谷歌围棋（谷歌围棋人工智能）
说说谷歌围棋有多厉害吧
计算机程序能在不让子的情况下，在完整的围棋竞技中击败专业选手，这是第一次。
2016年3月9日到15日，阿尔法围棋程序挑战世界围棋冠军李世石的围棋人机大战五番棋在韩国首尔举行。比赛采用中国围棋规则，奖金是由Google提供的100万美元。最终阿尔法围棋以4比1的总比分取得了胜利。
2016年12月29日晚起到2017年1月4日晚，阿尔法围棋在弈城围棋网和野狐围棋网以“大师”（Master）为注册名，依次对战数十位人类顶尖高手，取得60胜0负的辉煌战绩。
2016年7月18日，世界职业围棋排名网站GoRatings公布最新世界排名，谷歌旗下DeepMind的人工智能系统AlphaGo以3612分，超越3608分的柯洁成为新的世界第一。[
2016年，3月9日谷歌机器人在围棋比赛中以比分多少击败世界冠军？
2016年3月9日至15日,谷歌AlphaGo机器人在围棋比赛中以比分【4:1 】击败了世界冠军李世石。
谷歌新发明的围棋软件是什么
阿尔法围棋（AlphaGo）是一款围棋人工智能程序，由位于英国伦敦的谷歌（Google）旗下DeepMind公司的戴维·西尔弗、艾佳·黄和戴密斯·哈萨比斯与他们的团队开发，这个程序利用“价值网络”去计算局面，用“策略网络”去选择下子。2015年10月阿尔法围棋以5:0完胜欧洲围棋冠军、职业二段选手樊麾；2016年3月对战世界围棋冠军、职业九段选手李世石。
阿尔法围棋（AlphaGo）是一款围棋人工智能程序。这个程序利用“价值网络”去计算局面，用“策略网络”去选择下子。
深度学习
阿尔法围棋（AlphaGo）的主要工作原理是“深度学习”。“深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。
两个大脑
阿尔法围棋（AlphaGo）是通过两个不同神经网络“大脑”合作来改进下棋。这些大脑是多层神经网络跟那些Google图片搜索引擎识别图片在结构上是相似的。它们从多层启发式二维过滤器开始，去处理围棋棋盘的定位，就像图片分类器网络处理图片一样。经过过滤，13 个完全连接的神经网络层产生对它们看到的局面判断。这些层能够做分类和逻辑推理。
这些网络通过反复训练来检查结果，再去校对调整参数，去让下次执行更好。这个处理器有大量的随机性元素，所以人们是不可能精确知道网络是如何“思考”的，但更多的训练后能让它进化到更好。
谷歌围棋人工智能战胜人类最后的智力骄傲，对医疗有什么启示
一个月前，DeepMind创始人DemisHassabis曾说道很快会有关于围棋研究的惊喜，而1月28日的《Nature》杂志即将以封面论文的形式介绍Google旗下人工智能公司DeepMind开发的一款名为AlphaGo的人工智能，它已经击败了欧洲围棋冠军，并将于3月与世界冠军李世乭对战。该程序采用了两个深度神经网络，policynetwork与valuenetwork，极大地降低了需要考虑的搜索空间的复杂度，前者降低搜索的广度，后者降低搜索的深度，很像人脑在下围棋时凭直觉快速锁定策略的思维。这么说起给一点时间,巅峰的吴清源,李昌镐这类人物(即使不断学习)也是下不过电脑的了?(我指的电脑就是2015一台中等配置的PC这样,不是服务器集群,类似普通电脑跑PocketFritz4)今天(3-12-2016)AlphaGo已经3:0领先LeeSedol了这个并不是太出人意料。我记得十年前就有人说，十年内这个问题可以解决。可能那时候他就已经有点思路了吧。这个问题能解决到这个程度，Google的确做出了很大的贡献，我想很多同样看上去很难的问题也并不是不能解决，而是我们愿不愿意解决，愿意花多大的精力在上面。