{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":10,"pdf_page":26,"physical_index":26,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"128074394bfd098c6ecd58620c423656ebe7aa8a58529730180b0bfef839d651"},"chapter":"第1章","content":"美国大笔投资在机器学习应用上，占美国整个AI投资的21%。这一领域是仅次于芯片的吸金领域(芯片投资的占比为31%）。机器学习热潮是由三个基本因素的融合推动的：（1）深度学习算法的持续突破；（2）大数据的快速增长；（3）机器学习的计算加速，如GPU芯片这样的机器学习硬件，将训练时间从几个月缩短到几天、几个小时。这些硬件芯片正在迅速发展，谷歌、英伟达、英特尔等公司都宣布推出下一代GPU芯片硬件，这将进一步加快训练速度10\\~100倍。\n\n1.2.6游戏\n\n游戏是一个相对简单和可控的实验环境，因此经常用于AI研究。在游戏领域，AI已超过人类。\n\n1. 国际象棋\n\n20世纪50年代，一些计算机科学家预测，到1967年，计算机将击败人类象棋冠军。但直到1997年，IBM的“深蓝”系统才击败当时的国际象棋冠军GaryKasparov。如今，在智能手机上运行的国际象棋程序可以表现出大师级的水平。\n\n2. 围棋\n\n2016年3月，谷歌DeepMind团队开发的AlphaGo系统击败了围棋冠军。DeepMind后来发布了AlphaGoMaster，并在2017年3月击败了排名第一的柯洁。2017年10月，DeepMind发表在Nature上的论文详细介绍了AlphaGo的另一个新版本——AlphaGoZero，它以100:0击败了最初的AlphaGo系统。\n\nAlphaGo成功的背后是结合了深度学习、强化学习（ReinforcementLearning)与搜索树算法(TreeSearch)三大技术。简单来说，当时的AlphaGo有两个核心：策略网络(PolicyNetwork)和评价网络（ValueNetwork），这两个核心都是由卷积神经网络所构成的。具体而言，首先在“策略网络”中输入大量棋谱，机器会进行监督式学习，然后使用部分样本训练出一个基础版的策略网络，并使用完整样本训练出“进阶版”的策略网络，让这两个网络对弈，机器通过不断新增的环境数据调整策略，也就是所谓的强化学习。而“策略网络”的作用是选择落子的位置，再由“评价网络”来判断盘面，分析每个步数的权重，预测游戏的输赢结果。当这两个网络把落子的可能性缩小到一个范围内时，机器计算需要庞大运算资源的负担减少了，再利用蒙特卡洛搜索树于有限的组合中算出最佳解。而AlphaGoZero与AlphaGo不同，它没有被输入任何棋谱，而是从一个不知道围棋游戏规则的神经网络开始，仅通过全新的强化学习算法，让程序自我对弈，自己成为自己的老师，在这个过程中，神经网络不断被更新和调整。\n\n人工智能与大数据技术导论\n\n10","previous_page":9,"next_page":11}