机器学习的进化之路：从AlphaGo称霸围棋到AI制霸德扑的技术全景解读（上）

回顾往昔，AlphaGo在世界棋坛上以横扫之势展现其强大实力，于此同时，德州扑克的领域成为了人工智能全新的争夺领域，有新的竞争战场出现了。

在过去一年间，谷歌的AlphaGo取得了对围棋顶级大师李世石的重大胜利，且是60局连胜态势，还接连战胜了数十位来自中日韩的围棋高手。在成功攻陷围棋领域后，人工智能进一步进军德扑对战领域，由加拿大和捷克科学家研发的名为DeepStack的人工智能成为了第一个能在一对一无限注德扑中战胜人类玩家的人工智能体，其平均胜率达到了492mbb/g。于2017年1月中旬，卡内基梅隆大学的人工智能“Libratus”开启了与德扑职业玩家为期20天的激战争夺，这一举动将为“人机对战”的历史增添极为浓重的一笔。人工智能时代来临，其震撼了全球，到底是何种力量给予谷歌 AlphaGo 以及德扑对战 AI 超凡的智慧呢？“未来机器”系列报告期望凭借前瞻性探究视角给您予以启发。在第十五篇里，我们将关注点放在 AlphaGo 的制胜法宝上，也就是机器学习。

机器学习是人工智能的方法，深度学习是机器学习的分支

一般来说，人工智能也就是Artificial Intelligence，着眼点是使机器拥有部分乃至全部人类的智能。机器学习属于人工智能领域里一种关键的方法，是达成人工智能的一条路径。深度学习指的是机器凭借深度神经网络，模仿人脑去开展学习、做出判断以及形成决策，它是机器学习的主要分支当中的一个类别。人工智能、机器学习以及深度学习存在着层层细分的关联，后面的是前面实现的一种方式。对于机器学习而言，关键技术支撑涵盖内存、GPU、算法以及数据源，单独来讲，机器学习是计算机借助已有数据，得出某种模型，并运用该模型预测未来的一种方法，其与人脑思考方式极为相似。

机器学习的发展关键取决于硬件与软件这两个层面，硬件层面，大容量存储乃是机器学习发展的根基所在，并且当下主流的机器学习方法全都依赖 GPU 去开展计算以及训练，软件层面，算法是机器计算的核心部分，数据源是机器学习准确性的保障条件，伴随深度学习算法的提出，神经网络算法变成了近期的热门焦点。

机器学习产业蓬勃发展，全球多领域巨头争相布局

按着 Venture Scanner 的统计来算，截止到 2016 年上半年的时候，在全球范围之内大概有着 1000 家人工智能公司，其中和机器学习联系相关的公司大约占到 40%；按照 IDC 的预测情况，在 2020 年的时候机器学习应用市场有希望达到 400 亿美元。虽说多数人工智能企业还处在初创阶段，不过呢，还是有一些公司起到引领带动作用的，像谷歌、IBM、Facebook，还有百度、阿里巴巴、腾讯这些国内外的巨头，凭借自身在技术方面、资金方面以及数据方面所拥有的优势，形成了机器学习领域里的核心力量，在日渐把产品线完善起来，从平台构建等各个维度，使劲推动机器学习产业热热闹闹地发展起来。

智能机器人的关键所在是人工智能，云计算一同搭档，开启了服务机器人的全新时代。

为人类提供服务的机器人，其定位在于此，而智能化乃是它最为突出的特性，对，机器学习以及深度学习那可是会成为此类机器人拥有高度智慧的全新源头的，依靠这个能有着机器智能不断攀升的情况，交互精准度也会逐步迭代提升，并且与此同时，云计算还包括大数据以及高速移动网络会把机器学习跟智能机器人通过隔空方式联结到一块儿，一块儿去搭建起以“云平台”作为核心的人工智能技术生态圈，这样一来智能机器人很有希望迎来一个爆发的阶段。尽管国内服务机器人该产业开始的时间比较晚，然而其具备的发展空间挺大，有几十家已上市的公司宣称要进入这个领域，其中那些布局比较积极、业务方面规模较为可观的具有代表性的企业涵盖了：巨星科技、机器人、康力电梯、博实股份、美的集团等。

