AlphaGo 戰勝人類冠軍，人工智能再次成為世界焦點。由于棋類游戲通常被認為是 人類智慧的濃縮，可作為檢驗智力程度的試金石，AlphaGo 戰勝曾獲得世界冠軍的人類 九段圍棋高手李世石，是歷史上第一次機器在最高難度的棋類項目——圍棋上戰勝了人 類，繼 IBM 超級計算機深藍后，人工智能再次成為世界焦點。

　　AlphaGo 核心系統主要為值網絡、策略網絡、蒙特卡洛搜索樹等，其使用蒙特卡洛 樹搜索（Monte Carlo tree search），借助值網絡（value network）與策略網絡（policy network）兩種深度神經網絡，通過值網絡來評估大量選點，策略網絡選擇落點。

　　人工智能發展歷史和理論派別

　　1956 年在 Dartmouth 會議上，第一次提出了“人工智能”這個詞，至今為止已有 60 年，今天的技術井噴來源于六十多年的持續前進。

　　人工智能簡單講即是由機器來仿真或模擬人智能的系統，其研究包含了推理、規劃、 學習、交流、感知、移動、操作等，目前對其智能級別歸納為感知、決策、反饋三個層 次。

     一、人工智能發展歷史分析

       繼潛水艇、汽車、飛機等模仿生物的發明誕生后，人類開始研究模仿大腦思維運作 的機器——即計算機，而計算機科學的發展促成了人工智能。1950 年，阿蘭.圖靈以“圖 靈測試”來判定計算機是否智能，即如果一個機器能夠與人類對話而不被發現是機器身 份，那么這個機器具備智能。

       人工智能第一次浪潮在 1956 年—1974 年，達特茅斯會議推動了第一次人工智能浪 潮出現，當時出現了增強學習的雛形、第一個計算機神經網絡—感知器（深度學習模型）、 第一個能夠模擬人活動的機器人 Robot C。

       20 世紀 70 年代末，神經網絡學習由于理論缺失和計算機有限的內存及處理速度， 發展陷入低潮期。直到 20 世紀 80 年代中期，MLP（多層感知器）、ID3 算法（決策樹算 法）等各種算法的提出并應用到實際，機器學習開始復蘇。

       第二次浪潮在 1990s-2000s, 新理論、新理念、摩爾定律都使 AI 迎來曙光。

       進入二十一世紀，至今人工智能迎來第三次浪潮，機器學習大大放光芒。2006 年， 機器學習領域的泰斗 Hinton 和他的學生 Salakhutdinov在《 Scince》上 發表了一篇文章， 開啟了深度學習的熱潮。前期監督深度學習算法的理論研究和工程化的成熟，計算機運 算能力大幅提升，云計算、大數據、移動互聯網融合推動了人工智能加速發展。

       當前，人工智能已在眾多方面取得了突破性進展：機器學習進入增強學習算法階段 （從任意初始狀態開始，機器與外部環境持續交互，通過不斷試錯和累積回報來“學習” 最佳策略）、機器語音識別形成產業鏈、視覺識別逼近奇點、情感算法進入新階段、神經 元芯片取得關鍵性成功等。

       相關報告：智研咨詢發布的《2017-2022年中國人工智能市場分析預測及發展趨勢研究報告》

       二、人工智能三大理論派別                                      

       人工智能理論領域呈現三足鼎立的局面，分別為聯結主義、符號主義、行為主義。 符號主義注重人腦的抽象思維特性，聯結主義講究模仿人的形象思維特性，行為主義強 調人類智能的行為特性及其進化過程，三大學派各有所長。

人工智能三大理論派別 

       目前發展最火的是深度學習，深度神經網絡，屬于聯結主義；符號主義代表成就是 上個世紀的專家系統，機器人控制則屬于行為主義的領域。

       人工智能感知、計算、學習技術變革

       人工智能致力于用機器模擬人類行為，實現人類智慧才能實現的事情。人類的發展 在其一步步通過工具拓展自身，人工智能的發展亦是如此

       2020 年有 500 億個連接設備

全球運動檢測傳感器市場 

       二、云計算和大規模 GPU 并行計算是深度學習進一步發展的運算能力基礎。

       人工智能進行深度學習需要將數以萬計的圖片、聲音視頻收集存儲起來，收集數據、 查詢數據、處理數據的數億次運作需要強大的計算能力。

       云計算以整合、共享和動態的硬件設備供應來實現 IT 投資的利用率最大化， GPU、 TPU 的加入，讓人工智能享受了計算性能的大步提升。

       從 CPU 計算，到 GPU（Graphic Processing Unit）、 FPGA（現場可變成門陣列）、TPU （Tensor Processing Unit）等超速處理硬件發展起來后，硬件密集計算能力升級換代。

       CPU 遵循馮諾依曼架構，核心是存儲程序，順序執行，在更大規模和更快速度的運 行上效率不高。

       GPU 內部結構控制相對較為簡單，對 cache 需求較少，可針對密集的、高并行的計 算，其單位面積擁有的處理單元更高，更擅長圖像并行計算。

       FPGA 是一種半定制集成電路，通過可編輯的連接，可以將 FPGA 內部的邏輯塊連接 起來，其運行速度相對較慢，但是成本較低。

       TPU（Tensor Processing Unit）微軟為機器學習定制的芯片，效能更高，已應用在 “google 街景”提高地圖與導航的準確性以及 AlphaGo 的硬件平臺，未來將應用在更多 人工智能平臺上。

       三、按照機器學習模型的層次結構可分為淺層學習和深度學習。

       淺層學習模型包含不超過一層或兩層的非線性特征變換，包括獲取數據、特征表達 和機器學習部分。深度學習對疊多個層次，其特征學習能力更為優異，通過構建具有很多隱層的機器學習模型和海量的訓練數據，學習更有用的特征。

淺層學習和深度學習的結構區別

淺層學習和深度學習的結構區別 

       面對海量數據，深度學習算法區別于傳統算法的標記學習和有監督學習（即必須人 為干預對樣本進行標注才能讓機器學會如何識別特定對象），采用從未標記的數據開始學 習，通過訓練自行掌握概念，最后輸出結果隨著數據處理量的增加而更加準確。深度學 習能讓機器具備自主學習的能力，從而真正意義上引爆了機器學習的浪潮。

       產業鏈完備，期待商業價值落地

       AI 產業層鏈可分為基礎層、技術層、行業應用層。

       基礎層包括芯片、傳感器、存儲設備等硬件及大數據資源；技術層包括機器學習、 自然語言處理、計算機視覺等；應用層主要分布在金融、醫療、安防、教育等領域。