易搜题 > “围棋世界”标签
围棋世界
阅读下面的材料，根据要求写一篇不少于800字的作文。（60分）
韩国著名棋手李昌镐16岁就夺得了围棋世界冠军。他的棋下得极其稳健、冷静，很少出错，常常使对手感到无懈可击。问他获胜的原因，他说：“我从不想一举击溃对手。”“每手棋，我只求51%的效率。”每手棋追求51%的效率，也就是每个回合只想比对手多得1%，只此，为什么却是世界第一呢？
要求：选准角度，自定立意，自选文体，自拟标题；不要脱离材料内容及含义作文，不要套作，不得抄袭。
下列各句中，表达不得体的一句是（）A:某经理在部门工作分析会上做报告，最后总结说：这只是我的浅知拙见，如有不当，敬请批评指正。
B:真是事出意外!舍弟太过顽皮，碰碎了您家这么贵重的花瓶，敬请原谅，我们一定照价赔偿。
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”
D:拙作奉上，自己总觉得惶恐不安，望哂笑之余，不吝赐教。
查看答案
B:真是事出意外!舍弟太过顽皮，碰碎了您家这么贵重的花瓶，敬请原谅，我们一定照价赔偿。
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”
D:拙作奉上，自己总觉得惶恐不安，望哂笑之余，不吝赐教。
机器智能，是指机器所具有的一种能力，它使机器能够_____通常需要人类智能才能完成的任务。在过去的几年里，机器智能取得了极为快速的发展和举世瞩目的成绩，从“阿尔法狗”打败围棋世界冠军，到全自动无人驾驶汽车首次在公共道路上行驶，这一系列革命性的_____让公众对机器智能的能力刮目相看。如今，机器智能系统已经_____应用到商业、政府和个人生活的各方面，对原来的机器人产业进行了升级。
查看答案
A.完成 创造 普遍
B.执行 创新 广泛
C.承担 改革 普及
D.贯彻 革新 宽泛
2017年5月23至27日，曾战胜围棋世界冠军李世石的谷歌人工智能AlphaGo，在浙江乌镇挑战目前世界排名第一的人类棋手柯洁九段。柯沽说，无论输赢，这都将是我与人工智能最后的三盘对局。相信未来是属于人工智能的，但它始终都是冷冰冰的机器，与人类相比，感觉不到它对围棋的热情和热爱。这表明人工智能（）①不具有人的心理活动所构成的精神世界②本质上是对人的思维的模拟③具有自觉选择性和主动创造性④可以完全代替人类的思维能力A.①②B.③④C.①③D.②④
机器智能，是指机器所具有的一种能力，它使机器能够_____通常需要人类智能才能完成的任务。在过去的几年里，机器智能取得了极为快速的发展和举世瞩目的成绩，从“阿尔法狗”打败围棋世界冠军，到全自动无人驾驶汽车首次在公共道路上行驶，这一系列革命性的_____让公众对机器智能的能力刮目相看。如今，机器智能系统已经_____应用到商业、政府和个人生活的各方面，对原来的机器人产业进行了升级。依次填入划横线部分最恰当的一项是（ ）。
查看答案
A.完成 创造 普遍
B.执行 创新 广泛
C.承担 改革 普及
D.贯彻 革新 宽泛
下列各句表现不同的交际情境，其中表达得体的一句是A:某外地游客在武汉老字号“蔡林记”品尝了正宗的武汉热干面，赞不绝口。店主说：“欢迎以后常来啊！”该游客说：“一定一定！下次来武汉，一定还光临贵店。”
B:高考在即，学校领导为了让同学们减轻心理压力，以更好的心态迎接高考，在同学们必经的大门口贴出一副对联，上写道：“逆境捶打造强者，烈火焚烧试真金。”
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”
D:某医生医术高明，治好不少患者多年的顽疾，解除了患者的痛苦，患者对该医生十分感激。其中一位患者特地制作锦旗表示感谢，上写道：“杏林高手，医者仁心。”
查看答案
B:高考在即，学校领导为了让同学们减轻心理压力，以更好的心态迎接高考，在同学们必经的大门口贴出一副对联，上写道：“逆境捶打造强者，烈火焚烧试真金。”
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”
D:某医生医术高明，治好不少患者多年的顽疾，解除了患者的痛苦，患者对该医生十分感激。其中一位患者特地制作锦旗表示感谢，上写道：“杏林高手，医者仁心。”
下列各句中,没有语病、句意明确的一项是A:《凤凰卫视这些年》记载了一个优秀企业崛起的过程,是一部承载着厚重文化底蕴,伴随读者精神成长、时代变迁和人性光辉的回忆录。
B:在看到“阿尔法狗”设计公司的研发工程师在脸书上的非正式挑战后,围棋世界冠军柯洁的经纪人回应称,还没有接到谷歌方面的正式邀请。
C:入冬后的最强冷空气正在袭来!中央气象台高级工程师李勇认为,本次冷空气过程之所以能造成较强的雨雪天气,是源于冷暖空气的配合导致的。
D:曾担任《天下无贼》《梅兰芳》等影片编剧的张家鲁编辑完《狄仁杰》系列剧本后,其改编的《鬼吹灯之寻龙诀》的票房已顺利突破15亿元大关。
查看答案
B:在看到“阿尔法狗”设计公司的研发工程师在脸书上的非正式挑战后,围棋世界冠军柯洁的经纪人回应称,还没有接到谷歌方面的正式邀请。
C:入冬后的最强冷空气正在袭来!中央气象台高级工程师李勇认为,本次冷空气过程之所以能造成较强的雨雪天气,是源于冷暖空气的配合导致的。
D:曾担任《天下无贼》《梅兰芳》等影片编剧的张家鲁编辑完《狄仁杰》系列剧本后,其改编的《鬼吹灯之寻龙诀》的票房已顺利突破15亿元大关。
下面几个加点词语在话语情境中表述最为得体的一项是A:这份购房合同是我方当亊人在中介的欺骗下签订的，应依法认定无效。（某律师向法庭呈送的上诉状）