一、人机大战烽火不断，人工智能捷报频传

长时期以来，“人机对战”始终都被看作是用以衡量人工智能进步程度的关键途径中的一个，在过往的20年当中，伴随人工智能持续地发展，传统智力游戏领域持续不断地涌现出新型的挑战者，我们多次目睹了人工智能已然在众多的游戏、竞技比赛里超越了人类，像国际象棋、中国象棋、西洋双陆棋、跳棋、Jeopardy智力竞赛、Atari电子游戏等。于过去的那一年内，人工智能再度依托于“人机大战”竞技场上呈现出的良好表现，进而引发了全球针对人工智能的持续关注点。

1.1 连胜 60 局：谷歌 AlphaGo 横扫中日韩棋坛

在才刚过去的二零一六年当中，谷歌旗下的DeepMind公司开展研发的人工智能AlphaGo于围棋界引发了波动。在二零一六年一月二十七日，谷歌DeepMind依据“深度学习”原理塑造的lphaGo在没有让子的情形下战胜了欧洲职业二段选手樊麾，人工智能首次在完整的围棋竞技里打败了专业选手。

李世石，这位于2003年赢得第16届富士通杯冠军进而蜕变为九段棋手的人物，在加冕富士通杯之后的十年光阴里，总共斩获了18个世界冠军的佳绩，他凭借这样的佳绩成为了继李昌镐之后韩国极具标志性的顶尖棋手。而谷歌AlphaGo因成功战胜了他，从而一战成名。李世石对局前，谷歌 AlphaGo 已集训半年，这半年里谷歌为它输入人类围棋大师 3000 万步走法，还让它自我对弈 3000 万局，以此积累胜负经验，它边靠自我对弈训练形成全局观，边评估局面。2016 年 3 月 9 日到 15 日，AlphaGo 最终以 4： 1 总比分战胜世界围棋冠军李世石，这得以表明 AlphaGo 在围棋领域已达超越世界顶尖水平的情形。

2016年7月18日，世界围棋排名网站Go Ratings公布谷歌AlphaGo的总积分超过了原排名第一的柯洁，人工智能首次在围棋领域荣登世界榜首，成名后的AlphaGo凭借60局连胜中日韩高手再度引发全球关注，力克李世石后，谷歌AlphaGo也并没有停下它征战的步伐。2016年末，到2017年初之时，谷歌AlphaGo化作棋手Master，于网络围棋平台当中展开快棋对决，多次打败了数十位中日韩围棋高手，这些高手涵盖聂卫平、柯洁、朴廷桓、井山裕太等，拿下60局全胜的成绩，谷歌AlphaGo乃人工智能的杰作，在围棋界已然达到登峰造极的程度。

1.2 力克职业玩家： 德州扑克成为人工智能挑战人类的新战场

随着围棋被攻陷，人工智能的触角朝着德州扑克延伸开来。2017年初时，加拿大以及捷克的几位科学家在介绍新算法DeepStack的论文《DeepStack：无限注德扑的专业级人工智能玩家》里，阐述了这种在一对一无限注德扑中能够击败人类玩家的算法，这为人工智能征战德扑立下了里程碑。在论文记载的人机对战当中，DeepStack平均胜率达到了492mbb/g。研究者邀请了33名专业扑克选手，这些选手来自17个国家，让他们挑战DeepStack，进行了44852次较量。DeepStack成为了首个在一对一无限注德扑中战胜人类玩家的人工智能 ，其平均胜率达到了492mbb/g，一般人类玩家到50mbb/g就被认为拥有较大优势，750mbb/g就是对手每局都弃牌的赢率。

围棋被攻陷后，为何是德州扑克来承载人类应战的责任?

德州扑克这种“人心不可测”，是典型的、属于不完整信息博弈的游戏，它也是人工智能面临的长期挑战，围棋对弈时，双方的棋子都完全显现在一方棋盘中，这就是所谓的“完整信息博弈”，所以阿尔法狗取得胜利，本质上就是揭开了围棋极为玄奥的神秘面纱，证实了围棋背后存在的计算本质，然而，德州扑克是“不完整信息博弈”，其信息并非完全透明，玩家仅仅能看到自己手中的牌，没办法知道对手的牌，并且在博弈过程中还包含有欺骗与推测。粗略来讲，这是一场有着“人心难以揣测”意味的博弈，因为德州扑克涵盖了更贴近真实世界情形的欺骗、推测等并非完美的信息，所以这一特性对人工智能的算法以及数据处理能力给出了更高的要求。

