人工智能还没人类聪明吗 AlphaGo却能击败欧洲围棋冠军，还能防恶意软件

推广员的生活

	人工智能还没人类聪明吗 资料图 　　据解放日报消息，近日，人工智能又一次成为媒体和公众关注的焦点：谷歌旗下一家公司研制出的人工智能程序“阿尔法围棋”（AlphaGo）在比赛中5：0完胜欧洲职业围棋冠军樊麾二段，在这种复杂度最高的棋类游戏上，人工智能显示出有望超越人类顶尖高手的“智力”。今年3月，AlphaGo将挑战世界冠军李世石九段。 　　1997年，IBM开发的计算机程序“更深的蓝”在六局棋比赛中，击败国际象棋棋王卡斯帕罗夫，成为载入史册的人工智能突破。然而，围棋的复杂度远远高于国际象棋，前者最多有10的约170次方种局面，后者的最多局面仅为10的约47次方种。近年来，人工智能有了什么发展，才有底气与职业围棋选手一较高下？它能否击败围棋世界冠军？如果击败，意味着什么？对于这些问题，专家给予了解答。 　　深度学习“消化” 　　2000万局棋 　　复旦大学哲学学院教授、人工智能哲学专家徐英瑾介绍，传统的计算机下棋程序的基本原理，是有限步数的搜索树，即采用数学和逻辑推理方法，把每一种可能的路径都走一遍，从中选出最优解。显然，这种下棋思考方法是人类无法做到的，发挥了计算机速度快、运算量大的优势。不过，这种“暴力算法”并不适用于围棋。据计算，围棋每回合有250种可能，一盘棋可长达150回合，所以围棋最多有10的170次方种局面。即便对计算机而言，这个运算量也是相当大的。 　　除了复杂度高，围棋还有一大特点——黑白两方棋的每个棋子是一样的，没有大小之分、角色之别。这给计算机程序的运算推理带来了很大难度，因为从哲学上看，围棋具有“语境敏感性”，不太适合逻辑推理；　而棋子各不相同的中国象棋、国际象棋具有“超语境性”，每个棋子角色明确，不因棋局的变化而改变，非常适合逻辑推理，这正是计算机的强项。 　　近年来，不同于搜索树的深度学习技术逐渐成熟，给围棋程序的研发带来了突破。深度学习源于人工神经网络，其模仿对象是人脑。研究表明，人脑由约10的11次方个神经元构成，神经元细胞的外表有很多突起。其中，比较短的放射性突起叫“树突”，外形似树枝分叉，具有接受刺激并将冲动传入细胞体的功能。而要把信息向其他神经元输送，就得依靠“轴突”。人工神经网络从信息处理角度对人脑神经元网络进行了抽象和模拟，建立运算模型。这种网络由大量模拟神经元的节点相互连接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接，都代表一个对于通过该连接信号的权重值，形成人工神经网络的记忆。网络的输出则根据连接方式、权重值和激励函数的不同而不同。 　　“深度学习系统是人工神经网络的升级版。”徐英瑾解释说，这种系统由输入层、中间层和输出层构成，其中，中间层由多层人工神经网络构成，可多达七八十层，故名为“深度学习”。每增加一层，就意味着增加了一个人工智能分析维度。当人把某种大数据样本输入系统后，这种系统即可进行学习，掌握样本中蕴含的规律。为了让Al-phaGo具有一流的围棋水平，谷歌科研人员输入了2000万局棋谱。假如一个人要学习2000万局棋，每局棋耗时15分钟，他需要一刻不停地下570年！ 　　战胜围棋世界冠军 　　是迟早的事 　　Facebook　专家也在研发围棋程序，但谷歌走在了他们前面。看了谷歌专家近日以封面形式发表在《自然》上的论文后，Facebook人工智能组研究员田渊栋博士表示，从算法上说，这篇文章并没有太多新意，主要是通过大量训练数据，包括以往的棋谱和自我对局，把性能“堆”出来。谷歌团队训练了一个走子的神经网络，又训练了一个可以评估局面的网络，然后在“蒙特卡罗树搜索”中同时使用这两个网络。