)、遺傳算法和強(qiáng)化學(xué)習(xí)等，至今都是人工智能領(lǐng)域十分重要的分支。

（圖靈在1950年的時(shí)候在雜志《思想》（Mind）發(fā)表的名為“計(jì)算機(jī)器與智能”的文章）

介紹完以上兩大人物，接下來(lái)標(biāo)志著人工智能作為一個(gè)獨(dú)立領(lǐng)域而誕生的盛會(huì)——達(dá)特茅斯研討會(huì)就要粉墨登場(chǎng)了。

不過(guò)在介紹達(dá)特茅斯研討會(huì)之前，我們不得不介紹這第三位重量級(jí)的人物，那就是約翰·麥卡錫，因?yàn)樗沁@次研討會(huì)的發(fā)起人。約翰·麥卡錫于1948年獲得加州理工學(xué)院數(shù)學(xué)學(xué)士學(xué)位，1951年獲得普林斯頓大學(xué)數(shù)學(xué)博士學(xué)位。然后又在那里作為老師工作了兩年，接著短暫地為斯坦福大學(xué)供職后到了達(dá)特茅斯大學(xué)，正是這個(gè)時(shí)期，它組織了達(dá)特茅斯研討會(huì)。在這次大會(huì)上，麥卡錫的術(shù)語(yǔ)人工智能第一次被正式使用，所以麥卡錫也被稱(chēng)作人工智能之父。其實(shí)麥卡錫在達(dá)特茅斯會(huì)議前后，他的主要研究方向正是計(jì)算機(jī)下棋。

（約翰·麥卡錫）

下棋程序的關(guān)鍵之一是如何減少計(jì)算機(jī)需要考慮的棋步。麥卡錫經(jīng)過(guò)艱苦探索，終于發(fā)明了著名的α-β搜索法，使搜索能有效進(jìn)行。α-β搜索法說(shuō)核心就是，算法在采取最佳招數(shù)的情況下允許忽略一些未來(lái)不會(huì)發(fā)生的事情。說(shuō)的有點(diǎn)抽象，我們來(lái)舉個(gè)十分簡(jiǎn)單的例子。

假如你面前有兩個(gè)口袋和一個(gè)你的敵人，每個(gè)口袋放著面值不等的人民幣，你來(lái)選擇口袋，你的敵人決定給你這個(gè)口袋里哪張面值的錢(qián)。假設(shè)你一次只能找一只口袋，在找口袋時(shí)一次只能從里面摸出一次。當(dāng)然你希望面值越大越好，你的敵人自然希望面值越小越好。假如你選擇了第一個(gè)口袋?，F(xiàn)在我們從第一個(gè)口袋開(kāi)始，看每一張面值，并對(duì)口袋作出評(píng)價(jià)。比方說(shuō)口袋里有一張5元的和一張10元的。如果你挑了這只口袋敵人自然會(huì)給你5元的，10元的就是無(wú)關(guān)緊要的了。

現(xiàn)在你開(kāi)始翻第二個(gè)口袋，你每次看一張面值，都會(huì)跟你能得到的最好的那張面值(5元)去比較。所以此時(shí)你肯定就去找這個(gè)口袋里面面值最小的，因?yàn)橹灰钌俚囊?元好，那么你就可以挑這個(gè)口袋。假如你在第二個(gè)口袋摸出一張1元的，那么你就不用考慮這個(gè)口袋了，因?yàn)槿绻闾袅诉@個(gè)口袋，敵人肯定會(huì)給你1元面值的，那當(dāng)然要選擇最小面值的5元的那個(gè)口袋啦。

（基于α-β剪枝算法的智能五子棋）

雖然有點(diǎn)繞，不過(guò)我覺(jué)得你應(yīng)該大概已經(jīng)理解了這個(gè)思路。這就是α-β搜索法，因?yàn)檫@種算法在低于或者超過(guò)我們搜索中的α或者β值時(shí)就不再搜索，所以這種算法也稱(chēng)為α-β剪枝算法。這種算法至今仍是解決人工智能問(wèn)題中一種常用的高效方法。當(dāng)年IBM的深藍(lán)國(guó)際象棋程序，因?yàn)榇驍∈澜绻谲娍ㄋ古亮_夫而聞名世界，它靠的正是在30個(gè)IBM RS/6000處理器的并行計(jì)算機(jī)上運(yùn)行的α-β搜索法。