究竟是怎样的奥秘，使得 DeepStack 能够击败专业的德扑选手呢？难道人工智能已经可以读懂人的内心所想了吗？

在德扑对战里，你不但得思考别人将会做些什么，还得思考自身要做些什么，甚至还要思考别人会觉得你会做些什么，靠着这般的思考进而去推理出自身的接下来一步，而这些充满尔虞我诈的战术更像是兵法。DeepStack着重于培养人工智能德扑对战出牌时候的“直觉、牌感”。在这篇论文当中，有一个词多次出现，这个词就是“直觉”，而“直觉”也就是我们平常所说的“牌感”。DeepStack 通过结合循环推理来处理信息不对称的情况，借助分解把计算聚焦于相关决策上，还运用一种深度学习技术从单人游戏里自动学习，从而获取对扑克任意状态的直觉形式。在运用深度学习以及反复开展自我博弈以后，DeepStack 学会了在每一个具体情境出现之际进行推理。这和人类玩家的“牌感”极为接近，也就是在当前情境中对个人牌面大小的感觉，进而作出相应的决策。

当对战超出一定手牌数之际，运气成分会被稀释掉，人工智能拥有至极强大的记忆力优势会被突显出来。德州扑克跟围棋、国际象棋等纯技术类游戏不一样，在短期的对局里面运气因素相当重要。人是完全依靠记忆来记录对手逻辑思维顺序的，还有打牌的模式套路也靠记忆，然而人工智能会直接存档，会把你每一手牌的牌以及过程全部记录下来，客观来讲这一点人类是比较难以做到的。所以在一个有着数量较多手牌数的对局当中，人工智能在将数据充分收集并快速分析以后，人类是完全难以跟它抗衡的。

下一场人机德扑大战，何时揭晓战果?

2017年1月11日，有一款人工智能“Libratus”，它是由卡内基梅隆大学所开发的。这款人工智能运用了同样适用的DeepStack算法，它开始在无限制德州扑克比赛里，和四个顶级德扑职业玩家展开挑战。该赛程的时长是整整20天，在此期间，总共将会对战数目达到12万手的牌。一旦最终的战果被揭晓，那么人工智能征战“人机对战”的历史，将会再增添浓重醒目的一笔。

无论是 AlphaGo 在围棋界接连奏响胜利乐章，还是 Libratus 朝着德州扑克领域竭尽全力迈进，莫不上演着近年来人工智能，尤其是机器学习领域的飞速发展。借由本文，我们会对您深度阐释“机器学习”技术的过去与现在。都充分证明了近年来人工智能尤其机器学习领域的迅猛发展态势着实惊人。经由本文，我们会为您深度解析一番那“机器学习”技术从往昔直至如今的来龙去脉。

二、机器学习： 人工智能的璀璨明珠

2.1 机器学习是人工智能的方法，深度学习是机器学习的分支

简单来讲，人工智能简称为AI，其目标在于让机器拥有部分乃至全部人类的智能，通俗些说便是如此。人工智能属于计算机科学的一项分支，它是专门研究借助计算机前去模拟人的某些思维进程以及智能行为的学科，这些行为比如学习、推理、思考、规划等等。美国麻省理工学院的温斯顿教授持有这样的观点：人工智能实际上就是探究怎样使计算机能够从事唯有过去的人方可完成的智能工作，即是这样认为的。机器人、语言识别、图像识别、自然语言处理跟专家系统等，是人工智能研究侧重占据的主要领区。机器学习方式，是人工智能所属范畴里的一种关键办法，是达成人工智能目标的一条可取路径。人工智能依据智能所表征程度，能够区分成响应式机器、有限记忆机器，心智理论机器，还有自我意识机器这四种类型。

前文所提及的 AlphaGo 能够被归为有限记忆机器，也就是说，机器能够依据过去已有的经验去决定未来的行动步骤。为了达成机器智能的提高，“机器学习”是必不可少的办法。按照英特尔机器学习主管尼迪·查普尔( Nidhi Chappel)的看法，人工智能的关键在于怎样给机器赋予智能。而机器学习乃是部署支持人工智能的计算方式。简单来讲，机器学习是使机器达成智能的办法，是机器学习造就了人工智能。近期人工智能里头，机器学习属于发展速度最快的那部分，所以全球有着极其数量众多的企业，都在全力以赴地开发这项技术。

