人工智能与人机博弈

人-机器
人-环境
科技进步改变着我们的生活，但却使人们在信息、 机器高度密集的环境中，变得更为被动和无奈。
以人为本 人 工 智 能 技 术 发 展 的 特 征
人工智能由人类设计，为人类服务，本质为计算，基础为数据。 必须体现服务人类的特点，而不应该伤害人类，特别是不应该 有目的性地做出伤害人类的行为。
认知科学是研究人类感知、学习、记忆、思维、意识等人 脑心智活动过程的科学，是心理学、信息学、神经科学和 自然哲学的交叉
人工智能是研究、开发用于模拟、延伸和扩展人 的智能的理论、方法、技术及应用系统的一门新 的技术科学
自动化 技术
人工智能 技术
智能科学
在科学发展过程中，在那些已经建立起来的学科之 间，还存在着一些被人忽视的无人区，正是从这些领域 里可能得到最大的收获。
人机对抗历史
从1958年开始，人工智能研究者对国际象棋的挑战持续了半个多世纪：
1973年B. Slate和Atkin开 发了国际象棋软件 “CHESS4.0”，成为未 来国际象棋AI程序基础；
1987年，美国卡内基梅隆大学设 1989年，“深思”已经有6 计的国际象棋计算机程序“深思” 台信息处理器，每秒处理速 （Deep Thought）以每秒钟75 度达到200万步，但还是在 万步的处理速度露面，其水平相 与世界棋王卡斯帕罗夫的人 当于拥有2450国际等级分的棋手； 机大战中以0比2败北；
不断提高传统行业的技术水平和市场竞争力，并与 光电子、计算机、信息技术等融合和创新，不断创 造和形成新的经济增长点和管理战略哲理
智能科学发展趋势
智能属于哲学问题，智能科学研究智能的本质和实现技术, 是由脑科学、认知科学、人工智能等综合形成的交叉学科
智能 科学
脑科学从分子水平、神经回路、行为实验研究自然智能机理， 目的在于阐明人类大脑的结构与功能，以及人类行为与心理 活动的物质基础
自动化技术发展趋势
自动化技术是一门涉及学科较多、应用广泛的综合性系统工 程，其对象为大规模、复杂的工程和非工程系统
自动化 技术
广义内涵包括三方面的含义：代替人体力劳动的机器人；代替 或辅助人脑力劳动的程序；对人机进行协调、管理、控制和优 化的智能系统
研究内容包括自动控制和信息处理两方面，应用包括过程自 动化、机械制造自动化、管理自动化和家庭自动化等
——诺伯特·维纳《控制论》，1948
人工智能技术的挑战
信息越来越多，甚至成 为垃圾，对信息的有效 组织和挖掘极度匮乏， 简单的体力劳动已可以被 人与信息的共生环境尚 机器所替代，但脑力劳动， 未建立。 特别是智力尚未完全转移 和扩展到机器上。
人-信息
需要更好地尊重、理解 并满足人的各种需要， 以人为本，促进人与物 理时空环境的和谐发展。
1988年，“深思” 击败丹麦特级大师拉 尔森；
1991年，由CHESSBASE 公司研制的国际象棋计算 机程序“弗里茨”（Fretz） 问世；
深蓝一战卡斯帕罗夫
1995年，IBM公司设计了全球第一台采用并行化系统、以RS/6000SP 为基础、集成了总计256块处理器以及480颗专门为国际象棋对弈设计的 VLSI加速芯片的国际象棋计算机“深蓝”，重达1270公斤。
从而获取深入的理解和决策的证据。
学习（Learning）
• 通过以证据为基础的学习能力，从大数据中快速提取关键信息， 像人类一样学习和记忆这些知识，并可以通过专家训练，在不断
与人的交互中通过经验学习来获取反馈，优化模型。
1993年，“深思”二 代击败了丹麦国家队， 并在与前女子世界冠军 小波尔加的对抗中获胜。
1958 1973 1983 1987 1988 1989 1991 1993
1958年名为“思考” IBM704成为第一台 能同人下国际象棋的 计算机，处理速度每 秒200步；
1983年，Ken Thompson开发了国 际象棋硬件“BELLE”， 达到大师水平；
人机博弈
棋类游戏是人类智慧的结晶，自古以来就有着广泛的爱好者群体，也产生了一代又一代的偶像 级棋王。选择棋类游戏作为人工智能研究的对象，不仅是因为棋类游戏规则清晰，胜负判断一目了 然，而且也更容易在爱好者群体中产生共鸣，因此人工智能研究者前赴后继投身到对不同棋类游戏 的挑战中。
互动环节：
人机小挑战
2016年谷歌公司AlphaGo战胜了围棋 世界冠军李世石，2017年初AlphaGo 升级版Master横扫全球60位顶尖高 手，这是基于蒙特卡洛树搜索和深 度学习的人工智能系统的胜利
PART 1
国际象棋
机器学习 人机对抗历史 深蓝
成功秘诀
国际象棋
国际象棋起源于亚洲，后由阿拉伯人传入欧洲，成为国际通行棋种，也是一项受到广泛喜爱的智力 竞技运动，据称全世界有多达三亿的国际象棋爱好者，甚至在1924年曾一度被列为奥林匹克运动会正 式比赛项目。
