看一下alphago的resource allocation吧。MC search需要48个GPU，40个threads。你所谓的CNN才8个GPU。如果不需要算那么深，不需要算那么多步就不需要那么多GPU了。那么多GPU还是输给李世石一局，因为漏算了一步优先不高的一步棋。 How to run the MCTS? To run MCTS efficiently, the searches (simulation) are run on 48 CPU in 40 threads. The policy and value evaluations run on 8 GPU. https://jonathan-hui.medium.com/alphago-how-it-works-technically-26ddcc085319
看一下alphago的resource allocation吧。MC search需要48个GPU，40个threads。你所谓的CNN才8个GPU。如果不需要算那么深，不需要算那么多步就不需要那么多GPU了。那么多GPU还是输给李世石一局，因为漏算了一步优先不高的一步棋。 How to run the MCTS? To run MCTS efficiently, the searches (simulation) are run on 48 CPU in 40 threads. The policy and value evaluations run on 8 GPU. https://jonathan-hui.medium.com/alphago-how-it-works-technically-26ddcc085319 睿 发表于 2021-03-30 12:46
看一下alphago的resource allocation吧。MC search需要48个GPU，40个threads。你所谓的CNN才8个GPU。如果不需要算那么深，不需要算那么多步就不需要那么多GPU了。那么多GPU还是输给李世石一局，因为漏算了一步优先不高的一步棋。 How to run the MCTS? To run MCTS efficiently, the searches (simulation) are run on 48 CPU in 40 threads. The policy and value evaluations run on 8 GPU. https://jonathan-hui.medium.com/alphago-how-it-works-technically-26ddcc085319 睿 发表于 2021-03-30 12:46
比赛过程不停地在说狗子的棋奇怪又没意义，但不知不觉中突然发现阿尔法狗已经赢了
🔥 最新回帖
有问题吗？你又要给大家刷低你的知识了吗？npl不是用了理解对方的话，然后回馈，然后对方继续对与这个话题交谈，不是chat吗？
NPL AI = chatbot
wow
既然AI的chatbot那么牛了，那做客服没有问题吧。为啥没有任何公司做chatbot代替客服呢？每个客服可以省多少工资？如果有这个科技，开个公司，我不是说过可以轻轻松松成为全世界首富之一吗？
Siri是干啥用的？是设闹铃问天气用的，不是用来跟你聊天的。你吐槽Siri聊天不自然，那当然了，人家本身定位就是virtual assistant，不是话痨。
投行的语言AI更加不是用来跟你聊天的了，那个普通人根本接触不到，是大资本家赚钱用的工具。
投行不是sell side吗？我有说错吗？
AI chatbot不是很差吗？ 我有说错吗？
那么简单家喻户晓的知识都不知道，还说我不了解？你真逗啊，哈哈哈。
🛋️ 沙发板凳
中盘倒反而更能体现出棋手的真正实力的，因为毕竟开始短兵相接，要比计算能力了。
》比赛过程不停地在说狗子的棋奇怪又没意义，但不知不觉中突然发现阿尔法狗已经赢了 如果不是那神之一手，五局都这样 AI在几个月的时间内，远远的把人类甩到后面去了。
国际象棋也是一样，现在抓网上作弊的都是有人下一步非常匪夷所思的棋，而那一步是几十步后演变最佳的棋，就可以判定他是作弊了。当然有人会说是碰巧，可是有两次以上就远远超过碰巧的机率了。
不管什么棋，人类只能看懂比你厉害一点点的棋，如果水平差太多，就完全看不懂了。这个也可以用在数学，差太多就完全听不懂。
