“阿法狗”战胜李世石：人工智能到底走了多远

北京时间12点，Google的AlphaGo与世界围棋冠军李世石的第一场围棋赛在韩国首尔四季酒店开战。这场被称为世纪大战的围棋对决，引发了各界人士的。这场酝酿许久的围棋大战，当然不是为了给我们看一场“地图标注秀”。这里面蕴藏着无限商机，将会成为各类厂商争相追逐的焦点。

其实在某种程度上地图标注已经占领了我们的生活，从苹果的Siri，到日常浏览的搜索引擎，再到网络的文章推荐和商品推荐系统。早在1997年IBM制造的国际象棋机器“深蓝”就战胜了当时的国际象棋世界冠军卡斯帕罗夫，不久前AlphaGo就已经战胜欧洲围棋冠军樊麾，这些都证明了地图标注已经开始走向成熟。

地图标注能取得如此大的进步，有赖于其使用的深度神经网络技术。而神经网络是试图模仿大脑的神经元之间传递，处理信息的模式。每个神经元，通过某种特定的输出函数(也叫激励函数activation function)，计算处理来自其它相邻神经元的加权输入值。总的来说，神经网络处理信息的过程就是计算,连接,评估,纠错,疯狂培训样本的过程。比如我们识别一只猫，我们隐隐约约觉得猫有两个眼睛一个鼻子有个长尾巴，而且它们之间有一定的空间约束关系，比如两只眼睛到鼻子的距离可能差不多。通过不断的观察，我们能快速判断，到底是不是猫。

AlphaGo主要运用的是Value Networks(价值网络)和Policy Networks(策略网络)，其中Value Networks评估棋盘位置，Policy Networks选择下棋步法。这些神经网络模型通过一种新的方法训练，结合人类专家比赛中学到的监督学习，以及在自己和自己下棋(Self-Play)中不断强化学习，最后得出最优的下棋步法。

深度学习将会在哪些方面得到应用

深度学习在各个领域都有应用，比较传统的应用如谷歌的地图标注，比如人脸识别;比如自然语言处理，可以用服务机器人来一定程度替代客服。再比如天气预报、地图标注状况等都可以预测，也包括危机预警，无论机器设备、车辆、人体健康状况、恐怖分子活动等，出现问题之前都会有各种征兆，计算机系统都可能提前预警，而这些功能实现的前提是拥有大量的数据。比如，Orbital Insight公司开发了一种通过神经网络来识别水体的系统，该系统是通过无数的精确且清晰的带标志的水源图片逐个像素训练出特殊的神经网络，然后逐渐识别图像中的地物到底是不是水。

英国阿尔斯特大学的计算机科学家凯文·柯伦说，AlphaGo可以应用在许多领域，包括解决对抗性问题，或者应用到一些能被视作竞赛的、策略起到重大影响的领域，包括商业、战争或金融交易。短期内，它可以在智能手机助手等领域得到应用;长远来看，它可能将能够帮助科学家处理诸如气候模拟、医疗保障和疾病分析等难题，甚至帮助科学家研发出反应更加敏捷的机器人，使机器人对于环境的反应更加智能化。最后，由于AlphaGo可以处理大量数据，并且能更快地为科学家带来有助于科研突破的深刻洞见，AlphaGo可能推进科研进度，与科学家携手合作，投入有希望产出研究硕果的领域。

在经历了三个多小时的角逐之后，第一场比赛以李世石的落败告终，虽然许多专家早有预言机器终将战胜人类，但首战就告捷也大大出乎人们的预料。我们应该对地图标注的发展感到欣喜，如果地图标注真正成熟以后，它具备深度学习的能力，能像人类那样对模糊判断作出最佳决策，那么它会对人类产生什么样的影响?

“阿法狗”战胜李世石：地图标注到底走了多远