在“深蓝”之后，IBM公司又选择了一个新的领域挑战人类极限——DeepQA，不仅仅把 DeepQA项目看成一个问答游戏系统，而且将其称之为认知计算系统平台。认知计算被定义为一种全新 的计算模式，它包含数据分析、自然语言处理和机器学习领域的大量技术创新，能够帮助人类从大量非 结构化数据中找出有用的答案。
在最后一局中，卡斯帕罗夫失去耐心，回到了“正常”的下 法，在第七回合就犯了一个不可挽回的低级错误，局势急转直下， 最终在第六盘决胜局中仅仅走了1胜2负3平，以2.5比3.5的总比分输给“更深 的蓝”。“更深的蓝”赢得了这场备受世人瞩目的人机大战，也 标志着国际象棋近2000年的发展历史走向了新时代。
环境增强 人 工 智 能 技 术 发 展 的 特 征
人工智能能感知环境，能产生反应，能与人交互，能与人互补。 能够帮助人类做人类不擅长、不喜欢但机器能够完成的工作， 而人类则适合于去做更需要创造性、洞察力、想象力的工作。
学习适应 人 工 智 能 技 术 发 展 的 特 征
人工智能有适应特性，有学习能力，有演化迭代，有连接扩展。 人工智能可以应对不断变化的现实环境，从而使人工智能系统 在各行各业产生丰富的应用。。
机器学习之父
机器博弈的水平实际上代表了当时计算机体系架构与计算机科学 的最高水平。早在1962年，就职于IBM的阿瑟•萨缪尔就在内存仅为 32k的IBM 7090晶体管计算机上开发出了西洋跳棋（Checkers）AI 程序，并击败了当时全美最强的西洋棋选手之一的罗伯特•尼雷，引 起了轰动。
值得一提的是，萨缪尔所研制的下棋程序是世界上第一个有自主 学习功能的游戏程序，因此他也被后人称之为“机器学习之父”。
97型深蓝与1996年相比，运算速度差不 多提高了两倍，象棋加速芯片的升级功不可 没。升级后的象棋加速芯片能够从棋局中抽 取更多的特征，并在有限的时间内计算出当 前盘面往后12步甚至20步的行棋方案，从而 让“深蓝”更准确地评估盘面整体局势。
知识规则引擎：“深蓝”的成功秘诀
“深蓝”在软件设计上采用了超大规模 知识库结合优化搜索的方法。一方面， “深蓝”存储了国际象棋100 多年来70万 份国际特级大师的棋谱，利用知识库在开 局和残局阶段节省处理时间并得出更合理 的行棋方案。
理解（Understanding）
• 与用户进行交互，根据用户问题通过自然语言理解技术分析包括 结构化数据和图文、音视频、图像等非结构化所有类型的数据，
最终实现用户提出问题的有效应答。
推理（Reasoning）
• 通过假设生成，透过数据揭示洞察、模式和关系，将散落在各处 的知识片段连接起来进行推理、分析、对比、归纳、总结和论证，
国际象棋棋盘由横纵各8格、颜色一深一浅交错排列的64 个小方格组成，棋子共32个，分为黑白两方，每方各16个。
和8×8的西洋跳棋Checkers相比，国际象棋的状态复杂 度（指从初始局面出发，产生的所有合法局面的总和）从 1021上升到1046，博弈树复杂度（指从初始局面开始，其最 小搜索树的所有叶子节点的总和）也从1031上升到10123。
1996年2月10日至17日，为了纪念首台通用计算机 ENIAC诞生50周年，“深蓝”在美国费城向国际象棋世界冠 军、世界排名第一的加里•卡斯帕罗夫发起了挑战。
在6局的人机对弈比赛中，“深蓝”并未占到什么便宜，棋 王卡斯帕罗夫以4比2的总比分轻松获胜，但“深蓝”赢得了 六场比赛中的一场胜利，这也是计算机第一次在与顶级选手的 对弈中取得胜局。
人与机器的国际象棋之争已胜负分明，国际象棋领域的人机博弈也画上了句号，取而代之的是2010年开 始举办的机机博弈——国际象棋引擎竞赛TCEC（Thoresen Chess Engine Competition）。
加速芯片：“深蓝”的成功秘诀
“深蓝”计算机在硬件上将通用计算机处理器与象棋加速芯片相结合，采用混合决策的方法， 即在通用处理器上执行运算分解任务，交给象棋加速芯片并行处理复杂的棋步自动推理，然后 将推理得到的可能行棋方案结果返回通用处理器，最后由通用处理器决策出最终的行棋方案。
阿瑟•萨缪尔
里程碑事件
真正引起中国人广泛关注的机器博弈史上三个里程碑事件是：
1997年IBM公司“更深的蓝” （Deeper Blue）战胜世界国际 象棋棋王卡斯帕罗夫，这是基 于知识规则引擎和强大计算机 硬件的人工智能系统的胜利
2011年IBM公司的问答机器人 “沃森”在美国智力问答竞 赛节目中大胜人类冠军，这 是基于自然语言理解和知识 图谱的人工智能系统的胜利
剪枝搜索
即使按照一盘棋平均走80步，每步棋可能的落子位置为35个计算，其 状态复杂度和博弈树复杂度也远非超级计算机所能穷举，为了在合理的时 间内完成走棋任务，必须要进行剪枝搜索。
象棋知识
团队还丰富了象棋加速芯片中的象棋知识，使它能够识别不同的棋局，并从 众多可能性中找出最佳行棋方案。“更深的蓝”每秒可检索1亿到2亿个棋局， 系统能够搜寻和估算出当前局面往后的12步行棋方案，最多可达20步，而人类 棋手的极限是10步。