B:“以自身的品性、资质和特定条件下的作为论，汉献帝在历代帝王中可算中上水平，如果按照大众对贤君的惯常定义，汉献帝也完全可以忝列其中。”（某电视节目评价汉献帝）
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”（腾讯体育消息）
D:该生学习成绩显著，热爱文学，爱好写作，有多篇作品发表在省级以上文学刊物上，希望能得到贵校文学院的垂爱。（某中学为学生写的自主招生推荐信）
查看答案
B:“以自身的品性、资质和特定条件下的作为论，汉献帝在历代帝王中可算中上水平，如果按照大众对贤君的惯常定义，汉献帝也完全可以忝列其中。”（某电视节目评价汉献帝）
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”（腾讯体育消息）
D:该生学习成绩显著，热爱文学，爱好写作，有多篇作品发表在省级以上文学刊物上，希望能得到贵校文学院的垂爱。（某中学为学生写的自主招生推荐信）
选出下面几个话语情境中表述准确的一项（3分）A:萧峰对段正淳说：“大理段王爷，令千金在此，你好好的管教吧！”说着携起阿紫的手，走到段正淳身前，轻轻将她推过去。（小说《天龙八部》第四十一回）
B:“以自身的品性、资质和特定条件下的作为论，汉献帝在历代帝王中可算中上水平，如果按照大众对贤君的惯常定义，汉献帝也完全可以忝列其中。”（某电视节目评价汉献帝）
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”（腾讯体育消息）
D:这份购房合同是我方当事人在中介的忽悠下签订的，依法应认定无效。（某律师向法庭呈送的上诉状）
查看答案
B:“以自身的品性、资质和特定条件下的作为论，汉献帝在历代帝王中可算中上水平，如果按照大众对贤君的惯常定义，汉献帝也完全可以忝列其中。”（某电视节目评价汉献帝）
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”（腾讯体育消息）
D:这份购房合同是我方当事人在中介的忽悠下签订的，依法应认定无效。（某律师向法庭呈送的上诉状）
选出下面几个话语情境中表述准确的一项是（3分）A:萧峰对段正淳说：“大理段王爷，令千金在此，你好好的管教吧！”说着携起阿紫的手，走到段正淳身前，轻轻将她推过去。（小说《天龙八部》第四十一回）
B:“以自身的品性、资质和特定条件下的作为论，汉献帝在历代帝王中可算中上水平，如果按照大众对贤君的惯常定义，汉献帝也完全可以忝列其中。”（某电视节目评价汉献帝）
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”（腾讯体育消息）
D:这份购房合同是我方当事人在中介的忽悠下签订的，依法应认定无效。（某律师向法庭呈送的上诉状）
查看答案
B:“以自身的品性、资质和特定条件下的作为论，汉献帝在历代帝王中可算中上水平，如果按照大众对贤君的惯常定义，汉献帝也完全可以忝列其中。”（某电视节目评价汉献帝）
C:参加中国围棋世界冠军争霸赛的选手古力赛前表示：“明天的对手是江维杰，他在上届比赛中曾把我打下了冠军的宝座，希望他明天能承让。”（腾讯体育消息）
D:这份购房合同是我方当事人在中介的忽悠下签订的，依法应认定无效。（某律师向法庭呈送的上诉状）
2016年3月15日，人机围棋大战迎来最终局，谷歌公司的人工智能机器“阿尔法狗”（Alpha-go）以总比分4:1战胜围棋世界冠军李世石。回答下题。
1.围棋发源于中华大地，已有5000年历史。围棋是整个中华民族血脉交织、沁骨入髓的情愫。由简单到复杂，由单一到多样，由游戏到思想，围棋的思维沉淀了无数先人的智慧，蕴藏了东方文明最原始的能量。材料说明
①精神活动离不开物质载体 ②中华文化求同存异、兼收并蓄
③中华文化源远流长、博大精深④文化继承是发展的前提
A.①② B.①③ C.②④ D.③④
2.据“阿尔法狗”开发方谷歌公司透露，研究人员在“阿尔法狗”的程序中搭建了两套模仿人类思维方式的深度神经网络，突破了传统的程序，有了一些深度学习的能力,才得以战胜国际顶尖棋手。由此可见
①矛盾双方既对立又统一 ②创新是对既有理论与实践的突破
③意识对外部世界的反映具有自觉选择性④尊重客观规律是实践取得成功的前提
A.①② B.①③ C.②④ D.③④
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
国际象棋的走法不超过35×80种。
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
国际象棋的走法不超过35×80种。
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
函数F go（n）比F go（n-1）的胜率更高。
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
函数F go（n）比F go（n-1）的胜率更高。
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
请为本文写一篇内容摘要。
要求：全面、准确，条理清楚，不超过300字。
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
请为本文写一篇内容摘要。
要求：全面、准确，条理清楚，不超过300字。
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
