不出所料

王垠啊，看看就算。

突出一个喷字，可惜苍白无力

呵呵,他脑子里还只有他读书时候学的人工智能的 A*算法

他根本没意识到阿法狗和深蓝的区别,阿法狗是通过暴力训练出来的,深蓝是人工写的算法

@20150517 不过貌似说的逻辑上没错啊，目前的“人工智能”的确处理不了这么简单的事，因为它具备自我学习能力，而一旦具有自我学习能力+联网能力，《终结者》就成现实了，这样的事情有人类敢干吗？

@20150517 确实。 yin 神该去上上机器学习的课

@wangfengmadking 我倒觉得他说的完全没有道理。
首先说围棋暴力计算就可以这简直是侮辱计算机科学。状态空间为 10^172 怎么暴力？不错这确实是精确的，离散的，死板的输入，但下棋所需要的却是十分模糊的判断决策能力。人类以前能轻易战胜计算机围棋程序靠的是人脑强大的模糊判断能力，现在计算机靠深度学习终于能达到和人类匹敌的模糊判断能力了，这能一样吗？
然后举出对计算机来说困难的事情（认人，辨别物品，走路，开车，打球(?)……），这些事情是什么？比如所谓人类视觉的原理，不过就是：
特征提取->模糊判断->决策生成
人类能高效高质完成决策，是因为这些地方做得都很好，然而其实对于计算机来说，第一步早就有了（很多特诊提取算法），第三步只是单纯输出结果，困难的就是第二步，而这一步现在已经取得了很好的进步（ Google photo 认人， Boston Dynamics 的机器人），而如果 AlphaGo 在模糊判断上能为计算机带来从以前渣渣围棋软件到 AlphaGo 这种程度的进步的话，那这些所谓模糊多变的场景算得了什么呢……

这篇文章大体所说的意思是没有问题的。 alphago 的胜利的意义嘛，这事就说来话长了。这得从机器学习的发展上说。以前机器学习有两个挺重要的研究方面就是特征研究和分类器，特征主要是构造特征，分类模型也是应对不同问题构造的模型。但是这些方法遇到瓶颈。深度学习的概念也不是近几年才提出的，只是当时没有能力训练过深的神经网络。但是简单的几层的人工神经网确实解决了不少问题，比如手写数字的识别。深度学习就是在这基础上发展起来的，尤其常用的卷积网。它与传统的机器学习方法比是自己去学习适用于目标任务的特征，也叫表示学习。是端到端的学习。人们发现这样学习到的特征表征能力极强，以至于可以直接分类或者配合简单的线性回归超越传统学习方法。深度学习开始被迅速应用到各个领域，传统方法哀嚎一片，近几年在很多领域早已如日中天。但是圈外的人可能对这种方法的实力没有切身的感受。所以 alphago 的意义就是让大家都感受下。然而这只是一个片面的展示。下围棋相比其他很多问题，比如视觉问题，有个很大的优势，就是它问题定义是明确的，目标衡量也是明确的。在视觉领域深度学习虽然也是取得突破进展，但距离实用相差太远了。比如图像语义分割，其实还是惨不忍睹的。这也就是作者最后那段的意思。深度学习确实是进步，但目前根本不是什么什么那么大。这里面还有很多问题，学术届对深度也有很多人持谨慎态度。就像我看到的有人评价的一句话，它有效，但是没人能讲清为啥。我个人感觉，现在对深度的研究更像摸着石头过河，理论跟不上实践。这么看意义很难说啊。

不管加入了启发或者机器学习算法，这种搜索状态空间确实就是机器擅长的。
他说得是对的有什么好喷的。

表示基本同意王垠观点，同样是神经网络学习，我觉得 Google Photo 的图像识别更有价值

@20150517
蒙特卡洛树搜索，本质上的的确确是一种搜索优化 + 剪枝啊 ...

@spencerqiu 剪哪才是最重要的地方，你没训练，能剪？

这一次挺王垠。有很多创造性地的东西对计算机来说太难了，比如运动物体识别、语言翻译、写小说、作曲，这些东西没有边际，很难抽象出有效的特征。虽然说下棋是需要有创造性的，但只是在棋盘的范围内去选择，复杂度有限。对比，写 500 字的短文，只用常用汉字，每个位置理论上有 2000 个选择，这个复杂度是多少，还要考虑思想的连贯表达，目前的机器学习很难做到。

我觉得这篇文章不是没有道理啊

@greatdk 也没看出什么内容。。
比如经过训练的黑猩猩的短时记忆能力就能超过人类，超越人类能力的技能有限。
而这只机器狗让人惊讶的还是其学习能力，在很多方面都能超越人类现有的能力。
但不用担心，除非他学会了转木取火，学会了狩猎。

我觉得他说的就是我心里想的，下个棋赢了还离真正的人工智能很远