卷積神經(jīng)網(wǎng)絡(luò)情感分析

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇卷積神經(jīng)網(wǎng)絡(luò)情感分析范文，相信會(huì)為您的寫作帶來(lái)幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

卷積神經(jīng)網(wǎng)絡(luò)情感分析范文第1篇

關(guān)鍵詞：人工智能 機(jī)器學(xué)習(xí) 機(jī)器人情感獲得 發(fā)展綜述

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-9082 （2017） 04-0234-01

引言

人類自從工業(yè)革命結(jié)束之后，就已然開(kāi)始了對(duì)人工智能的探索，究其本質(zhì)，實(shí)際上就是對(duì)人的思維進(jìn)行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時(shí)期，那時(shí)圖靈就希望未來(lái)的智能系統(tǒng)能夠像人一樣思考。在20世紀(jì)五十年代，人工智能被首次確定為一個(gè)新興的學(xué)科，并吸引了大批的學(xué)者投入到該領(lǐng)域的研究當(dāng)中。經(jīng)過(guò)長(zhǎng)時(shí)間的探索和嘗試，人工智能的許多重要基本理論已經(jīng)形成，如模式識(shí)別、特征表示與推理、機(jī)器學(xué)習(xí)的相關(guān)理論和算法等等。進(jìn)入二十一世紀(jì)以來(lái)，隨著深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，人工智能再一次成為研究熱點(diǎn)。人工智能技術(shù)與基因過(guò)程、納米科學(xué)并列為二十一世紀(jì)的三大尖端技術(shù)， 并且人工智能涉及的學(xué)科多，社會(huì)應(yīng)用廣泛，對(duì)其原理和本質(zhì)的理解也更為復(fù)雜。 一、人工智能的發(fā)展歷程

回顧人工智能的產(chǎn)生與發(fā)展過(guò)程 ，可以將其分為：初期形成階段，綜合發(fā)展階段和應(yīng)用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對(duì)人腦神經(jīng)元模型的抽象。其早期工作被認(rèn)為是由美國(guó)的神經(jīng)學(xué)家和控制論學(xué)者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學(xué)的研究生制造出了第一臺(tái)人工神經(jīng)元計(jì)算機(jī)。而其真正作為一個(gè)新的概念被提出是在1956年舉行的達(dá)茅斯會(huì)議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒(méi)器來(lái)模擬人類智能的新興學(xué)科。1969年的國(guó)際人工智能聯(lián)合會(huì)議標(biāo)志著人工智能得到了國(guó)際的認(rèn)可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數(shù)學(xué)、生物、計(jì)算機(jī)、神經(jīng)科學(xué)等相關(guān)學(xué)科的學(xué)者參與該領(lǐng)域的研究。

2.綜合發(fā)展階段

1.7 7年， 費(fèi)根鮑姆在第五屆國(guó)際人工智能聯(lián)合會(huì)議上正式提出了“知識(shí)工程”這一概念。而后其對(duì)應(yīng)的專家系統(tǒng)得到發(fā)展，許多智能系統(tǒng)紛紛被推出，并應(yīng)用到了人類生活的方方面面。20世紀(jì)80年代以來(lái)，專家系統(tǒng)逐步向多技術(shù)、多方法的綜合集成與多學(xué)科、多領(lǐng)域的綜合應(yīng)用型發(fā)展。大型專家系統(tǒng)開(kāi)發(fā)采用了多種人工智能語(yǔ)言、多種知識(shí)表示方法、多種推理機(jī)制和多種控制策略相結(jié)合的方式， 并開(kāi)始運(yùn)用各種專家系統(tǒng)外殼、專家系統(tǒng)開(kāi)發(fā)工具和專家系統(tǒng)開(kāi)發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過(guò)程中，人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展，并能夠在一些具體的任務(wù)中接近甚至超過(guò)人類專家的水平。