“AI能看到各种几万步后发展的棋盘”。
这个你说的不准确，当然，围棋走不到几万步，但问题的实质不是这里，而是围棋的AI实际上不是硬算多少步之后的变化。
围棋的AI，实际上是凭感觉，也就是说，某种“样子”的局势，AI根据“感觉”得出在各点落子的胜率。这个“感觉”，是通过convolutional neural network(CNN)算出，而CNN的参数，是通过自我学习来不断修正的。
所以大家都用AI训练以后，柯洁统治力就下降了。看好小申今年横扫棋坛。
如果让ai和ai下会是什么后果呢？
看哪个AI更厉害了，势均力敌最后就是和棋或者差半目。国象的顶级对局，最后经常就是和棋
现在本来就有AI和AI的比赛。实力接近的AI，自然胜负参半。
我前面说的只是简化的描述，事实上AlphaGo Zero在CNN之上，还会有MonteCarlo Tree Search (MCTS)。不过这个MCTS并不是真的随机走不同的branch，走完棋局根据输赢给某步棋加/减分，而是在建立Tree的过程中，对每个节点，根据CNN算出的，这个节点以及下面走过的节点的价值，进行优化。
所以，确实，在优化上花的轮数越多，结果越优（当然，这是假设network-也就是之前训练出的参数们-强度类似）。但严格来说，这确实不是像以前大家知道的国际象棋的那种硬算多少步的方式。
现在大家已经开始用Deep Learning设计其他各种棋类或者游戏的AI了，这个真的能做的很强。
刚醒来，我写的不够准确，AI算的是几万步不同变化。
如果你玩过围棋AI，就会知道你说的每个局势的落子胜率只是AI考虑选择点优先而已，所有的优先高的点还是会通过Monte Carlo算出几万步后最佳的状况。如果不用Monte Carlo，只靠“感觉”和AI以前靠经验定义的落字胜率，水平只能到初段。这个alphago的paper都有说到。玩AI围棋，都要设calculation threads，要多少个来计算，还要设多少秒。
以前比较旧的显卡2080的一秒8000步，一般设10秒AI走一步，也就是8万步选一步。
即使是最初阶段和李世石下的alphago, 大多数的每一步也是5秒？如果不需要大量计算，根本不需要那么久，可以秒拍。
现在最最厉害的katago和人类顶尖高手下，让3个子差不多水平。4个子katago输的就比较多了。
以前没有AI，高手认为如果围棋有神的话最多让2子，现在看来差不多，3子。4子开始太悬殊了，到一定悬殊的情况神都救不了。
我的意思是，不会像以前国际象棋的AI那样，算的那么深。
简单描述一下AlphaGo Zero的MTCS的过程： 当前状态的节点作为tree的root，之后所有可以走的位置，都是这个root的child。每一轮MTCS，就是从节点往下走，遵循这个原则： （1）如果有没加入tree成为leaf的悬空child，那么加之（如果多于一个可选，有一定算法加哪个）。 （2）如果全部child都已经成为leaf，那么选择一个leaf（有具体算法去选择），往下走，重复（1）（2） visit每个节点的时候，会更新本节点以及其parent的visit值。
围棋一般一个状态（节点），会有上百个child可以选择。当然MTCS并不是每个节点都visit同样次数，但就算这样，你也可以看出，这种search，不会走得很深。如果算，比如，8万轮，那么能往下深入四五层就算不错的了。
柯洁好歹也八次冠军了，不至于是小丑，但是他的确人品有问题。
李世石年轻时也愤世嫉俗，但是对李昌镐还是恭恭敬敬。柯洁不知哪里来的勇气看不起李世石。
看时间设置，每秒一步的话，估计可以让职业棋手九子。前几天野狐网有个职业被让四子输了，30秒的棋。
如果是每方两三小时，一分钟读秒，大概是让两子或三子。
8万步是家庭版主机，alphago用的可不是家庭版单个GPU电脑。对付业余棋手家庭版已经够了。
听起来有趣，油管上有回播吗？
是的，我说的是慢棋。快棋当然人类更加被吊打。
职业选手之间也差好多的，高职业和低职业也可以让二子。
对付职业棋手家庭版也够用。现在职业棋手都用AI训练，家庭电脑就足够，比如中国棋手用绝艺。。。
基本上来说，MTCS与CNN结合，“深度”不是太需要追求的东西。
绝艺是云计算啊，前面只是个UI。你如果会下围棋，就不会说深度不是太追求的东西。只看目前下的棋局是没法通过经验下出最好的一手，一定要用算法。如果深度不需要追求，alphago和人下就不需要服务器了，和李世石下棋的博士用手上的笔记本就可以了。