但是需要注意的是，前不久的谷歌AlphaGo，由于棋盤(pán)是19x19的，幾乎所有的交叉點(diǎn)都可以走子，初始的分支因子為361，這對(duì)于常規(guī)的α-β搜索來(lái)說(shuō)太令人生畏了，所以別看名字里面帶了一個(gè)α（Alpha，有可能這個(gè)名字是為了紀(jì)念麥卡錫的α-β搜索算法），AlphaGo采用的是卻是蒙特卡洛搜索樹(shù)（MCTS），它是一種隨機(jī)采樣的搜索樹(shù)算法，它解決了在有限時(shí)間內(nèi)要遍歷十分寬的樹(shù)而犧牲深度的問(wèn)題。

后來(lái)麥卡錫有從達(dá)特茅斯搬到了MIT，在那里他又做出了三項(xiàng)十分重要的貢獻(xiàn)。第一個(gè)是他定義了高級(jí)語(yǔ)言Lisp語(yǔ)言，從此Lisp語(yǔ)言長(zhǎng)期以來(lái)壟斷著人工智能領(lǐng)域的應(yīng)用，而且人們也有了可以拿來(lái)用的得力工具了，但是稀少而且昂貴的計(jì)算資源仍是問(wèn)題。于是麥卡錫和他的同事又發(fā)明了分時(shí)技術(shù)。然后，麥卡錫發(fā)表了題為“有常識(shí)的程序”的文章，文中他描述了一種系統(tǒng)，取名為意見(jiàn)接收者，任務(wù)是使用知識(shí)來(lái)搜索問(wèn)題的解，這個(gè)假想也被看成是第一個(gè)完整的人工智能系統(tǒng)。

同年，明斯基也搬到了MIT，他們共同創(chuàng)建了世界上第一座人工智能實(shí)驗(yàn)室——MIT AI Lab實(shí)驗(yàn)室。盡管后來(lái)麥卡錫和明斯基在某些觀點(diǎn)上產(chǎn)生了分歧導(dǎo)致他們的合作并沒(méi)有繼續(xù)，但這是后話。

（MIT AI Lab實(shí)驗(yàn)室）

二、人工智能的誕生

好了，前期的一些大人物介紹完了，讓我們一起回到1956年那個(gè)意義非凡的夏天。

那年，28歲的約翰·麥卡錫，同齡的馬文·明斯基，37歲的羅切斯特和40歲的香農(nóng)一共四個(gè)人，提議在麥卡錫工作的達(dá)特茅斯學(xué)院開(kāi)一個(gè)頭腦風(fēng)暴式的研討會(huì)，他們稱(chēng)之為“達(dá)特茅斯夏季人工智能研究會(huì)議”。參加會(huì)議的除了以上這四位，還有6位年輕的科學(xué)家，其中包括40歲的赫伯特·西蒙和28歲的艾倫·紐維爾。在這次研討會(huì)上，大家討論了當(dāng)時(shí)計(jì)算機(jī)科學(xué)領(lǐng)域尚未解決的問(wèn)題，包括人工智能、自然語(yǔ)言處理和神經(jīng)網(wǎng)絡(luò)等。人工智能這個(gè)提法便是這次會(huì)議上提出的，上文也有提到。在這個(gè)具有歷史意義的會(huì)議上，明斯基的SNARC，麥卡錫的α-β搜索法，以及西蒙和紐維爾的“邏輯理論家”是會(huì)議的三個(gè)亮點(diǎn)。前面已經(jīng)對(duì)明斯基的SNARC，麥卡錫的α-β搜索法有所介紹，下面我們?cè)賮?lái)看一下西蒙和紐維爾的“邏輯理論家”又是什么。

