人工智能与人机博弈.pptx

人工智能与人机博弈.pptx

《人工智能与人机博弈.pptx》由会员分享，可在线阅读，更多相关《人工智能与人机博弈.pptx（49页珍藏版）》请在冰豆网上搜索。

人工智能与人机博弈,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,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,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,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,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,智能科学,人工智能技术,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。

诺伯特维纳控制论，1948,人工智能技术的挑战,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。

以人为本,人工智能技术发展的特征,环境增强,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。

人工智能技术发展的特征,学习适应,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。

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,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IBM7090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”。

阿瑟萨缪尔,里程碑事件,1997年IBM公司“更深的蓝”（DeeperBlue）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,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,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：

PART1,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。

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88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。

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：

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；,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；,1983年，KenThompson开发了国际象棋硬件“BELLE”，达到大师水平；,1987年，美国卡内基梅隆大学设计的国际象棋计算机程序“深思”（DeepThought）以每秒钟75万步的处理速度露面，其水平相当于拥有2450国际等级分的棋手；,1988年，“深思”击败丹麦特级大师拉尔森；,1989年，“深思”已经有6台信息处理器，每秒处理速度达到200万步，但还是在与世界棋王卡斯帕罗夫的人机大战中以0比2败北；,1991年，由CHESSBASE公司研制的国际象棋计算机程序“弗里茨”（Fretz）问世；,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。

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。

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。

“深蓝”升级改造,第一次对决落败之后，IBM对“深蓝”计算机进行了升级，97型深蓝取名“更深的蓝”（DeeperBlue）。

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。

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。

“更深的蓝”（DeeperBlue）运算速度为每秒2亿步棋，计算能力为每秒113.8亿次浮点运算，是1996年版本的2倍，其运算能力在当时的全球超级计算机中也能排在第259位。

“更深的蓝”出师告捷,1997年5月，IBM公司再次邀请加里卡斯帕罗夫到美国纽约曼哈顿进行第二次人机大战，同样是6盘棋制比赛。

在前5局里，卡斯帕罗夫为了避免在计算力方面用人脑与“更深的蓝”进行直接较量，他采取了独特的行棋策略来对付“更深的蓝”，但是这个奇招并没有取得明显的效果，“更深的蓝”总是能够凭借准确无误的局面判断和精确的计算给出最强的应手。

最终前五局双方2.5对2.5打平，尤其是第三、第四、第五局连续三场和局，卡斯帕罗夫的助手看见他坐在房间的角落里，双手捂面，仿佛已经失去了斗志。

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19步就向“更深的蓝”俯首称臣。

最终卡斯帕罗夫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。

人机博弈胜负已明,“深蓝”并不是终结，卡斯帕罗夫也没有服气。

1999年，“弗里茨”升级为“更弗里茨”（DeepFritz），并在2001年击败了卡斯帕罗夫。

当今国际象棋男子等级分排名最高的选手是出生于1990年的挪威特级大师卡尔森（MagnusCarlsen），他的等级分是2863分，而至少有10款开源国际象棋引擎等级分达到了3000分以上。

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（ThoresenChessEngineCompetition）。

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。

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。

另一方面，“深蓝”采用Alpha-Beta剪枝搜索算法和基于规则的方法对棋局进行评价，通过缩小搜索空间的上界和下界提高搜索效率，同时根据棋子的重要程度、棋子的位置、棋子对的关系等特征对棋局进行更有效的评价。

剪枝搜索算法示意图,PART2,智力问答,Watson,自然语言处理,知识图谱,自主学习,Watson认知计算系统平台问世,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。

IBM公司对其寄予厚望，并用公司创始人ThomasJWatson的名字将这个平台命名为Watson。

如果说“深蓝”只是在做非常大规模的计算，是人类数学能力的体现，那么Watson就是将机器学习、大规模并行计算、语义处理等领域整合在一个体系架构下来理解人类自然语言的尝试。

Watson问答系统能力解析,Watson研发团队全面备战,IBM公司调动其全球研发团队参与到DeepQA项目中，这些团队分工极为细致，让它的各个团队都发挥出最大的效率，目标就是在2011年的综艺节目危险边缘（QuizShowJeopardy!

）中一鸣惊人。

问答搜索：

以色列海法团队负责深度开放域问答系统工程的搜索；词语连接：

日本东京团队负责在问答中将词意和词语连接；数据支持：

中国北京和上海团队则负责以不同的资源给Watson提供数据支持算法研究：

此外还有专门研究算法的团队和研究博弈下注策略的团队等。

Watson包括90台IBM小型机服务器、360个Power750系列处理器以及IBM研发的DeepQA系统。

Power750系列处理器是当时RISC（精简指令集计算机）架构中最强的处理器，可以支持Watson在不超过3秒钟的时间内得出可靠答案。

3.提取文字结构信息，减少冗余搜索。

4.逐级分解每个问题，直到获得所有子问题的答案。

5.在自身知识图谱中搜索并汇集特定实体的属性信息，实现实体属性完整勾画。

6.运用算法评估可能答案，可信度最高且超过51%，执行器按下信号灯。

Watson的工作过程,Watson挑战成功,最终比分成绩为Watson:

$77147，Jennings:

$24000，Rutter:

$21600，比赛尘埃落定，人类已经和Watson相距太远。

2011年2月14日-16日，做好一切准备的Watson开始了与人类的对决。

Watson在第一轮中就奠定了领先