CNN让树变的更窄，这样才可以算的更深，才可以打败人类。CNN的用途还是为了能算的更深。
我的意思是阿尔法狗和自己下会怎么样？会不会锁死？
传说古力把某女棋手打到让六子，好像是十秒的快棋。
人类和人类比快棋相差不大，和AI比相差太大了，1秒AI那么多步已经可以想到非常优的棋，棋手只能想到比较好的棋。时间越久对与AI来说区别没有人类来的大。譬如长考，人类还可以继续想下去一步步的变化。AI想的非常深，每深一步得更多exponential成长的大量计算，所以过了一定时间AI来说被硬件限制住了就没有用了。
确实是。柯洁因为不忿阿法GO请了李世石没请他下，解说的时候各种阴谋论啊。多次说李世石是明显故意下坏棋让着阿发狗是拿钱帮助谷歌炒作。
为啥会锁死？AlphaGo Zero就是通过自己和自己下，开始只知道规则，没有任何对“策略”上的了解，然后学习成长的。
我的医生有次对我说，他要回自己办公室查查电脑才能回答我的问题。
医生还是很有用的，让我搜，我根本不知道该用什么关键字。
我这样说比较好吧：以alphaGo zero为例（开源的katago应该也是这个算法），它的MCTS的算法就是我上面描述的，在选择leaf的时候，自然会根据它的CNN算出来的价值来做选择（具体公式我就不谈了）。最后选择哪一手，是看算了这么多轮后，哪一步被visit的最多。
那么究竟会算多深，只是算多少轮的副产品。也就是说，不像以前的象棋AI，以前，算的深本身就是目的，因为算的深你就能更好的预测这一手最后的结果是好还是坏，你算到的最后一层的价值，才是决定性的价值。
现在CNN加MCTS，说白了，就是在CNN的指导下我往下建立/走这个tree，看root之下的第一层节点，哪个点被选择的次数最多。而在这个点下任何一个leaf的好和坏（也就是CNN算出的价值），都能直接贡献到这个节点的visit数。换个方式说“最后一层”的价值并不是决定性的价值，在最后一层和第一层之间所有节点，都有贡献。这也是为什么“深”的意义，没有以前那么大。
当然，算的多自然就更深，这一点是显然的。
现在冠军数量比柯洁多的有李昌镐、李世石、曹薰铉，古力也是八个冠军，但是亚军比柯洁多。
有申真谞在，柯洁以后不知还能拿几个。
如果不需要算的深，就不需要CNN做priority优先的下棋点来收窄选择支点，也不需要用server服务器来算。这两点开发都是为了算的更深。
要是年轻的李昌镐能和阿尔法下三盘，一定是经典。
不过话说回来，柯洁棋下的还是不错的，后来有一盘慢棋是经典中的经典。
你这是叶公，哈哈，现在的围棋很有创新，比以前千篇一律的下法好看多了。
这个目的不是为了算的更深，是为了不去花时间算那些价值很低的点。当然，既然AlphaGo Zero的MCTS最后选点的方式，是选出那个visit最多的点来下子儿，那么这个（花更多时间去算价值高的点）基本上就既是原因也是结果。实质上的，是在几个CNN算出了价值接近但都比较高的节点之间的比较。
实际上，现在的下法才比较千篇一律。比如，点三三。。。
只不过比以前的下法有些不同而已。至于“新招”，基本上请AI指点就知道好不好了，所以大家的开局其实比以前还窄了（当然，这可能说明以前的有些变化，被AI判断出不好，所以大家就不去尝试了）
乐视体育里有嘉宾说是25步，主持人貌似还挺不屑的，其实25步已经需要很多计算量了，假设每一步有10个选点（我觉得狗子考虑的选点应该远多于10个，因为狗子的大局观比较好），就是10的25次方。我家娃自己说，他只能算最多6步（定势不算）。
家庭医生那种， 不用AI， 也可以取代了。
看一下alphago的resource allocation吧。MC search需要48个GPU，40个threads。你所谓的CNN才8个GPU。如果不需要算那么深，不需要算那么多步就不需要那么多GPU了。那么多GPU还是输给李世石一局，因为漏算了一步优先不高的一步棋。
How to run the MCTS? To run MCTS efficiently, the searches (simulation) are run on 48 CPU in 40 threads. The policy and value evaluations run on 8 GPU.