西蒙和紐維爾均是來(lái)自卡內(nèi)基梅隆大學(xué)（當(dāng)時(shí)還叫卡內(nèi)基技術(shù)學(xué)院）的研究者，他們的研究成果在這次盛會(huì)上十分引人注意?！斑壿嬂碚摷摇笔俏髅珊图~維爾研究出來(lái)的一個(gè)推理程序，他們聲稱(chēng)這個(gè)程序可以進(jìn)行非數(shù)值的思考。然后在這次研討會(huì)之后不久，他們的程序就能證明羅素和懷特海德的《數(shù)學(xué)原理》第二章的大部分定理。但是歷史往往對(duì)新鮮事物總是反應(yīng)遲緩，他們將一篇與邏輯理論家合著的論文提交到《符號(hào)邏輯雜志》的時(shí)候，編輯們拒絕了他們。

我們現(xiàn)在來(lái)看看這個(gè)研討會(huì)的成果，或者說(shuō)叫意義。遺憾的是，由于歷史的局限，這個(gè)世界上最聰明的頭腦一個(gè)月的火花碰撞，并沒(méi)有產(chǎn)生任何新的突破，他們對(duì)自然語(yǔ)言處理的理解，合在一起甚至不如今天一位世界上一流大學(xué)的博士畢業(yè)生。但是這次研討會(huì)卻讓人工智能領(lǐng)域主要的人物基本上全部登場(chǎng)。在隨后的20年，人工智能領(lǐng)域就被這些人以及他們?cè)贛IT、CMU、斯坦福和IBM的學(xué)生和同事們支配了。

我們看看這10個(gè)人，除了香農(nóng)，當(dāng)時(shí)其實(shí)大多數(shù)都沒(méi)什么名氣，但是不久之后便一個(gè)個(gè)開(kāi)始嶄露頭角，其中包括四位圖靈獎(jiǎng)的獲得者（麥卡錫，明斯基，西蒙和紐維爾），這四位也是我上文主要介紹的四個(gè)人。當(dāng)然，香農(nóng)也不用得圖靈獎(jiǎng)，作為信息論的發(fā)明人，他在科學(xué)史上的地位也圖靈也差不多了。

（香農(nóng)）

三、短暫的繁榮與困境

從這次會(huì)議之后，人工智能迎來(lái)了它的一個(gè)春天，因?yàn)殍b于計(jì)算機(jī)一直被認(rèn)為是只能進(jìn)行數(shù)值計(jì)算的機(jī)器，所以，它稍微做一點(diǎn)看起來(lái)有智能的事情，人們都驚訝不已。

因?yàn)殍b于當(dāng)時(shí)簡(jiǎn)單的計(jì)算機(jī)與編程工具，研究者們主要著眼于一些比較特定的問(wèn)題。例如Herbert Gelernter建造了一個(gè)幾何定理證明器，可以證明一些學(xué)生會(huì)感到棘手的幾何定理；阿瑟·薩繆爾編寫(xiě)了西洋跳棋程序，水平能達(dá)到業(yè)余高手；James Slagle的SAINT程序能求解大學(xué)一年級(jí)的閉合式微積分問(wèn)題；還有就是結(jié)合了多項(xiàng)技術(shù)的積木世界問(wèn)題，它可以使用一只每次能拿起一塊積木的機(jī)器手按照某種方式調(diào)整這些木塊。

（馬文·明斯基與他的積木機(jī)器人）

雖然這些早期的人工智能項(xiàng)目看起來(lái)?yè)碛兄薮蟮臒崆楹推谕?，但是由于方法的局限性，人工智能領(lǐng)域的研究者越來(lái)越意識(shí)到他們所遇到的瓶頸和困難，再加上沒(méi)有真正令人振奮人心的項(xiàng)目出來(lái)而導(dǎo)致資助的停止，人工智能陷入了一個(gè)低潮。

產(chǎn)生這些現(xiàn)實(shí)困難的原因主要有三點(diǎn)。

第一點(diǎn)是大部分早期程序?qū)σ瓿傻娜蝿?wù)的主題一無(wú)所知。就拿機(jī)器翻譯來(lái)說(shuō)，給程序一個(gè)句子，會(huì)用的方法只是進(jìn)行句法分割然后對(duì)分割后的成分進(jìn)行詞典翻譯，那這樣就很容易產(chǎn)生歧義。例如I went to the bank，bank既有銀行也有河岸的意思，如果只是單純的分割加單詞翻譯，這句話根本沒(méi)法解釋。