香港科技大学计算机科学硕士陈经介绍，采用“蒙特卡罗树搜索”这种算法，是围棋程序在采用深度学习系统之前的一次突破。2010年左右，开发者们引入“蒙特卡罗树搜索”，其特点是模拟棋局一直到下完算子、判断胜负，模拟多次后，看哪个选点的获胜概率最高。模拟时，会利用“棋形”等经验减少选点，一直模拟下去直至终局。时间不够或电脑计算能力不足，模拟的局面数就少，棋力就低。由此可见，这是一种基于概率的“暴力搜索”算法。 　　如今，AlphaGo将“暴力搜索”与“大数据+深度学习”结合在一起，取得了突破。经过2000万局“自我对局”训练，它拥有了击败职业棋手的能力。“这个训练规模，我实在没有想到过，谷歌在这方面是很有优势的。”田渊栋坦言，他们的“默认策略”也是经过处理的，能够仅耗时2微秒就走一步，而且准确率也不错。总之，谷歌的做法充分利用了“大数据+深度学习”的优势，而且几乎完全未用到围棋的专业知识。“若是以后棋力能再往上走，我也不会惊讶。” 　　不断学习、不断进步的Al-phaGo，今年能否战胜李世石？华东师范大学计算机系贺樑教授认为，有这个可能，即使今年没有战胜，计算机程序击败围棋世界冠军也是迟早的事。这是因为，计算机的运算速度比人脑快得多，能凭借“大数据+深度学习”在短期内分析完一个人一生也无法穷尽的棋谱，棋力提升的速度和幅度会很惊人。 　　打造“通用人工智能” 　　需新算法 　　在不少人看来，如果　Al-phaGo击败围棋世界冠军，意味着人类将丧失在棋类游戏中最后的尊严。对此，徐英瑾认为大可不必妄自菲薄。从训练棋局数量与围棋水平的“投入/产出比”来看，人工智能还是没有人类围棋高手聪明。要知道，Al-phaGo可是训练了2000万局棋后，才能战胜职业围棋二段选手。而一个人在成长为职业九段高手前，训练的棋局数量远小于2000万。从这个意义上说，人工智能程序的聪明程度远不如大多数人，尽管拥有了深度学习能力，但它战胜人类的主要原因仍和以前一样：运算速度快、不受生物属性限制。 　　因此，我们不必沮丧，而是要为人工智能技术的进步感到欣喜。谷歌团队表示，他们打算利用研发AlphaGo过程中的技术来解决一些当今社会的重要问题，如医学诊断、全球变暖。自然语言理解，也是人工智能研发的一个重点领域。目前，代表这一领域国际先进水平的苹果手机Siri，在与用户对话时，仍显得较为幼稚，有时答非所问。谷歌、Facebook、微软、百度等许多知名互联网企业都在投入重金，开展研发，以期在人机问答领域取得突破。 　　徐英瑾表示，AlphaGo击败围棋高手，也许还称不上人工智能领域的重大突破。人工智能唯有能模仿“整全的人”，具备人类思维的大多数功能，才是真正震撼人心的事件。他分析说，计算机程序的许多单项能力早已超越人类，即使是一个小小的计算器，其算数能力也非人类可比。计算机程序如今成为围棋高手，不过是增加了一种单项能力。与之相比，实现“通用人工智能”的难度高得多，要求一个人工智能系统，可以像人一样做很多事情：做算术、写文章、画画、下棋……这种系统能处理生活中纷繁复杂的情况，如果科学家能开发出一套优质的家政服务系统，能让机器人独立做各种家务，那么它就基本可算作通用人工智能。 　　贺樑和徐英瑾都认为，“大数据+深度学习”技术并不能打造出通用人工智能系统，科技界需要开发出新的算法和技术，更好地模拟人脑工作方式，才有望把人工智能推向新的高度。 AlphaGo却能击败欧洲围棋冠军，还能防恶意软件 上月底，权威科学杂志Nature发表了一篇关于谷歌人工智能程序AlphaGo击败欧洲围棋冠军的文章，其中介绍了AlphaGo程序的细节，它实际上是一个结合了深度学习与树搜索（tree-search）的程序。