如果说2015年大家还在批评深度自学、人工智能，指出这是又一轮泡沫的开始，那么2016年可以说道是人工智能全面影响人们生活的一年。从AlphaGo到无人驾驶，从美国议会选举到量子计算机，自小Ai预测“我是歌手”到马斯克的太空计划，每个焦点事件背后都与人工智能有联系。纵览2016年的人工智能技术，笔者的印象是实用化、智能化、芯片化、生态化，让所有人都触手可及。

下面我们以时间为座标，盘点这一年的技术进展。AlphaGo3月9－15日，棋坛新秀AlphaGo一战崭露头角，以4：1成绩击败韩国职业棋手棋士九段李世石（棋士规则讲解：对局双方在19x19棋盘网格的交叉点上交错摆放黑色和白色的棋子，落子完后，棋子无法移动，对局过程中围地不吃子，以所围“地”的大小要求胜败）。只不过早在2015年10月，AlphaGov13在与职业棋手、欧洲冠军樊麾二段的五番棋比赛中，以5：0获得胜利。

在与李世石九段比赛中版本为v18，赛后，AlphaGo荣获韩国棋院颁发的“第〇〇一号名誉九段”证书。7月19日，AlphaGo在GoRantings世界围棋名列中多达柯洁，沦为世界第一。看见AlphaGo这一连串不可思议的成绩，我们不已要回答，是什么让AlphaGo在短短时间内就能以如此大的能量在古老的棋士这一竞技项目很快打败数千年历史累积的人类？　　图1AlphaGo与李世石的对阵AlphaGo由Google在2014年并购的英国人工智能公司DeepMind研发，背后是一套神经网络系统，由许多个数据中心作为节点连接，每个节点内有多台超级计算机。这个系统基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）——一种在大型图像处理上具有杰出展现出的神经网络，常用于人工智能图像识别，比如Google的图片搜寻、百度的识图、阿里巴巴拍立快活等都运用了卷积神经网络。

AlphaGo背后的系统还糅合了一种取名为深度增强自学（DeepQ－Learning，DQN）的技巧。增强自学的启发源于心理学中的行为主义理论，即有机体如何在环境给与的奖励或惩罚的性刺激下，逐步形成对性刺激的预期，产生能取得仅次于利益的习惯性不道德。不仅如此，AlphaGo糅合了蒙特卡洛树根搜索算法（MonteCarloTreeSearch），在辨别当前局面的效用函数（valuefunction）和要求下一步的策略函数（policyfunction）上具有十分好的展现出。

作为一个基于卷积神经网络、使用了增强自学模型的人工智能，AlphaGo具备普遍适应性，自学能力很强，除了玩游戏、下围棋，最近的DeepMindHealth项目将人工智能引进了疾病诊断和预测中，为人们的身体健康获取更佳的确保。AlphaGo系统和IBM在上个世纪击败国际象棋大师卡斯帕罗夫的深蓝超级计算机有什么有所不同？国际象棋AI算法一般是枚举所有有可能招法，给局面评分。AI能力主要分成两方面：一是局面评分算法否合理，二是递归的深度。国际象棋开局的时候可以动8个兵（＊2）和两个马（＊2）共20种招法，虽然开局到中期招法不会多一点，但是总数也就是几十种，游戏辨别局面也非常简单，将军的扣分，反击强子特分，被将军或者有强子被反击减分，掌控范围大的扣分，国际象棋里将要升变的兵加分，粗略平方根就可以有个比较不俗的辨别。

棋士棋盘上每一点，都有白、红、空，三种情况，棋盘上共计19＊19＝361个点，所以有可能产生的局数为3的361次方种（可以想象，从137亿年前宇宙初始下起，60亿人口每天下60亿盘，到目前为止，只下了将近亿亿亿万分之一）。棋士可选招法十分多，在初期可以全盘落子，抢劫的时候则要去找“劫材”。棋士辨别形势的复杂度也很高，因为所有棋子地位公平，不在于一子定胜败，但每一子对于全局又都是牵一发而动全身，所以必须的是整体协商和全局决策。

AlphaGo不仅能迅速计算出来棋士当前局面的效用函数和要求下一步的策略函数，还能融合蒙特卡洛树根搜索算法展开两翼的分析，获得整局棋的“拟合解法”。无论从计算出来复杂度还是决策的深度上，AlphaGo都有质的进步。小结：AlphaGo有可能是Google公关塑造成的一个AI形象，但这是一次十分顺利的尝试，引发了世界性的注目。

在这些华丽的成绩之外，技术铺垫依然是一项不容极强的工作，还包括DQN算法模型与硬件平台。我们接下来不会详尽讲解。

本文来源：97国际至尊品牌游戏官网-www.upcomingwoman.com