机器借助深度神经网络，模拟人脑开启基于深度学习的进行学习、判断以及决策的行为，此乃机器学习主要分支之一。为达成机器学习目标，浅层学习方法与深度学习方法先后被提出来。深度学习概念源自人工神经网络研究，其基于神经网络框架，以效仿人脑学习方式处理数据。借由神经网络分层处理，把低层特征予以组合，从而生成更为抽象的高层表示属性类别或者特征，以此发觉数据分布式特征表示有标点符号。

AlphaGo所采用的技术架构，是那种模仿人类大脑神经的模式，借助深度学习致使人工神经网络的层级大幅增加，进而提升了计算能力。AlphaGo取得胜利，使得如今处于高速发展态势的深度学习愈发成为人工智能领域的焦点。总体而言，人工智能、机器学习以及深度学习存在层层细分的关系，当中后者是前者得以实现的一种途径。

2.2 七十年变迁：机器学习的前世今生

奠定基础： 20 世纪 50 年代初到 60 年代中叶

至此阶段，一众研究者所提各类算法模型，为机器学习筑牢理论根基。1949年，Hebb依神经心理学之学习机制，提出Hebb学习规则。Hebb学习规则乃无监督学习规则，此学习之成果，是令网络得以萃取训练集之统计特性，进而依据输入信息之相似程度，将其划分成若干类别。此情形与人类观察及认识世界之进程高度契合，人类观察与认识世界，在颇大程度上便是依事物之统计特征予以分类。之后，IBM的科学家亚瑟·塞缪尔开发出新程序，该程序是跳棋程序，它能够随着游戏程序运行时间的增加，进而提高行动的准确性，这一程序得以诞生并有了进展。

经由此程序，塞缪尔推翻了普罗维登斯所提的机器无法超越人类，无法如人类那般写代码以及学习的模式。他创立了“机器学习”，且把它界定为“能够授予计算机能力而无需进行显式编程的研究范畴”。另外，于算法层面，最小二乘法以及最近邻算法的问世极大地强化了机器的数据处理能力。

停滞不前： 20 世纪 60 年代中叶到 70 年代末

在这一阶段，由于当时内存及处理速度有限受到限制，机器学习发展步伐几乎处于停滞状态。这个时期德信竞技，温斯顿（Winston）的结构学习系统，以及海斯·罗思（Hayes Roth）等的基于逻辑的归纳学习系统取得较大进展 ，不过只能学习单一概念 ，并且未能投入实际应用。而且，神经网络学习机由于理论存在缺陷 ，未能达到预期效果 ，由此转入低潮。

走向复兴： 20 世纪 70 年代末到 80 年代中叶

自70年代末起始，人们由学习单个概念延伸至学习多个概念，展开对不同学习策略以及各类学习方法的探寻。在这个阶段，机器学习于大量时间应用里重回人们视野，又再度缓缓复苏。于此时期内，韦博斯提出神经网络反向传播算法以及多层感知器的概念；昆兰提出了与神经网络模型迥异的决策树算法。这些全新理论为机器学习的发展增添了更多可能性。

逐步成形： 20 世纪 90 年初到 21 世纪初

处于这一阶段时，有一些相对成熟的算法理论问世了；研究者 Schapire 和 Freund 所提出并完善的 “Boosting” 方法，是一种用于提升弱分类算法准确度的方法；瓦普尼克和科尔特斯是在大量论证以及实证的状况下，提出了支持向量理论；除此之外，布雷曼博士还进一步对决策树模型予以深化，提出了随机森林模型；在这个阶段当中，神经网络以及支持向量机制于各个情景里都展露出彼此不同的优势。

蓬勃发展： 21 世纪初至今

身处这个时期，深度学习以及支持向量机理论变为了主流，Hinton和Salakhutdinov所提出的深度学习理论极大提升了神经网络的能力，深度学习可使具备多个处理层的计算模型去学习拥有多层次抽象的数据的表示，这些方法于诸多方面带来了显著的改善，其中有语音识别、视觉对象识别乃至对象检测，另外还有像药物发现以及基因组学等许多其它范畴。

大数据里的复杂构造能被深度学习所发觉，这构成了AlphaGo 在围棋领域有着重大影响的缘由。另外，互联网 的普及以及大数据与云计算的广泛运用，也促使机器学习的发展得以加快。随机器学习理论持续地演化与发展，人工智能的领域会引起连续的革新，让人类的生产能力以及生产方式出现改变。