虽然，对弈发生于去年十月，但还是在网络及朋友圈引起不小轰动：人类智力最后的骄傲崩塌了吗？ ‍‍在对问题进行肯定或否定的回答前，我们先来了简单了解一下这些概念。‍‍ FreeBuf 百科：什么是人工智能、机器学习和深度学习 图片来源：《从机器学习谈起》 人工智能（Artificial Intelligence，简称AI）： 作为计算机学科的一个分支，按字面理解，人工智能是指有人工制造的系统所表现出来的智能，通常就是指通过普通电脑实现的智能。 目前，人工智能这门学科的目的已经发展为“开发一个模拟人类能在某种环境下做出反应和行为的系统或软件”。由于这个领域涉及非常广泛，因此出现多个子目标，每个子目标都发展为一个独立的研究分支。AI要完成的主要目标如下（也称作AI问题）： 1、Reasoning（推理）；2、Knowledge representation（知识表示）；3、Automated planning and scheduling（自动规划）；4、Machine learning（机器学习）；5、Natural language processing（自然语言处理）；6、Computer vision（计算机视觉）；7、Robotics（机器人学）；8、General intelligence or strong AI（通用智能或强人工智能）；……机器学习（Machine Learning，简称ML）： 机器学习这一领域则是由AI的一个子目标发展而来，用于帮助机器和软件进行自我学习以解决遇到的问题。 机器学习是一种让计算机在没有事先明确的编程的情况下做出正确反应的科学。 至于如何实现机器学习，借用知乎网友的回答概括： 简单点说，机器学习需要数据，也需要模型。有了这两样，把模型放在数据上通过优化算法自动调整模型参数的过程就是训练。 训练出来的就是模型中的参数。深度学习（Deep Learning，简称DL）： 深度学习是机器学习的一个分支，它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一些列算法。可能有些抽象，其实理念非常简单，“就是传统的神经网络发展到了多隐藏层的情况”。 利用“深度学习”防御恶意软件 通过签名或者基于启发式的恶意软件检测方法已渐弱，这就是说大多数杀毒（AV）程序对于变异的恶意软件鲜有作用，特别是抵御APT（高级持续性威胁）攻击时。恶意软件通常由大约1000行代码构成，而变更其中的1%，便可让大部分AV束手无策。 五六年前机器学习开始被用于解决非线性问题，如人脸识别、认识恶意软件，以及通过某种特征对程序进行抓取。而沙盒以及其他基于机器的技术，都没法做到比深度学习更加迅速和准确。 Deep Instinct是一家安全公司，由Guy Caspi和Eli David两名以色列国防网络安全部队“8200”退役老兵创立，他们运用人工智能学习算法检测软件结构及程序特征，发现恶意软件。Deep Instinct能够同时检测并阻止所有资产中“首次出现”的恶意活动。公司的大部分员工都拥有高等数学学位，以色列特拉维夫和美国硅谷都有他们的办公地点。 Deep Instinct公司运用深度学习在实验室构造了一个巨型神经网络，并用一组包含了8000个恶意软件的样本对程序进行训练。这么做目的是为了训练软件，从而检测出恶意软件特征性的程序调用和小的模块组合。Deep Instinct的学习方法将恶意软件样本分解为大量的小“碎片”，恶意软件从而可以进行映射，就像是基因组序列便是由成千上万更小的序列组合构成。这些被“分解”的样本仍是二进制位字符串，用于训练神经网络进行系统地识别。