https://jonathan-hui.medium.com/alphago-how-it-works-technically-26ddcc085319
我怎么觉得（借用吴清源的话），那盘棋狗子还是输了好
算的轮数越多越好，这是毫无疑问的。
我只是说，这里面，“深”不是个关键问题。因为不像以前的象棋AI啥的。
现在创新都是AI去干，人类就是跟着模仿。上百年积累的定式有一大半都淘汰了，变化少了好多。
如果不需要深，MCTS就完全不需要那么多个gpu. 你的opinion敌不过fact。alphago 放那么多gpu不是摆设。
实际上人和AI真正的差距，还是中盘与官子的具体计算。因为这种交战或者接近终盘时的漏算，那是代价重大的。有时下出个勺子，基本上就输定了。但中盘与官子，你很难“学”AI。
而布局时，就算与AI有一定偏差，影响也未必那么明显。很少听说谁布局下出个勺子来的。但既然是比赛，大家谁都想能占一点儿优势就多占一点儿优势，而且布局比较好学AI （因为盘面形势相对简单，比较容易照搬）于是布局也越来越AI流了。。。
MCTS需要的是多算，这咋就不需要computing power了？至于是不是深，当然要看具体这个tree的组成。一般情况下算的多自然就深，我只是说与以前的象棋AI之类的比，这个“深”没有以前的意义大（以前大家说起啥啥象棋软件，谈到就就是能算多少步。现在围棋AI很明显不是以这个为评判方式的）。
不为了算的深，就不需要CNN来减少树的宽度了，下一手有优先分别就是为了减少下一步的选择量，减少树的宽度，为什么要减少宽度？就是为了算的更深。
和以前象棋比，现在算的更多，硬件一直在进步。如果真的按你说的算的没有意义了，还需要48个最新的GPU做search！？
对李世石那个阿法狗用了48个TPU，可能TPU比GPU更适合深思的算法，也可能是谷歌不想给英伟达免费做广告。
对柯洁那个阿法狗只用了四个TPU。据说训练神经网络时需要资源多，一旦参数出来了，实战需要的资源相对较少。
有次看阿法狗和周俊勋的模仿棋，AI说执黑这么模仿最后盘面2.5目，贴不出目。
百年前吴清源也推算过模仿棋，说天元那颗黑子价值只有三目，不贴目模仿棋可以赢。
如果没有追责这种事，医生其实超级容易被取代啊。药剂师第一个被取代。什么药物之间相互反应这种人类哪能有机器记性好。 现在主要是追责制度挡着路而已。
我觉得因为possible move太多，围棋AI算法不能无限追求深算。不像简单的棋，直接算到底就完了。 当然太浅也是不行的。所以用policy/value network减宽，减少CPU深算的load。
》3子。4子开始太悬殊了，到一定悬殊的情况神都救不了 意思是AI已经逼近理论极限了吗？
哪个computer给错药了，就把它拆了。算不算追责。。。🤣
就把写程序的马工揍一顿就好
本来就是blackbox，要追到谁那去？
何出此言？
这样的project, 马工， 测试， PM几十上百人， 打谁
围棋的确被玩残了，以后看谁植入的芯片版本新。