2.3 高效性与普适性是机器学习崛起的核心优势

核心优势之一： 高效性

传统机器算法中，要让机器做决策，需其创建者把已有或已总结好的知识，经机器语言传给机器，去创建者将已有或者已总结好的知识通过机器语言传输给机器。然而机器学习算法能依据过去相关事件的数据自行总结出相关模型，再依据总结出的模型对新事件予以判断，这里机器的使用者仅需提供过去发生的样本数据。并且样品量越大，机器决策的正确性便越高。这极大地提升了效率，毕竟机器得以24小时不间断运行来分析样本，而人类却做不到，这就大大提高了效率，因为机器能够24小时不间断运行去分析样本，而人类则不行。

核心优势之二： 普适性

若是采用传统算法去处理一个问题，碰到不一样的条件，或许就需针对模型的代码实施调整，这般而来，改进的成本便会很高。然而，机器学习仅仅需要对输入的样本数据予以调整，就能使得机器自行剖析出新的模型进而加以运用，所需的仅仅是获取数据的成本以及一定的时间成本这两者。这一特性同样致使机器学习能够适用于各个能够获取大量数据的行业，并非仅仅针对某个特殊的方面。极大程度增强了机器的普适性，借此降低了使用者的成本。

2.4 机器学习的主要应用概览

应用之一： 语音识别

在语音识别领域当中，机器学习技术是能够被加以应用的，iPhone的Siri以及Windows语音助手Cortana都运用了机器学习的技术。当用户去使用语音识别软件的时候，机器要在已经构建好的状态网络里找寻与客户声音最为匹配的路径，而构建这个状态网络，用到的就是机器学习的技术。借助状态网络的构建，机器能够依据一个用户的话语，明确用户所提出的具体要求，甚至还能够协助程序自动去填充用户需求。一台机器，收集客户声音样本的数量越多，它相对客户而言，呈现出的人性方面的特点就愈明显。随着时间进展，机器学习技术持续进化，语音识别过程里所出现的错误概率，呈现出逐一减小的倾向。

应用之二：人脸识别

对输入的人脸图像或者视频流，依据具体面貌特征信息来判断的人脸识别技术，是基于人的脸部特征的。人脸识别系统的研究起始于20世纪60年代，然而真正步入初级应用阶段却是在90年代后期，主要以美国、德国和日本的技术实现为主。采用深度学习的人脸识别系统，早期要将现实图像抽象成一系列数据用来学习，进而了解人脸特征，构建一套最基本的人工智能学习算法后，再提供大量人脸及非人脸照片，其中涵盖同样人脸在不同光线、表情、角度的照片，让计算机去适应辨别、学习。人脸识别技术作为技术安全度较高的识别模式，目前在考勤领域、门禁领域、电视领域、安防领域等广泛的领域已有一定的行业及个人消费市场应用。

应用之三： 自动驾驶

在自动驾驶这个领域当中，各大厂商广泛地运用了机器学习的算法，以此让自动驾驶汽车变得更为智能化。在2017年举办的CES展会上， FCA的纯电动自动驾驶概念 car Chrysler Portal、本田的NeuV、福特的第二代,Fusion混动自动驾驶试车，现代的Ioniq、法拉第未来的首款量产电动车等等，几乎全都采用了机器学习，特别是深度学习的技术。

通过运用机器学习算法的自动驾驶汽车，会依据用户给出的打分回馈，来持续修正自身行为模式，进而渐渐满足客户要求。比如说，当特斯拉自动驾驶汽车用户处在右车道，临近高速公路出口坡道行驶时，车子会有直接开往出口的倾向。所以用户得迅速把主控权夺回来（修正路径），一直到车子驶离出口坡道。不过随着经验的积累，车子也逐渐降低了每逢靠近出口坡道时，直接开往出口的那种倾向，直到无需手动修复。这展示出的是机器学习所具备的高度可塑造性。

应用之四： 医疗诊断

凭借基于机器学习的大数据分析能力，机器学习能够应用于医疗健康领域，机器学习系统可依据病人症状以及一个匿名的病人资料数据库，预测该病人可能患上何种病症，这样的决策模型，能以程序为专业医疗人士提供支持，IBM于2016年着手致力于将其认知计算机器人与健康医疗相融合，在2016年8月12日，Watson Health正式进入中国市场开启其“认知医疗”系统的推行。此外，东京大学医学研究院借助 Watson，在短短 10 分钟之内，判断出了一位女性患上了罕见的白血病。这些进展，预示着机器学习于健康医疗领域，有着广阔的前景。