3.應(yīng)用階段

進(jìn)入二十一世紀(jì)以后，由于深度人工神經(jīng)網(wǎng)絡(luò)的提出，并在圖像分類與識(shí)別的任務(wù)上遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學(xué)的Geoffery Hinton及其學(xué)生在《Science》雜志上發(fā)表文章，其中首次提到了深度學(xué)習(xí)這一思想，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分級(jí)表達(dá)，降低了經(jīng)典神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。并隨后提出了如深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），以及區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Network， R-CNN），等等新的網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，使得訓(xùn)練和測(cè)試的效率得到大幅提升，識(shí)別準(zhǔn)確率也顯著提高。

二、人工智能核心技術(shù)

人工智能由于其涉及的領(lǐng)域較多，內(nèi)容復(fù)雜，因此在不同的應(yīng)用場(chǎng)景涉及到許多核心技術(shù)，這其中如專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)等是最重要也是發(fā)展較為完善的幾個(gè)核心技術(shù)。

1.專家系統(tǒng)

專家系統(tǒng)是一類具有專門知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)智能程序系統(tǒng)，通過(guò)對(duì)人類專家的問(wèn)題求解能力建模，采用人工智能中的知識(shí)表示和知識(shí)推理技術(shù)來(lái)模擬通常由專家才能解決的復(fù)雜問(wèn)題，達(dá)到具有與專家同等解決問(wèn)題能力的水平。對(duì)專家系統(tǒng)的研究，是人工智能中開(kāi)展得較為全面、系統(tǒng)且已經(jīng)取得廣泛應(yīng)用的技術(shù)。許多成熟而先進(jìn)的專家系統(tǒng)已經(jīng)被應(yīng)用在如醫(yī)療診斷、地質(zhì)勘測(cè)、文化教育等方面。

2.機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一個(gè)讓計(jì)算機(jī)在非精確編程下進(jìn)行活動(dòng)的科學(xué)，也就是機(jī)器自己獲取知識(shí)。起初，機(jī)器學(xué)習(xí)被大量應(yīng)用在圖像識(shí)別等學(xué)習(xí)任務(wù)中，后來(lái)，機(jī)器學(xué)習(xí)不再限于識(shí)別字符、圖像中的某個(gè)目標(biāo)，而是將其應(yīng)用到機(jī)器人、基因數(shù)據(jù)的分析甚至是金融市場(chǎng)的預(yù)測(cè)中。在機(jī)器學(xué)習(xí)的發(fā)展過(guò)程中，先后誕生了如凸優(yōu)化、核方法、支持向量機(jī)、Boosting算法等等一系列經(jīng)典的機(jī)器學(xué)習(xí)方法和理論。機(jī)器學(xué)習(xí)也是人工智能研究中最為重要的核心方向。

3.模式識(shí)別

模式識(shí)別是研究如何使機(jī)器具有感知能力 ，主要研究圖像和語(yǔ)音等的識(shí)別。其經(jīng)典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來(lái)迅速發(fā)展起來(lái)應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)的識(shí)別方法。圖形識(shí)別方面例如識(shí)別各種印刷體和某些手寫體文字，識(shí)別指紋、癌細(xì)胞等技術(shù)已經(jīng)進(jìn)入實(shí)際應(yīng)用。語(yǔ)音識(shí)別主要研究各種語(yǔ)音信號(hào)的分類，和自然語(yǔ)言理解等等。模式識(shí)別技術(shù)是人工智能的一大應(yīng)用領(lǐng)域，其非常熱門的如人臉識(shí)別、手勢(shì)識(shí)別等等對(duì)人們的生活有著十分直接的影響。

4.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的結(jié)構(gòu)中得到啟發(fā)， 試圖用大量的處理單元模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。而近年來(lái)發(fā)展的深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks， CNNs）具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，與經(jīng)典的機(jī)器學(xué)習(xí)算法相比在大數(shù)據(jù)的訓(xùn)練下有著更強(qiáng)的特征學(xué)習(xí)和表達(dá)能力。含有多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能夠?qū)斎朐紨?shù)據(jù)有更抽象喝更本質(zhì)的表述，從而有利于解決特征可視化以及分類問(wèn)題。另外，通過(guò)實(shí)現(xiàn)“逐層初始化”這一方法，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分級(jí)表達(dá)，可以有效降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。目前的神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別任務(wù)中取得了十分明顯的進(jìn)展，基于CNN的圖像識(shí)別技術(shù)也一直是學(xué)術(shù)界與工業(yè)界一致追捧的熱點(diǎn)。

三、機(jī)器人情感獲得

1.智能C器人現(xiàn)狀

目前智能機(jī)器人的研究還主要基于智能控制技術(shù)，通過(guò)預(yù)先定義好的機(jī)器人行動(dòng)規(guī)則，編程實(shí)現(xiàn)復(fù)雜的自動(dòng)控制，完成機(jī)器人的移動(dòng)過(guò)程。而人類進(jìn)行動(dòng)作、行為的學(xué)習(xí)主要是通過(guò)模仿及與環(huán)境的交互。從這個(gè)意義上說(shuō)，目前智能機(jī)器人還不具有類腦的多模態(tài)感知及基于感知信息的類腦自主決策能力。在運(yùn)動(dòng)機(jī)制方面，目前幾乎所有的智能機(jī)器人都不具備類人的外周神經(jīng)系統(tǒng)，其靈活性和自適應(yīng)性與人類運(yùn)動(dòng)系統(tǒng)還具有較大差距。

2.機(jī)器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發(fā)達(dá)的神經(jīng)系統(tǒng)的處理下獲得情感。智能機(jī)器人在不斷的機(jī)器學(xué)習(xí)和大數(shù)據(jù)處理中，中樞處理系統(tǒng)不斷地自我更新、升級(jí)，便具備了獲得情感的可能性及幾率。不斷地更新、升級(jí)的過(guò)程類似于生物的進(jìn)化歷程，也就是說(shuō)，智能機(jī)器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機(jī)器人獲得情感的利弊

機(jī)器人獲得情感在理論可行的情況下，伴之而來(lái)的利弊則眾說(shuō)紛紜。一方面，擁有豐富情感世界的機(jī)器人可以帶來(lái)更多人性化的服務(wù)，人機(jī)合作也可進(jìn)行地更加深入，可以為人類帶來(lái)更為逼真的體驗(yàn)和享受。人類或可與智能機(jī)器人攜手共創(chuàng)一個(gè)和諧世界。但是另一方面，在機(jī)器人獲得情感時(shí)，機(jī)器人是否能徹底貫徹人類命令及協(xié)議的擔(dān)憂也迎面而來(lái)。

4.規(guī)避機(jī)器人情感獲得的風(fēng)險(xiǎn)

規(guī)避智能機(jī)器人獲得情感的風(fēng)險(xiǎn)應(yīng)預(yù)備強(qiáng)制措施。首先要設(shè)計(jì)完備的智能機(jī)器人情感協(xié)議，將威脅泯滅于未然。其次，應(yīng)控制智能機(jī)器人的能源獲得，以限制其自主活動(dòng)的能力，杜絕其建立獨(dú)立體系的可能。最后，要掌控核心武器，必要時(shí)強(qiáng)行停止運(yùn)行、回收、甚至銷毀智能機(jī)器人。

三、總結(jié)

本文梳理了人工智能的發(fā)展歷程與核心技術(shù)，可以毋庸置疑地說(shuō)，人工智能具有極其廣闊的應(yīng)用前景，但也伴隨著極大的風(fēng)險(xiǎn)?；仡櫰浒l(fā)展歷程，我們有理由充分相信，在未來(lái)人工智能的技術(shù)會(huì)不斷完善，難題會(huì)被攻克。作為世界上最熱門的領(lǐng)域之一，在合理有效規(guī)避其風(fēng)險(xiǎn)的同時(shí)，獲得情感的智能機(jī)器人會(huì)造福人類，并極大地幫助人們的社會(huì)生活。

參考文獻(xiàn)

[1]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2016，（01）：212-222.

[3]張?jiān)?人工智能綜述：讓機(jī)器像人類一樣思考

卷積神經(jīng)網(wǎng)絡(luò)情感分析范文第2篇

關(guān)鍵詞：AlphaGo；人工智能；圍棋；未來(lái)展望

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）07-0193-02

1 圍棋與人工智能

圍棋作為中國(guó)傳統(tǒng)四大藝術(shù)之一，擁有著幾千年的悠久歷史。圍棋棋盤由19條橫線和19條豎線組成，共有19*19=361個(gè)交叉點(diǎn)，圍棋子分為黑白兩種顏色，對(duì)弈雙方各執(zhí)一色，輪流將一枚棋子下在縱橫交叉點(diǎn)上，終局時(shí)，棋子圍上交叉點(diǎn)數(shù)目最多的一方獲勝。圍棋棋盤上每一個(gè)縱橫交叉點(diǎn)都有三種可能性：落黑子、落白子、留空，所以圍棋擁有高達(dá)3^361種局面；圍棋的每個(gè)回合有250種可能，一盤棋可長(zhǎng)達(dá)150回合，所以圍棋的計(jì)算復(fù)雜度為250^150，約為10^170，然而全宇宙可觀測(cè)的原子數(shù)量只有10^80，這足以體現(xiàn)圍棋博弈的復(fù)雜性和多變性。

人工智能（Artificial Intelligence，AI）主要研究人類思維、行動(dòng)中那些尚未算法化的功能行為，使機(jī)器像人的大腦一樣思考、行動(dòng)。長(zhǎng)期以來(lái)，圍棋作為一種智力博弈游戲，以其變化莫測(cè)的博弈局面，高度體現(xiàn)了人類的智慧，為人工智能研究提供了一個(gè)很好的測(cè)試平臺(tái)，圍棋人工智能也是人工智能領(lǐng)域的一個(gè)重要挑戰(zhàn)。

傳統(tǒng)的計(jì)算機(jī)下棋程序的基本原理，是通過(guò)有限步數(shù)的搜索樹(shù)，即采用數(shù)學(xué)和邏輯推理方法，把每一種可能的路徑都走一遍，從中選舉出最優(yōu)路徑，使得棋局勝算最大。這種下棋思路是充分發(fā)揮計(jì)算機(jī)運(yùn)算速度快、運(yùn)算量大等優(yōu)勢(shì)的“暴力搜索法”，是人類在對(duì)弈規(guī)定的時(shí)間限制內(nèi)無(wú)法做到的。但是由于圍棋局面數(shù)量太大，這樣的運(yùn)算量對(duì)于計(jì)算機(jī)來(lái)講也是相當(dāng)之大，目前的計(jì)算機(jī)硬件無(wú)法在對(duì)弈規(guī)定的時(shí)間內(nèi)，使用計(jì)算機(jī)占絕對(duì)優(yōu)勢(shì)的“暴力搜索法”完成圍棋所有局面的擇優(yōu)，所以這樣的下棋思路不適用于圍棋對(duì)弈。

搜索量巨大的問(wèn)題一直困擾著圍棋人工智能，使其發(fā)展停滯不前，直到2006年， 蒙特卡羅樹(shù)搜索的應(yīng)用出現(xiàn)，才使得圍棋人工智能進(jìn)入了嶄新的階段，現(xiàn)代圍棋人工智能的主要算法是基于蒙特卡洛樹(shù)的優(yōu)化搜索。

2 圍棋人工智能基本原理

目前圍棋人工智能最杰出的代表，是由谷歌旗下人工智能公司DeepMind創(chuàng)造的AlphaGo圍棋人工智能系統(tǒng)。它在與人類頂級(jí)圍棋棋手的對(duì)弈中充分發(fā)揮了其搜索和計(jì)算的優(yōu)勢(shì)，幾乎在圍棋界立于不敗之地。

AlphaGo系統(tǒng)的基本原理是將深度強(qiáng)化學(xué)習(xí)方法與蒙特卡洛樹(shù)搜索結(jié)合，使用有監(jiān)督學(xué)習(xí)策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)，極大減少了搜索空間，即在搜索過(guò)程中的計(jì)算量，提高了對(duì)棋局估計(jì)的準(zhǔn)確度。

2.1 深度強(qiáng)化學(xué)習(xí)方法

深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)的研究，人類大量的視覺(jué)聽(tīng)覺(jué)信號(hào)的感知處理都是下意識(shí)的，是基于大腦皮層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，通過(guò)模擬大腦皮層推斷分析數(shù)據(jù)的復(fù)雜層狀網(wǎng)絡(luò)結(jié)構(gòu)，使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象，其過(guò)程類似于人們識(shí)別物體標(biāo)注圖片?，F(xiàn)如今，應(yīng)用最廣泛的深度學(xué)習(xí)模型包括：卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、堆棧自編碼網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等。

強(qiáng)化學(xué)習(xí)源于動(dòng)物學(xué)習(xí)、參數(shù)擾動(dòng)自適應(yīng)控制等理論，通過(guò)模擬生物對(duì)環(huán)境以試錯(cuò)的方式進(jìn)行交互達(dá)到對(duì)環(huán)境的最優(yōu)適應(yīng)的方式，通過(guò)不斷地反復(fù)試驗(yàn)，將變化無(wú)常的動(dòng)態(tài)情況與對(duì)應(yīng)動(dòng)作相匹配。強(qiáng)化學(xué)習(xí)系統(tǒng)設(shè)置狀態(tài)、動(dòng)作、狀態(tài)轉(zhuǎn)移概率和獎(jiǎng)賞四個(gè)部分，在當(dāng)前狀態(tài)下根據(jù)策略選擇動(dòng)作，執(zhí)行該過(guò)程并以當(dāng)前轉(zhuǎn)移概率轉(zhuǎn)移到下一狀態(tài)，同時(shí)接收環(huán)境反饋回來(lái)的獎(jiǎng)賞，最終通過(guò)調(diào)整策略來(lái)最大化累積獎(jiǎng)賞。

深度學(xué)習(xí)具有較強(qiáng)的感知能力，但缺乏一定的決策能力；強(qiáng)化學(xué)習(xí)具有決策能力，同樣對(duì)感知問(wèn)題無(wú)能為力。深度強(qiáng)化學(xué)習(xí)方法是將具有感知能力的深度學(xué)習(xí)和具有決策能力的強(qiáng)化學(xué)習(xí)結(jié)合起來(lái)，優(yōu)勢(shì)互補(bǔ)，用深度學(xué)習(xí)進(jìn)行感知，從環(huán)境中獲取目標(biāo)觀測(cè)信息，提供當(dāng)前環(huán)境下的狀態(tài)信息；然后用強(qiáng)化學(xué)習(xí)進(jìn)行決策，將當(dāng)前狀態(tài)映射到相應(yīng)動(dòng)作，基于初期匯報(bào)評(píng)判動(dòng)作價(jià)值。

深度強(qiáng)化學(xué)習(xí)為復(fù)雜系統(tǒng)的感知決策問(wèn)題提供了一種全新的解決思路。

2.2 蒙特卡洛樹(shù)搜索

蒙特卡洛樹(shù)搜索是將蒙特卡洛方法與樹(shù)搜索相結(jié)合形成的一種搜索方法。所謂蒙特卡洛方法是一種以概率統(tǒng)計(jì)理論為指導(dǎo)的強(qiáng)化學(xué)習(xí)方法，它通常解決某些隨機(jī)事件出現(xiàn)的概率問(wèn)題，或者是某隨機(jī)變量的期望值等數(shù)字特征問(wèn)題。通過(guò)與環(huán)境的交互，從所采集的樣本中學(xué)習(xí)，獲得關(guān)于決策過(guò)程的狀態(tài)、動(dòng)作和獎(jiǎng)賞的大量數(shù)據(jù)，最后計(jì)算出累積獎(jiǎng)賞的平均值。

蒙特卡洛樹(shù)搜索算法是一種用于解決完美信息博弈（perfect information games，沒(méi)有任何信息被隱藏的游戲）的方法，主要包含選擇（Selection）、擴(kuò)展（Expansion）、模擬（Simulation）和反向傳播（Backpropagation）四個(gè)步驟。

2.3 策略網(wǎng)絡(luò)與價(jià)值網(wǎng)絡(luò)

AlphaGo系統(tǒng)擁有基于蒙特卡洛樹(shù)搜索方法的策略網(wǎng)絡(luò)（Policy Network）和價(jià)值網(wǎng)絡(luò)（Value Network）兩個(gè)不同的神經(jīng)網(wǎng)絡(luò)大腦，充分借鑒人類棋手的下棋模式，用策略網(wǎng)絡(luò)來(lái)模擬人類的“棋感”，用價(jià)值網(wǎng)絡(luò)來(lái)模擬人類對(duì)棋盤盤面的綜合評(píng)估。

AlphaGo系統(tǒng)主要采用有監(jiān)督學(xué)習(xí)策略網(wǎng)絡(luò)，通過(guò)觀察棋盤布局，進(jìn)行棋路搜索，得到下一步合法落子行動(dòng)的概率分布，從中找到最優(yōu)的一步落子位置，做落子選擇。DeepMind團(tuán)隊(duì)使用棋圣堂圍棋服務(wù)器上3000萬(wàn)個(gè)專業(yè)棋手對(duì)弈棋譜的落子數(shù)據(jù)，來(lái)預(yù)測(cè)棋手的落子情況。期間，系統(tǒng)進(jìn)行上百萬(wàn)次的對(duì)弈嘗試，進(jìn)行強(qiáng)化學(xué)習(xí)，將每一個(gè)棋局進(jìn)行到底，不斷積累“經(jīng)驗(yàn)”，學(xué)會(huì)贏面最大的棋路走法，最終達(dá)到頂級(jí)圍棋棋手的落子分析能力。而AlphaGo的價(jià)值網(wǎng)絡(luò)使用百萬(wàn)次對(duì)弈中產(chǎn)生的棋譜，根據(jù)最終的勝負(fù)結(jié)果來(lái)進(jìn)行價(jià)值網(wǎng)絡(luò)訓(xùn)練，預(yù)測(cè)每一次落子選擇后贏棋的可能性，通過(guò)整體局面的判斷來(lái)幫助策略網(wǎng)絡(luò)完成落子選擇。

3 圍棋人工智能意義

經(jīng)過(guò)比賽測(cè)試證明，AlphaGo系統(tǒng)的圍棋對(duì)弈能力已經(jīng)達(dá)到世界頂級(jí)棋手水平。一直以來(lái)，圍棋因?yàn)閺?fù)雜的落子選擇和巨大的搜索空間使得圍棋人工智能在人工智能領(lǐng)域成為一個(gè)具有代表性的難度挑戰(zhàn)。目前的硬件水平面對(duì)如此巨大的搜索空間顯得束手無(wú)策，AlphaGo系統(tǒng)基于有監(jiān)督學(xué)習(xí)的策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)大大減少搜索空間，在訓(xùn)練中開(kāi)創(chuàng)性地使用深度強(qiáng)化學(xué)習(xí)，然后結(jié)合蒙特卡洛樹(shù)搜索方法，使得系統(tǒng)自學(xué)習(xí)能力大大提高，并且AlphaGo系統(tǒng)在與人類頂級(jí)棋手對(duì)弈中取得的連勝卓越成績(jī)，櫧湓諶斯ぶ悄芰煊虻於了堅(jiān)實(shí)的里程碑地位。

雖然圍棋人工智能取得了如此優(yōu)秀的成績(jī)，但是也僅僅是它在既定規(guī)則內(nèi)的計(jì)算處理能力遠(yuǎn)遠(yuǎn)超過(guò)了人類的現(xiàn)有水平，并且還有有待提高和完善的地方。在人類的其他能力中，例如情感、思維、溝通等等領(lǐng)域，目前的人工智能水平是遠(yuǎn)遠(yuǎn)達(dá)不到的。但是隨著科技的進(jìn)步和人類在人工智能領(lǐng)域的研究深入，人工智能與人類的差距會(huì)逐漸減小，像圍棋人機(jī)大戰(zhàn)人工智能連勝人類這樣的例子也可能在其他領(lǐng)域發(fā)生，這就意味著人工智能的發(fā)展前景十分可觀。

4 結(jié)語(yǔ)

人類和人工智能共同探索圍棋世界的大幕即將拉開(kāi)，讓人類棋手結(jié)合人工智能，邁進(jìn)全新人機(jī)共同學(xué)習(xí)交流的領(lǐng)域，進(jìn)行一次新的圍棋革命，探索圍棋真理更高的境界。

參考文獻(xiàn)