记得当时阿法狗带来的震撼太多了，很多都是关于人类和机器的哲学探讨，大多其实都是跑题的。尤其是在韩国，弥漫着很强的悲观情绪。慢慢在一些采访中，DM公司一些人强调阿法狗其实很简单，根本不算人工智能。后来狗子输了一局后，整个氛围都友好了很多，虽然第五局李世石又输了，但明显大家对阿法狗接纳多了。
记得有个媒体采访问起伦理道德的问题，DM的哈萨比斯强调我们自己也很关注，在这个问题的前沿云云，当时没觉得有什么特别的，但不知如何，这段采访一直在记忆里印象深刻。
跟伦理道德有什么关系？
不理解和追责有什么关系。 如果一个国家只有几个医疗公司， 用几台超级计算机， 肯定误诊的概率比几十万个医生要低。 而且电脑从错误中学习超快， 比几十万个医生学习快多了
药剂师是非常容易给取代的，毕竟就是按处方发药，顺便检查一下药物之间的冲突，和AI可以说没有关系。
医生就不一样的，范围太广，从看CT片到各种检查报告，到病人自己的感觉等等，即使都做了各种数据输入后如果有错误，人也没法调节，因为都是NN参数，人是没法调节的。你要强制去扩大一个case正确的影响力反而会出更多其他case的错误。
毕竟19*19格算气的围棋和现实生活中各种医疗case来比是小巫见大巫了。
不必勺子， 李世石这样的顶尖高手下一步缓手， 对人类棋手还能搬回来， 对电脑就game over 了
记得有一局， 李在左上补了一子，砌了一道墙， 大概就是想厚一点， 从此再无机会
讲真，现在真能追责医生吗？实际上AI更能追责，反正医疗服务提供者买保险赔偿即可。
现在问题的本质是立法垄断。医疗业者对全民进行忧虑营销。
这么说吧，有些开局，你走错一点点，AI已经显示有90%的赢率，人类怎么走都没法搬回来的。
至少家庭医生可以取代。
家庭医生的case就更广了，反而比专科的case多的多了。如果先要下手还是应该应该专科的。
“毕竟19*19格的围棋和现实生活中各种医疗case来比是小巫见大巫了。”
当然是19x19的围棋更难，每一步有300多落点，预计要落子100轮左右。医生诊断第一轮差不多1-5个病因猜测，都不准的话，再来第二轮，还不行就抓瞎。而且医生如果不给力，病人看不出来，就说病毒太狡猾。棋手不给力就是输棋，没有躲避余地。
主要围棋输了也就输了，最贵的一个世界大赛也就几十万美元。 医疗事故就没那么轻易了。
错，家庭医生只分析已知的典型病情并refer，这个AI太容易。专科会触及未知领域，未知的东西难以编到CNN里面。好比发现幽门螺旋杆菌这种不是AI能搞出来的。
人类对电脑就不用考虑了，以现在AI的水平，人类从一开始就是game over（当然，说的是分先）。
人类对人类，走缓手是常见的。开局的缓手，比起战斗中或者收官的大勺子来说，挽救的机会还是大得多的。
是的 dm 团队还号召所有搞这个的team联合起来做一些伦理道德方面的讨论和guideline
围棋是可预见的一个游戏，下那一步都是可以马上看到结果的。看诊是不可预见的，而且很多中年以上的病是引发病，不是病因。药的效果也是百分比的疗效，什么时候停药换药，AI还要有时间观念和病情的严重化的对比观念，这个不是decision tree那么简单的。
以后人类永远无法公平竞争打败AI， 任何棋。
你又露怯了，说的越多越暴露你即不懂围棋也不懂AI.