第二點(diǎn)是問(wèn)題的難解性。上面我已經(jīng)提到，早期的人工智能程序主要解決特定的問(wèn)題，因?yàn)樘囟ǖ膯?wèn)題對(duì)象少，復(fù)雜度低啊，但是一旦問(wèn)題的維度上來(lái)了，程序立馬就捉襟見(jiàn)肘了。

第三點(diǎn)就是程序本身的結(jié)構(gòu)就有問(wèn)題。例如明斯基在1969年證明了兩輸入的感知機(jī)連何時(shí)輸入是相同的都判斷不了。

（感知機(jī)模型）

綜上，由于種種困難，再加上資助的減少，人工智能步入了寒冬。這便是人工智能歷史的上半段。

四、人工智能的重生

上個(gè)世紀(jì)80年代中期，當(dāng)初于1969年由Bryson和Ho建立的反傳學(xué)習(xí)算法被重新發(fā)明，然后統(tǒng)計(jì)學(xué)在人工智能領(lǐng)域的使用以及良好的效果也讓科學(xué)界為之一振。于是在新的結(jié)構(gòu)和新的方法下，人工智能又重獲新生。

首先興起的是語(yǔ)音識(shí)別領(lǐng)域，在這個(gè)方面的成就一個(gè)重要的原因是隱馬爾可夫模型的方法開(kāi)始主導(dǎo)這個(gè)領(lǐng)域。隱馬爾可夫模型包含“隱含”和“馬爾可夫鏈”兩個(gè)概念，馬爾可夫鏈?zhǔn)蔷哂羞@樣一種特性的鏈條，就是現(xiàn)在的狀態(tài)只和前一個(gè)狀態(tài)有關(guān)，而和再往前的狀態(tài)沒(méi)有關(guān)系。所以我們遇到這樣一個(gè)鏈條的時(shí)候，我們可以隨機(jī)選擇一個(gè)狀態(tài)作為初始狀態(tài)，然后按照上述規(guī)則隨機(jī)選擇后續(xù)狀態(tài)?！半[含”的意思則是在這個(gè)馬爾可夫鏈上再加一個(gè)限制就是，任意時(shí)刻的狀態(tài)我們是不可知的，但是這個(gè)狀態(tài)會(huì)輸出一個(gè)結(jié)果，這個(gè)結(jié)果只和這個(gè)狀態(tài)相關(guān)，所以這個(gè)也稱(chēng)為獨(dú)立輸出假設(shè)。

通過(guò)這么一解釋我們就能看出，隱馬爾可夫模型是基于嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)，這允許語(yǔ)音研究者以其他領(lǐng)域中發(fā)展數(shù)十年的數(shù)學(xué)成果為依據(jù)。其次這個(gè)模型的這種隨機(jī)性可以通過(guò)大量的真實(shí)語(yǔ)音進(jìn)行訓(xùn)練，這就保證了性能的魯棒性。

（隱馬爾可夫模型簡(jiǎn)圖）

在馬爾可夫鏈的基礎(chǔ)上還誕生了一個(gè)以對(duì)不確定性知識(shí)進(jìn)行有效表示和嚴(yán)格推理的形式化方法——貝葉斯網(wǎng)絡(luò)。貝葉斯網(wǎng)絡(luò)是一個(gè)加權(quán)的有向圖，是馬爾可夫鏈的拓展。馬爾可夫鏈保證了網(wǎng)絡(luò)中的每一個(gè)狀態(tài)只跟與其直接相連的狀態(tài)有關(guān)，而跟與它間接相連的狀態(tài)沒(méi)有關(guān)系，那么這就是貝葉斯網(wǎng)絡(luò)。在這個(gè)網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)的概率，都可以用貝葉斯公式來(lái)計(jì)算，貝葉斯網(wǎng)絡(luò)因此得名。

貝葉斯網(wǎng)絡(luò)極大地克服了20世紀(jì)60年代和70年代概率推理系統(tǒng)的很多問(wèn)題，它目前主導(dǎo)著不確定推理和專(zhuān)家系統(tǒng)中的人工智能研究。而且這種方法允許根據(jù)經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)，并且結(jié)合了經(jīng)典人工智能和神經(jīng)網(wǎng)絡(luò)最好的部分。所以極大的推動(dòng)的人工智能領(lǐng)域走向現(xiàn)在我們正處的這個(gè)巔峰時(shí)代。

