解释谷歌DeepMind挑战赛，为什么选择围棋
谷歌DeepMind挑战赛，DeepMind创始人兼CEO德米斯•哈萨比斯（Demis Hassabis )博士
关于围棋的历史数据
为什么是围棋？
因为围棋是人类有史以来发明出来的最复杂的游戏，对于人工智能来说，这是一次最尖端的大挑战 需要直觉和计算，要想熟练玩围棋需要将模式识别和运筹帷幄结合在一起。
为什么围棋对于计算机来说很难？
围棋的复杂性让搜索变得不太好使 两个主要问题：搜索范围太大，不可能编写出评估功能来判断哪一方能够获胜。
直觉与计算
围棋与直觉的关系比它与计算的关系更大一些 因此在很多情况下，顶级选手必须更多地使用他们的直觉，不可能制定出一套规则来告诉计算机哪一方能够获胜。
培训深层神经网络
两个网络：策略与价值网络
策略网络：(每一步的概率分析）
价值网络：真正的数字：0白棋-1黑棋
价值网络：真正的数字：0白棋-1黑棋
将神经网络与树形搜索、测试结合
搜索树简化
评估AlphaGo与计算机的对抗
- 与计算机对手 对战结果494/495
- 让4子时胜率大于75%
- 使用分布式计算机时表现更强
评估AlphaGo与人的对抗
樊麾（Fan Hui):
- 2013年至2016年欧洲围棋冠军
- 2015年10月，AlphaGo与樊麾对战，AlphaGo 以5比0赢得比赛。
- 这也是计算机程序首次击败专业围棋选手，比 人工智能专家预测的时间早了 10年。
谷歌DeepMind团队在 2016年1月《Nature》上发表论文称，他们研发的人工智能算法击败了欧洲围棋冠军Fan Hui ,同时也击败了目前最好的围棋 中99.8%的对手。
谷歌DeepMind挑战赛，100万美金挑战赛（5局3胜制）首尔，3月9日至15日
去年十月以来的进步
拥有更多知识容量的更大网络，更高的质量和更多自我对弈培训数据，分布式计算延迟优化 超参数调整。
计算能力
我们将使用与范辉比赛时相同的计算能力，随着计算能力不断提高，因此带来的收益呈递减态势, 很难实现MCTS并行，分布式版本与单机版本对战时的胜率只有70%左右。
游戏是最佳测试平台
DeepMind 任务：解决智能问题，利用智能让世界变得更美好
通用学习机
- 学习：从原始输入而非预先编程的数据中自动学习
- 通用：同样的系统可以应用于各种不同的任务
- 人工通用智能（AGI):灵活、可适应、具有创造性
- 狭义人工智能：手工的、适用于特定案例、脆弱的
深蓝（Deep Blue )对阵加里•卡斯帕罗夫（Garry Kasparov )
深蓝 VS AlphaGo
深蓝：
- 人工输入的象棋知识
- 全局搜索
- 每秒2亿次局面
AlphaGo：
- 从专家对弈和自我对弈中学到的知识
- 由策略和价值网络引导的
- 高度选择性搜索
- 每秒10万次局面
