硬体运算能力和演算法不能分开看，都要够成熟才会进下一步。 其实围棋的Monte-Carlo Tree Search(MCTS)和将棋的Bonanza Method都 大略在2006年左右取得突破，这不是巧合。 以将棋的Bonanza Method来说，其实它只是西洋棋里Comparison Learning的重现， 两者是一模一样的东西，只是Comparison Learning是在90年代， 要能学出有效的审局要上万个参数(feature)才能做到，当时硬体运算速度要等非常之久， 会变得很不实际，而是到2006年左右硬体运算够力才让它效果出来。 MCTS也是差不多的故事，用Monte-Carlo法来下围棋也是90年代就有的概念， 只是Monte-Carlo法要跑模拟数量规模够多的情况下好会有好效果，但也是等到约10年前 硬体运算才跟得上。 当然，虽然是90年代就提出，但现在用的方法其实跟90年代时提出的长得不一样， 有了最近的修改，加上硬体运算够力，两者都够成熟了才能有突破． AlphaGo也是一样的情况，Deep Neural Network的学习也是要有GPU才会比较够， 光用cpu跑会太重，所以硬体运算能力不够的话，这方法也钱是"不实际"的 其实Neural Network也是80年代就有的东西，但也是2006年左右deep learning才取得 突破，早期要train一个很大的Neural Network太花时间，也"不实际"． 当然，不单纯是运算力的问题，演算法上也有个关键的突破(解决overfitting)才成功 所以这两者是相辅相成，不能独立来看的 ※ 引述《einstean (台北捷运世界一流)》之铭言： : ※ 引述《zkow (逍遥山水忆秋年)》之铭言： : : 将出战南韩棋王 : : AlphaGo在3月将於首尔出战全球最厉害职业围棋手、号称「围棋界费德勒」的南韩棋王李 : : 世石，胜者可得约3356万元台币奖金。李说：「我听说DeepMind的人工智慧出奇地强且愈 : : 来愈厉害，但我有信心至少这次能赢。」 : 如果将棋电王战的奖金也有100万美金的话，我就不相信羽生渡边不会来参加。 : Google的做法就像当年IBM的深蓝电脑一样，藉由打败棋王来提升企业和产品知名度。 : 1996年2月10日，深蓝首次挑战西洋棋世界冠军卡斯巴罗夫，但以2-4落败。比赛在2月17 : 日结束。其後研究小组把深蓝加以改良，1997年5月再度挑战卡斯巴罗夫，比赛在5月11日 : 结束，最终深蓝电脑以3.5–2.5击败卡斯巴罗夫，成为首个在标准比赛时限内击败西洋棋 : 世界冠军的电脑系统。 : 我想今年电脑应该不会赢，可是再过几年就很难说。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 218.221.73.160 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/chess/M.1454249440.A.D71.html