》医生就不一样的，范围太广，从看CT片到各种检查报告，到病人自己的感觉等等，即使都做了各种数据输入后如果有错误，人也没法调节，因为都是NN参数，人是没法调节的。你要强制去扩大一个case正确的影响力反而会出更多其他case的错误。
AI/ML到一定程度以后，人就不能判断它是不是错误的了。因为它的判断（即便不完美）已经超过世界上所有人。 医疗AI会逐步进入医生的诊断过程，直到最终完全代替。 不止医生，其他各行各业都一样。
你要讨论就说事实，不需要戴帽子。
可预见的意思是你可以simulate，可演变以后的变化来得到下一步走哪里的好坏。这个可以用AI演算变化来得到那一步最佳。看诊没法simulate以后怎么样，目前AI只能看统计。AI可能可以categorize或者group某些case在一起，可是有两个问题。
1。刚才我说的用药，用过哪些药多久不工作，如果病情严重，要换用那些更强的药。这些统计里没有很好的详细内容和量化。还有我说的其他隐患基础病或者正在服用的药物引起的新病，这些好多都是逻辑问题，不是统计问题，目前AI没法学习大量生活中逻辑方面的知识。
2。医疗用的新药和新治疗仪器，和新的治疗方法没几年都在更新，所以这些治疗的患者数据非常少，还是要靠医生的逻辑，可这个目前AI没法达到。没有人愿意用旧的治疗方法，都是要用最新最有效的方法。所以旧信息对于医疗患者不是非常有用。
这样说吧，生活中的逻辑，AI非常差，连5岁的知识都没有，目前的AI对话bot, 惨不忍睹，说过的前一个场景，后面再提起来，AI根本不记得。目前ML，DL，NN局限性非常的大，不需要夸大它们现在的能力。连一个5岁智力都没有的AI，要去做非常复杂的事情，要有时间观念，病人的作息观念，病情恶化观念，饮食观念等等， 运动观念，可能吗？
AI用于医疗诊断的前途不错，如果数据库够大， 症状输入后，很快能缩小检测范围，有效降低了误诊的概率
如果人类刚发现市场上一种药会导致心脏病患者更容易引发，因为刚发现的，NN参数怎么改！？
玩电竞，围棋输了可以拼命train到它赢，新知识加到旧知识里面怎样加？NN是靠数量来慢慢加大或减少一个NN参数。一个新知识点在NN里没法用。
加入data set,让它继续自学就可以了。
》人类刚发现xxx 这也是一个学的过程，不是absolute truth 而AI/ML学的比人快
没有case，加啥data set? 自己编造的case？不是实际的case？如果太多这样的case加进去，后果和现实可能就越来越远。
没case怎么“发现”？？
case不够多，从几个病人的发病做假设，然后看历史sample发现超过统计正常值。
你别以为现在AI那么强，现在连个货车是云还是货车都搞不清楚。小环境AI没有问题，到现实生活中，AI就趴下了。
AI可以自我对战。AI的对局数据库除了和人类对局外，大部分是自我对局出来的。 人类一生能下几万盘棋就顶天了，而顶尖的AI比如绝艺，自我对局数超过30亿。 通过海量的数据库可以进一步优化算法。所以下到后面，已经不是人类能不能赢AI的 问题，而是会被AI让几个子的问题，目前看AI让顶尖人类3子差不多是极限了， 毕竟棋盘大小只有19x19，AI对人类的优势有一个阈值
AI写诗词也能写得像模像样啊，现在网上不都有么？
你说那种除了字数平仄哪儿都不对的？歪歪撇嘴说：没有灵魂。
医生不也花了一年时间才搞清楚要不要戴口罩吗？
围棋是可以不用多少时间自己生成的，病和新药物的作用没法自己生成，要靠真实的数据。
歪歪贵在真诚，最近估计连诗都不写了吧。。反正好久没有看他秀现代诗了。也不知道在忙啥。。
》case不够多，从几个病人的发病做假设，然后看历史sample发现超过统计正常值 dataset一样，AI/ML学的比较快，可以发觉人发觉不了的correlation AI/ML的知识判断及时进步，而从dataset 到给医生们的guideline有时间差
》现在连个货车是云还是货车都搞不清楚 AI/ML觉得困难的往往跟人脑觉得困难的不同 人脑做“现实生活”的工作（eg.辨识云）已经有百万年的经验/进化 人脑做先进科学方面的工作相对来说时间非常短，其实优势不大