第(2/3)頁

    從理論上來說，圍棋問題的輸入和孟繁岐非常擅長的圖像類其實很像。

    彩色圖片在計算機中的形式就是多通道矩陣，通常為3通道，代表三原色。

    比如，一張分辨率為224x224的圖片，就是以三個[224， 224]矩陣的形式進行存儲。

    一般來說，每個位置的取值在0~255之間。

    對于圍棋這個情況來說，它的輸入就像是一個19x19的單通道圖片。

    19x19表示棋盤上所有的落子地點，而每個地點的取值就只有三種狀態，黑，白，無子。

    可以用[-1，0，1]三個數字來指代。

    而圍棋智能的目標，所謂的下棋。

    如果不考慮其中原理的話，它的外在反饋其實就是給定這樣一個[19，19]的棋盤，希望程序可以在上面僅改變一個無子的數字0到給定的棋子類型(數字-1或者1)，同時使得該方獲勝的概率盡可能地變大。

    “棋盤就是一副黑白的單通道分辨率為19的圖像?！边@個事情在普通人看來比較不會想到。

    不過對于比較熟悉圖像技術和深度神經網絡的孟繁岐來說，是很自然的事情和概念。

    “我們從深度神經網絡的突破中獲得了靈感，在2012年底的AlexNet之前，瘋狂石頭這款圍棋智能提供的準確率是最高的，達到35%左右。

    目前主要是在研究，如何使用深度神經網絡使得圍棋智能的判斷更加精準。

    Alex和你引領的深度神經網絡在分類問題上有了驚人的突破，這是我們今年啟動這個項目的一大原因。

    我們目前在嘗試收集大量的專業對弈棋譜，目前已經有了十多萬場比賽的內容。而從這十萬多場比賽當中，又可以抽離出上百萬個單次落子。

    通過這個數據，我們現階段在確立合適的網絡結構，在這個方面，我想你是專家中的專家?！?

    “我大概了解了?！泵戏贬犕曛蠡久靼琢薉eepMind現階段的想法和進展情況。

    雖然此前黃博士在圍棋AI項目上有過很多研究，但阿爾法圍棋項目畢竟才剛剛開始，同時也是基于全新的深度網絡技術。

    目前為止，他們還沒有形成一整套的學習以及對抗的思路，那一套策略網絡-評估網絡-強化學習-蒙特卡洛搜索的總體結構還沒有成型。

    還停留在比較早期的階段，甚至還沒有最后決定到底使用怎樣的網絡結構比較好，此時正在對模型本身的結構進行測試和設計。

    “這方面確實是我比較擅長的方向，尤其最近，我在CPU和小模型的設計上有一些想法，這些內容應該會對你們有一定的幫助?！?
    第(2/3)頁