在进行了数百万次计算之后，神经网络运行于一个GPU集群中，最终得出一个能够指向终点的静态神经网络结果。 由于该解决方案不能进行更新，它运行得非常快同时占用的计算机资源很少。因此网络管理员基于当下的威胁生态环境，决定进行有间隔的更新。 Deep Instinct恶意软件识别率远超传统安全公司 Göttingen大学举行的对16000个恶意软件样本进行识别测试中，来自西门子CERT、Bit-Defender、McAfee、Trend（趋势科技）、AVG、卡巴斯基、Sophos以及其他安全公司平均识别率为61%，而Deep Instinct对于恶意软件的识别率则高达98.86%。测试所使用的是德国发开的DERBIN测试，这里有介绍。一些恶意软件样本自主突变，而其功能并没有受到影响。PDF恶意软件的识别率是99.7%，可执行文件的检测率为99.2%。为公平起见，Deep Instinct仅使用所有样本中的8000个进行训练，仍然取得了令人惊讶的结果。 Cylance和FireEye同样使用了机器学习，将一些理论更为先进的检测软件运用其中。但是他们使用沙箱，至少比Deep Instinct使用得多，而且他们也不进行具有低误报率的实时监测。 英国Dark Trace公司，针对网络流量使用威胁指标，采用机器学习彻底改变了其威胁检测方式；Cybereason则开发了一种不同的检测方式，对其他威胁模式进行分析，诸如外部指标、不同的域以及威胁情报等等。 与其他同样采取先进的科学技术手段的这些新兴安全公司相比，Deep Instinct又凭借什么脱颖而出呢？Deep Instinct预期到今年第二季度时，将拥有一个据称“可以取代防火墙”的流量模块，该模块可用于检测恶意软件和APT，而它更像是一个有很大作用的帮手。 安全检测行业：后浪拍前浪 据Guy Caspi介绍，朝鲜黑客针对索尼影业的网络攻击采用的是一种新型恶意软件，攻击者仅对已有的恶意软件稍加修改而成，过程并非十分复杂。当各种机构的边界在无限扩展时，恶意软件检测的难度也逐渐增加，出现的新威胁与移动访问已经蔓延至众多组织机构的网络边缘。 因此，包括三星、高通和Nvidia在内的一些大公司可能会对Deep Instinct进行“投资”。而Deep Instinct的产品采用了相对保守的价格，在同行中保有极大的竞争力。 基于签名的恶意软件检测变得越来越不准确，而且没有可拓展空间。将恶意软件“粉碎”成微小颗粒之后，通过神经网络进行分析，Deep Instinct便能发现发现一个恶意软件的“本来面目”，任何突变都无法掩盖它作为恶意软件需要具备的功能。一旦挑战成功，Deep Instinct的安全产品将改写安全检测市场的游戏规则，不知道这次是谁家的股票要跳水了。 内容首发于:点击访问

都是你谁

	！！我看了三天才看掉3g多的视频，慢慢看！

xkye1007

	挺全的。好好好。好好好

什么都不做

	好，页面设计很满意，而且也很快，非常有效率，第一次买，遇到这么好的卖家，这么高效的服务，真的太幸运了，太谢谢卖家，以后朋友需要会介绍来亲店里的！赞！

精明的小狐仙

	及时做出评价,系统默认好评!

anyou1314

	相当不错，感谢无私分享精神！

dj0633

	处理速度非常快下次一定再代你真心谢谢你

01刹那芳华10

	技术亲58号~耐心讲解，用心制作，对于我们提的要求都可以完成，也少不了小笨蛋亲，077号亲，31号亲等帮忙。合作还在继续中~~感谢各位~~

精明的小狐仙

	么懂就来这里，客服技术好热诚

_我心匪鉴

	度不错总体感觉很好第一次购买本来不放心但是事实证明我的猜想是错的如果有需要希望一直合作下去谢谢店家