请根据文意，分别填补文中Ⅰ、Ⅱ两处缺项，每空不超过6个字。
Ⅰ（ ）Ⅱ（）
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
请根据文意，分别填补文中Ⅰ、Ⅱ两处缺项，每空不超过6个字。
Ⅰ（ ）Ⅱ（）
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
结构简单的棋类游戏可以通过对博弈树的“暴力”穷举搜索找出最优走法。
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
结构简单的棋类游戏可以通过对博弈树的“暴力”穷举搜索找出最优走法。
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
传统的计算机围棋程序能够完成全尺寸棋盘的蒙特卡罗树模拟并计算最大胜率。
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
传统的计算机围棋程序能够完成全尺寸棋盘的蒙特卡罗树模拟并计算最大胜率。
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
比较分析AlphaGo新算法与蒙特卡罗树搜素的不同之处。
要求：概括准确，层次清晰，文字简洁，不超过250字。
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
比较分析AlphaGo新算法与蒙特卡罗树搜素的不同之处。
要求：概括准确，层次清晰，文字简洁，不超过250字。
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
下列关于AlphaGo“两个大脑”的说法正确的是:
A.价值网络负责评估盘面优劣
B.策略网络负责判断走法优劣
C.策略网络能够协助价值网络提高运算效率
D.价值网络和策略网络共同确定最终的落子位置
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
下列关于AlphaGo“两个大脑”的说法正确的是:
A.价值网络负责评估盘面优劣
B.策略网络负责判断走法优劣
C.策略网络能够协助价值网络提高运算效率
D.价值网络和策略网络共同确定最终的落子位置
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
这篇文章开头认为围棋是人工智能在棋类比赛中最后弱项的原因是：
A.围棋每一步可能的下法太多，无法使用穷举搜索
B.围棋的规则对于计算机来说过于复杂，无法理解
C.单一的计算机神经网络难以应对围棋的搜索计算
D.围棋盘面局势的评估缺乏现代计算机技术的支撑
查看答案
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走，到了棋局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双方交替落子，整个棋局的总排列组合数共有约10701种可能性，这远远超过了宇宙中的原子总数——10^{80}！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个。于是先随机拿1个，再随机拿1个跟它比，留下大的,再随机拿1个……每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的特征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋棋盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从______I____中学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一个模拟人类下围棋的神经网络，然后得出一个下棋函数F go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从____II______ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go（2）,再使用F_go（2）和F_go（1）对弈，以此类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go（）、v（s）以及蒙特卡罗树搜索三者相互配合,使用F_go（）作为初始分开局，每局选择分数最高的方案落子，同时调用v（s）在比赛中做出正确的判断。
这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法，协助前者提高运算效率，可以理解为棋局评估器。通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。
AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上，“是人类战胜了人类”。
根据文章，回答下列问题：
这篇文章开头认为围棋是人工智能在棋类比赛中最后弱项的原因是：
A.围棋每一步可能的下法太多，无法使用穷举搜索
B.围棋的规则对于计算机来说过于复杂，无法理解
C.单一的计算机神经网络难以应对围棋的搜索计算
D.围棋盘面局势的评估缺乏现代计算机技术的支撑