google的人工智能都眾所周知，那么谷歌的人工智能叫什么，下面是學習啦小編為你整理的谷歌人工智能叫什么，供大家閱覽！

　1936年，艾倫·圖靈提出了一種可以輔助數學研究的機器(后來被稱為“圖靈機”)，80年過去了，人類在人工智能領域已經取得突飛猛進的發(fā)展。上世紀90年代，IBM超級計算機“深藍”擊敗國際象棋世界冠軍，引發(fā)了“電腦是否超越人腦”的熱議。然而，圍棋因其變化莫測的招式成為了AI(Artificial Intelligence，人工智能)難以攻克的“禁地”。當然，這個世界總有“不信邪”的人。DeepMind開發(fā)的AI程序AlphaGo，擊敗了歐洲圍棋冠軍樊麾。

　　AlphaGo是什么來歷?

　　起初，DeepMind是英國的一家小型人工智能公司，專精于深度學習和分析建模領域，在2014年被谷歌收購。這家公司的創(chuàng)始人名叫德米斯·哈薩比斯(Demis Hassabis)，他擁有劍橋大學和倫敦大學學院的計算機科學和認知神經科學學位，還是一位國際象棋大師。從外表上來看，“學生氣”的哈薩比斯很普通，但是其對AI的見解和愿景改變了很多的看法，其中就包括著名物理學家史蒂芬·霍金。一直以來，霍金總是傾向于“AI威脅論”，認為智能機器終有一天會威脅人類的安全。不過在與哈薩比斯長談了4個小時之后，霍金似乎轉變了態(tài)度。

　　介紹完DeepMind的負責人，我們把目光轉回到AlphaGo。事實上，AlphaGo成名已久，曾經先后與Crazy Stone和Zen(兩款知名圍棋程序)進行了500局對弈，僅有一局失利。此外，其也優(yōu)于Facebook的圍棋程序Dark Forest，后者得到了馬克·扎克伯格的支持。AlphaGo具備策略網絡(Policy Network)和估值網絡(Value Network)能力，前者分析局面、預測對手招式，后者負責判斷勝率，可以在2微秒內走出一步棋，而Dark Forest僅具備第一種能力，并且走棋所花費的時間也要更慢。

　　當然，真正讓AlphaGo成名的還是戰(zhàn)勝歐洲圍棋冠軍樊麾，這在當時引起了軒然大波，甚至推升了谷歌的股價，畢竟這是電腦對人腦的一次勝利。更重要的是，站在計算機的角度來看，與象棋相比，圍棋的難度要大很多，每個步數的潛在組合非常復雜，曾有專家說AI十年內都無法掌握圍棋。

　　阿爾法圍棋(AlphaGo)是一款圍棋人工智能程序，由位于英國倫敦的谷歌(Google)旗下DeepMind公司的戴維·西爾弗、艾佳·黃和戴密斯·哈薩比斯與他們的團隊開發(fā)，這個程序利用“價值網絡”去計算局面，用“策略網絡”去選擇下子。2015年10月阿爾法圍棋以5:0完勝歐洲圍棋冠軍、職業(yè)二段選手樊麾;2016年3月對戰(zhàn)世界圍棋冠軍、職業(yè)九段選手李世石，李世石輸了。

　　阿爾法圍棋(AlphaGo)是一款圍棋人工智能程序。這個程序利用“價值網絡”去計算局面，用“策略網絡”去選擇下子。

　　深度學習

　　阿爾法圍棋(AlphaGo)的主要工作原理是“深度學習”。“深度學習”是指多層的人工神經網絡和訓練它的方法。一層神經網絡會把大量矩陣數字作為輸入，通過非線性激活方法取權重，再產生另一個數據集合作為輸出。這就像生物神經大腦的工作機理一樣，通過合適的矩陣數量，多層組織鏈接一起，形成神經網絡“大腦”進行精準復雜的處理，就像人們識別物體標注圖片一樣。

　　兩個大腦

　　阿爾法圍棋(AlphaGo)是通過兩個不同神經網絡“大腦”合作來改進下棋。這些大腦是多層神經網絡跟那些Google圖片搜索引擎識別圖片在結構上是相似的。它們從多層啟發(fā)式二維過濾器開始，去處理圍棋棋盤的定位，就像圖片分類器網絡處理圖片一樣。經過過濾，13 個完全連接的神經網絡層產生對它們看到的局面判斷。這些層能夠做分類和邏輯推理。

　　這些網絡通過反復訓練來檢查結果，再去校對調整參數，去讓下次執(zhí)行更好。這個處理器有大量的隨機性元素，所以人們是不可能精確知道網絡是如何“思考”的，但更多的訓練后能讓它進化到更好。

　　第一大腦：落子選擇器 (Move Picker)

　　阿爾法圍棋(AlphaGo)的第一個神經網絡大腦是“監(jiān)督學習的策略網絡(Policy Network)” ，觀察棋盤布局企圖找到最佳的下一步。事實上，它預測每一個合法下一步的最佳概率，那么最前面猜測的就是那個概率最高的。這可以理解成“落子選擇器”。

　　第二大腦：棋局評估器 (Position Evaluator)

　　阿爾法圍棋(AlphaGo)的第二個大腦相對于落子選擇器是回答另一個問題。不是去猜測具體下一步，它預測每一個棋手贏棋的可能，在給定棋子位置情況下。這“局面評估器”就是“價值網絡(Value Network)”，通過整體局面判斷來輔助落子選擇器。這個判斷僅僅是大概的，但對于閱讀速度提高很有幫助。通過分類潛在的未來局面的“好”與“壞”，AlphaGo能夠決定是否通過特殊變種去深入閱讀。如果局面評估器說這個特殊變種不行，那么AI就跳過閱讀在這一條線上的任何更多落子。