人工智能是计算机科学的前沿。科学已经足够先进，以至于AI在我们自己的游戏（或者应该说游戏）中击败我们。有人可能会担心随着AI的每次发展，天网的兴起，但我们会更加乐观。
AlphaGo是在人类中击败人类的最新AI。棋盘游戏，但这源于悠久的血统书。尽管这五台机器最初是专门为程序而设计的，但有些机器发现了第二生命，超出了他们最初的呼唤。
在本文中，我们将每次经历一个聪明的人迷失在计算机上并进行检查时是什么赋予了每台计算机决定性的优势。
1。 Deep Blue，国际象棋大师
IBM的Deep Blue和Garry Kasparov是人与机器之间的首场备受瞩目的战役之一。当然，Kasparov输了，但是他们的历史有些复杂。
在1989年Kasparov首次击败Deep Blue的弟弟Deep Thought之后，IBM于1996年推出了新的改进的Deep Blue。卡斯帕罗夫（Kasparov）输掉了首场比赛，获得并列第二名，但随后连续三场比赛获胜。
直到1997年第二轮复赛，深蓝击败卡斯帕罗夫（Kasparov），赢得了六场比赛。
Kasparov说他在Deep Blue的游戏中看到了情报，并指责IBM介入。实际上，“情报"是导致Deep Blue采取行动的错误。字符。基本上，人工智能是相当原始的，通过可能的动作和结果来强行逼迫它……
...如果找不到最佳选择，它会随机选择。
在深蓝行动中，深蓝模拟了所有可能的移动以及卡斯帕罗夫的回应。它能够对多达二十个动作建模，每秒评估数百万个可能的位置。这种建模需要能够强大并行处理的硬件。
并行处理将任务分解为较小的计算任务，并同时完成了这些任务。然后将结果数据重新编译在一起以得到结果。
在两次匹配之间，深蓝获得了重大的硬件升级。获奖的硬件是在IBM Power PC平台上运行的30节点系统。每个节点都有专用于Chess指令的辅助处理器。
全部结合在一起，深蓝具有256个并行工作的处理器。
此硬件的后代可以工作在数据中心，但是Deep Blue的真正遗产是危险的冠军Watson。最终，IBM将Deep Blue投入到财务建模，数据挖掘和药物发现等所有需要大规模仿真的领域。
2。北极星，扑克冠军
艾伯塔大学创建了北极星，这是第一款在锦标赛中击败扑克专业人士的人工智能。研究人员选择了Texas Hold'Em变种作为其AI，因为它对运气的依赖最少。
Polaris两次与扑克玩家对峙。第一次是在2007年，对阵两名球员。这些手是预牌的-北极星面对一个玩家时有一组牌，而面对另一个玩家时则相反（以控制运气）。
Polaris随后在2008年进行了重新装备对六名选手的比赛。这也是预交易游戏。北极星在第一局中平局，输了第二局，但最终赢得了比赛，落后并赢得了两连胜。
与国际象棋不同，扑克不能被强行淘汰进行建模是因为AI对游戏的了解有限-它不知道对手的手。
卡片交易几乎是无限独特的，这使得建模的效率更低。同一张牌可能是好牌，也可能一文不值，仅取决于所发的其他牌。虚张声势给AI带来了另一个问题，因为单独下注并不能很好地表明手的力量。这些程序中的每一个都有其自己的策略，还有另一种代理程序会选择其中哪一种最适合任何给定的手牌。
The strategies used to break down the game of poker are varied and require game theory. The basic idea is to figure out what each players’ best strategy would be based on all available data, and Polaris accomplished this via a technique called bucketing.