（一個(gè)簡(jiǎn)單的貝葉斯網(wǎng)絡(luò)。雨水影響灑水器是否有動(dòng)作，且雨水及灑水器二者均可影響草是否濕潤(rùn)）

除了這種算法上的革新，還有兩個(gè)重要推動(dòng)因素就是互諒網(wǎng)的興起以及極大數(shù)據(jù)集的可用性。就像我們用Siri的時(shí)候必須聯(lián)網(wǎng)一樣，人工智能系統(tǒng)基于Web的應(yīng)用變得越來(lái)越普遍；我之前在文章《2015年，機(jī)器人界發(fā)生了哪些神奇瘋狂的故事？（下）》中介紹的HitchBOT，它可以拍照、自動(dòng)識(shí)別路人的語(yǔ)言，并將回答顯示在屏幕上，這個(gè)能力也是通過(guò)在網(wǎng)絡(luò)上搜索相應(yīng)的答案而實(shí)現(xiàn)的。

由于我們現(xiàn)在采用的方法已經(jīng)基本上變?yōu)槭腔诟怕实姆椒?，所以我們便需要有大量的?shù)據(jù)集對(duì)我們的系統(tǒng)進(jìn)行訓(xùn)練，以完成監(jiān)督學(xué)習(xí)。而現(xiàn)在的互聯(lián)網(wǎng)環(huán)境讓這種極大數(shù)據(jù)集的獲得變得越來(lái)越方便和容易。就如我們所熟知的ImageNet，ImageNet是一個(gè)帶有標(biāo)記信息的圖片庫(kù)，里面的圖片均已經(jīng)由人對(duì)圖片內(nèi)容進(jìn)行了標(biāo)記。它就好比是一個(gè)用于測(cè)試計(jì)算機(jī)視覺(jué)系統(tǒng)識(shí)別能力的“題庫(kù)”，包含超過(guò)百萬(wàn)道“題目”。題目由圖像和對(duì)應(yīng)的單詞（80%為名詞）組成，考察的方式是計(jì)算機(jī)視覺(jué)系統(tǒng)能否識(shí)別圖像中的物體并返回正確的單詞。ImageNet使用訓(xùn)練題對(duì)計(jì)算機(jī)視覺(jué)系統(tǒng)進(jìn)行“培訓(xùn)”，然后用測(cè)試題測(cè)試其識(shí)別能力。

（ImageNet數(shù)據(jù)集）

又如AlphaGo，在DeepMind的主頁(yè)里，AlphaGo是這樣被介紹的：它是一種計(jì)算機(jī)玩圍棋的新方法，這種方法運(yùn)用了基于深度神經(jīng)網(wǎng)絡(luò)的蒙特卡洛搜索樹(shù)，而這個(gè)深度神經(jīng)網(wǎng)絡(luò)一方面是通過(guò)運(yùn)用人類(lèi)專(zhuān)家級(jí)圍棋棋局進(jìn)行監(jiān)督學(xué)習(xí)來(lái)訓(xùn)練，另一方面還通過(guò)程序通過(guò)電腦自己與自己博弈的增強(qiáng)學(xué)習(xí)來(lái)進(jìn)行訓(xùn)練，可見(jiàn)AlphaGo的成果也離不開(kāi)通過(guò)學(xué)習(xí)人類(lèi)專(zhuān)家級(jí)棋譜進(jìn)行監(jiān)督學(xué)習(xí)的這個(gè)大量數(shù)據(jù)集的使用。

（DeepMind的主頁(yè)里AlphaGo的頁(yè)面）

今天這篇文章，我們從人工智能的萌芽一直到今天AlphaGo打敗擊敗歐洲冠軍樊麾職業(yè)二段這個(gè)里程碑式的事件截止，介紹了人工智能能走到今天這個(gè)成就的一路的艱難險(xiǎn)阻與大風(fēng)大浪。我相信，隨著計(jì)算機(jī)運(yùn)算能力以及更加優(yōu)化的算法，以及大數(shù)據(jù)集和數(shù)據(jù)挖掘等技術(shù)的幫助，人工智能的路一定會(huì)繼續(xù)高歌猛進(jìn)。