我觉得这点启发非常重要，尤其是在深度网络这类新技术出现的时候，有很多地方简单地应用一下就能有新的突破。老实说，我看了AlphaGo的思路，跟我之前的思路差不了太多，我在2015年1月份就看过一篇利用卷积神经网络来下棋的论文（神经网络可能终将在围棋上打败人类），并且有种豁然开朗的感觉，还想出了改进的思路（论文中的程序实际上有比较明显的缺陷，而去掉其中的缺陷就是一条更为完善的思路），真正的理论层面的突破是那篇论文，那篇论文写出来，就决定了今天只用了一年左右的时间AlphaGo能达到这个程度，Google的贡献在于将理论更好地改进和实践了，他们更有实力来解决这样的问题，不是像那篇论文里的程序，使用比较纯粹的神经网络，那样想要达到顶尖水准很有难度。值得反省的是，为什么围棋作为东方人的游戏，却不是我们自己来解决这个问题？我觉得国内一定有人看到解决思路了，既然我这种业余爱好者都能看出点眉目。
谷歌围棋alphago 是不是历史最强
目前还不是，得进一步完善，接近最强了。虽然理论上围棋下法很多，电脑目前还不能穷尽，但是我们知道理论里很多走法在实战中是不会走的，比如没有谁第一步会下到最外边上。
阿尔法狗现在已经能自我学习了，通过不断筛选最优走法，围棋最终和象棋一样，电脑将战胜人脑。
谷歌的围棋智能和微软小冰哪个技术上比较厉害
在计算机的发展史，在国际象棋比赛中，计算机战胜人类是重要历史事件，过去了这么多年，人工智能战胜围棋冠军又怎么说明谷歌AI很牛呢？围棋，一直被认为是人类仍然在机器面前能保持优势的游戏之一。过去20多年来，科技家们一直在试着教会电脑下棋，在1997年，IBM的深蓝曾经打败了国际象棋的世界冠军GarryKasparov，这成为了人工智能的一座里程碑事件。但是，围棋比国际象棋还是要复杂得多，国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。在下国际象棋的时候，计算机可以分析出每一个可能的步骤，从而进行最优选择，但是，围棋可能的步骤是国际象棋的10倍之多。这也正是围棋人工智能的难点所在。在过去很长时间里，最好的计算机连厉害点的业余围棋棋手都下不过。所以，去年，Facebook就开始打造围棋人工智能，并且在过去6个月里让它可以用最快0.1秒的速度来落子。负责这项目的人，就坐在里扎克伯格20英尺远的地方。但是，Google还是快一步。这场比赛实际上发生在去年十月，但是知道今天，它才在《自然》杂志中披露出来。DavidSilver是这项研究的第一作者，在他看来，阿尔法Go的关键不在于简单粗暴的计算出可能步骤，而是近似于人类的“想象力”。这背后是名为一项名为“深度学习”的大杀器，它让计算机不再是简单地使用计算能力来统计所有数据，而是像人类一样，训练，然后学习。Silver说，计算机“下围棋需要的极复杂的直觉机制，这种机制以前我们认为只可能存在于人类大脑中。”阿尔法Go用了多种“神经网络”并行，并且相互作用。其中，一个叫做“值网络”（valuenetwork），来衡量白字和黑子在棋盘上的位置，一个叫做“策略网络”（“policynetwork”），会不断地学习此前人类和自己的落子，来选择接下来怎么下。不仅仅比人类、比起其他机器人同类，阿尔法Go也更加强大。它和其他人工智能下了500场围棋，只输了1场，甚至在给对手让子的情况下，它也照赢不误。而Silver说，它比其他人工智能更先进的地方，就在于可以自我学习。而且，这种机制不仅仅可以用在围棋学习中，阿尔法Go还可以用来解决很多现实问题，比如处理气候模型等。