使用装箱法根据强度对卡牌手进行分类。它使Polaris可以减少跟踪游戏所需的数据点数量。然后，它利用了所有其他可能的存储桶的可能性，从可见卡中派生了这些存储桶。
Polaris具有独特的硬件设置：由8台计算机组成的集群，每台计算机具有4个CPU和8 GB RAM 。这些机器运行为每个代理商创建存储桶和策略所需的模拟。
从那时起，Polaris演变为另一个名为Cepheus的程序，其功能如此先进，以至于研究人员现在宣布Texas Hold'Em可以
当算法可以从任何位置确定游戏的结果时，游戏即被“解决"。当算法无法解决不完美的比赛时，游戏将被``弱解''。您可以在这里尝试对抗Cepheus。
3。危险的天才沃森（Watson）一直以来都是低调游戏，这是为什么沃森（Watson）的胜利对主流人如此里程碑的原因：沃森（Watson）将AI之战带入了美国的客厅
Jeopardy是一个备受挑战的琐事而闻名的游戏节目，它有一个独特的怪癖：线索是答案，参赛者必须提出问题。对屈臣氏（Watson）的真实考验，他接受了著名的Jeopardy冠军布拉德·拉特（Brad Rutter）和肯·詹宁斯（Ken Jennings）的比赛。第三方从较早的情节中随机选择了各种各样的问题，以确保问题不会被用来帮助或利用Watson。
Watson赢得了三连胜-一项练习和两项电视转播-但有些奇怪的做法沃森的一些答案。例如，詹宁斯回答错误的问题后，沃森就以相同的错误答案做出了回应。
但是，沃森的独特之处在于其使用自然语言的能力。深入的质量检查，代表“问题解答"。关键成就是Watson可以根据上下文搜索答案，而不仅仅是关键字相关性。
该软件是分布式系统的组合。 Hadoop和Apache UIMA协同工作以对数据建立索引，并允许Watson的各个节点一起工作。
Watson与Deep Blue一样，是建立在IBM Power PC平台上的。 Watson是具有16 TB RAM的90核集群。对于Jeopardy游戏，所有相关数据均已加载并存储到RAM中。
哪些相关数据？好吧，沃森可以访问Wikipedia的全文。它具有一系列词典，同义词词典，百科全书和其他参考资料。沃森在比赛期间无法访问互联网，但所有本地数据约为4 TB。
最近，沃森已被用于分析和建议癌症患者的治疗选择。沃森（Watson）的最新业务是帮助创建面向孩子的个性化学习应用。甚至尝试过培训Watson如何烹饪！
4。 Deepmind，自学成才
Google的Deepmind最终可能会给书呆子带来一些麻烦，因为它在经典的Atari游戏中击败了人类-至少在某些游戏中如此。人类在小行星和Gravitar等游戏中仍保持优势。
Deepmind是一种神经网络AI。神经网络是模仿人类大脑工作方式而创建的AI。
Deepmind能够分析显示的每个像素，确定在获胜条件下采取的最佳操作，然后通过控制器输入做出响应。
AI使用Q-Learning的一种变种“深度学习"来学习游戏。这是一种学习方法，其中AI保留在特定情况下做出的最佳决策，然后在遇到特定情况时重复执行
Deepmind的变体是独特的，因为它增加了外部存储源。
这种保留信息的系统使Deepmind可以掌握某些模式Atari游戏，甚至驱使它自己找到突破的最佳策略。
Deepmind为什么在某些游戏中表现不佳？由于它判断情况的方式。事实证明，Deepmind一次只能分析四个帧，这限制了它导航迷宫或快速反应的能力。
此外，Deepmind还必须从头开始学习每个游戏并且不能应用技能从一个游戏到另一个游戏。
5。 Alpha Go，难以置信的
AlphaGo是另一个DeepMind项目，它之所以引人注目是因为它通过分别以5-0和4-1赢得比赛而击败了两个职业围棋冠军范慧和李·塞多尔。
根据球员和比赛评论员的说法，他们都说AI的比赛很保守，这并不奇怪，因为它被编程为支持安全动作，以确保战胜风险动作，以确保获得更多分。
p>
Go曾经被认为对AI遥不可及，但是Alpha Go现在是第一款在游戏中进行专业排名的AI。
游戏的设置简单：两名玩家尝试用白色和黑色的石头征服木板。棋盘是由361个交叉点组成的19 x 19网格，石头的放置确定了每个玩家的领土。最终目标是拥有更多领土。
至少可以这么说，潜在的举动和比赛状态数量庞大。是的，如果您想知道的话，比国际象棋要强大得多。
Alpha Go使用了前面提到的深度学习AI系统，这意味着Alpha Go会保留所玩游戏的记忆并将其研究为经验。然后搜索它们，选择具有最大潜在潜在结果的选择。
Alpha Go需要大量的计算机功能来运行其计算繁重的算法。进行比赛的版本运行在一组分布式服务器上，服务器上共有1,920个CPU和280个GPU，这是巨大的功能，可以在播放过程中同时支持64个搜索线程。
就像沃森一样，DeepMind即将前往医学院。 Deepmind宣布与英国NHS进行合作，以分析健康记录。 Streams项目将帮助确定有肾脏损害风险的患者。
人工智能正变得越来越严重
目前，有关AI的研究很多。
Google希望AI可以帮助他们进行搜索业务。一个名为Rankbrain的项目正在寻求使用AI来增强Page Rank的有效性。微软和Facebook都发布了聊天机器人。特斯拉凭借其自动驾驶模式领先于前沿，而Google的自动驾驶汽车紧随其后。
可能很难看出这些项目与AI培训的成功之间的联系游戏，但是这些AI都以某种方式影响了机器学习。
随着领域的发展，它使AI可以处理更复杂的数据集。 Go中几乎无限数量的移动可以转化为开放道路上几乎无限数量的变量。因此，真的，这些游戏只是开始-可能是一个练习阶段。
真正有趣的东西指日可待，很可能我们将能够首先体验到所有这些
什么让您对AI感到兴奋？您是否认为有一款游戏无法最终战胜AI？在评论中让我们知道。
标签:
