阿尔法狗再下一城，Deep Mind公司致力于建造通用型模型

5月27日，2017人机大战三番棋第三局结束，柯洁执白209手中盘负于 AlphaGo，人机大战第二番较量的结局被定格在了 0:3。阿尔法狗的公司 Deep Mind由杰米斯.哈萨比斯（Demis Hassabis) 2010年创始于伦敦， 2014年为谷歌收购，并在2016年大战围棋冠军李世石一役上一举成名。 DeepMind目前正努力制造世界上第一台通用学习机，试图在增强学习的 基础上发展通用学习模型。阿尔法狗攻占的围棋游戏3000年前起源于中 国，使用方形格状棋盘及黑白二色圆形棋子进行对弈。棋盘上纵横各有 19条直线将棋盘分成361个交叉点，棋子走在交叉点上，双方交替行棋， 以围地多者胜出。围棋游戏的规则非常简单，但是其复杂性却超乎想象， 一共有3的361次方可能性，是一个天量数字。

人工智能的理论经历了上世纪符号主义和连接主义的积淀期

机器学习是人工智能（Artificial Intelligence)研究发展到一定阶段的必 然产物。二十世纪五十年代到七十年代初，人工智能研究处于“推理期， 那时人们以为只要能赋予机器逻辑推理能力，机器就能具有智能。从二 十世纪七十年代中期开始，人工智能研究进入了“知识期，大量的专家系 统在这一时期问世，在很多应用领域取得了重要成果。图灵在1950年关 于图灵测试的文章中，就提到关于机器学习的可能。五十年代中后期， 基于神经网络的“连接主义”学习开始出现，代表性工作有感知机和 Adaline等。六七十年代，基于逻辑表示的“符号主义”学习技术开始兴盛， 代表性工作有结构学习系统、基于逻辑的归纳学习系统、概念学习系统。 二十世纪九十年代中期，“统计学习”出现并迅速成为主流。代表性技术是 支持向量机SVM和更一般的“核方法。

深度学习在语音识别、图像识别、自然语言处理几个主要领域 都获得了突破性的进展

2006年多伦多大学教授Geoffefy Hinton在Science发表文章，提出基于 深度信念网络可使用非监督的逐层训练算法，为训练深度神经网络带来 了希望。深度学习虽然缺乏严格的理论基础，但是它显着降低了机器学 习应用的门槛。深度学习的大热有两个主要原因，一是大数据的积累更 加容易，二是硬件的计算能力显着提升。大数据时代可以很好解决模型 的“过拟合”问题，而巨大的模型和海量的数据，必须有高速的计算设备 才能完成。但是，正如微软研究院秦涛博士所述，大计算说起来容易， 做起来非常不容易。百度做的神经机器翻译系统，用了 32块K.40的GPU 用了十天做训练，谷歌的机器翻译系统用了更多，用了 96块K.80的GPU 训练了六天。AlphaGo整个的训练过程大致用了 50块CPU四周时间， 差不多一个月。

谷歌在人工智能领域具有优势，长期致力语音识别和无人驾驶

Alphabet旗下的谷歌近年来进行了大量在人工智能行业的兼并收购，自 2012年以来已收购11家人工智能初创企业。着名的两个案列就是收购 上文所提机器学习界学术翘楚Hinton教授与两个研究生开设的 DNNresearch公司，以及对研发阿尔法狗的Deep Mind公司的收购。2015 年8月，谷歌宣布架构重组，设立母公司Alphabet，谷歌由搜索引擎公 司全面转向为覆盖诸多领域的高科技企业。从2011年设立A1部门开始， 谷歌目前已经推动机器学习技术应用在100多个团队中。包括Google搜 索、Google Now、 Gm.ail等，并用卷积神经网络开发Android手机语音 识别系统等。谷歌1O大会上，谷歌CEO桑德尔・皮蔡就表示，谷歌已经 从一家移动为先的公司，成为了一家人工智能为先的公司。基于对A1 的理论和实际应用发展的内在认识，我们长期看好人工智能行业及相关 公司。