析专业棋手下一步最有可能怎么走。
凭借这些信息，它可以削减巨大的可能性，从而只去从人类专家数据库中学搜索那些潜在的好的招式。
对于阿尔法狗来说，只有当这一步棋对局势起到积极作用的时候，它才会去继续搜索。
它还使用一种称为强化学习的技术。
强化学习是通过试错法来学习，它会与自己对弈。它对庞大的人类专业棋手对弈数据库进行深度学习，凭借这个人类专业棋手对弈数据库，两个神经网络得到了训练。
利用对人类技法的学习成果不断地和自己对弈，这会让它的训练得到大幅提升。
人工智能只需要数天到数十天就能完成规则入门，并继承数千年的棋谱，而人类则需要更加漫长的时间了解规则，学习棋谱，而其中又有足够天赋的人寥寥可数。
阿尔法狗本身只是个围棋项目，然而，从诸多方面来讲，它真正重要的，是它所使用的基础技术具有更广泛的应用，而不仅限于围棋。
但是即使是阿尔法狗，离幻想中的智能生命，甚至只是人工智能也离之甚远。
这不仅仅是硬件的问题，也不仅仅是电力问题。
硬件可以提升算力，超算的运算速度更是快到夸张。
但是计算能力不是实现人类水平人工智能的唯一条件，因为需要清楚如何利用这些计算能力。
也就是需要各种算法，需要核心的逻辑库。
人工智能软件的进步是否符合硬件的进步，现实要想实现人类水平的人工智能还有很多问题丞待解决。
它甚至表现出了某种创造力，甚至它的设计师和围棋大师也不完全了解它在做什么。
然而，和所有专业的人工智能一样，它实际上在很多方面又不够聪明，因为它能做的只是下围棋。
而作为它围棋的手下败将的李世石或者柯洁，他们不仅会下围棋，也可以做所有我们都会做的日常事情，比如和他人交谈，购物聊天，洗澡换衣，尝试做饭......
但阿尔法狗只会下围棋。
甚至它都不知道日常事务。
希望计算机具备一定程度的创造力，不断去尝试新的可能性，几乎是只有当计算机具备常识的时候才能做到。
常识，是理解日常生活中的日常行为结果的能力。
比如说你的每天起来的洗漱工作，日常的穿搭，各种场合的服装需求，
不同的周一到周末的起床时间，
节日的概念，
家具与收藏品/艺术品的区别......
国家的概念，家庭与亲人的概念，
自身立场的概念.....
但如何让计算机具备这种能力，让它们有能力形成人类所遵从的抽象概念，帮助我们在新的环境中进行泛化应用，这是严重的瓶颈。
要想实现人类水平的人工智能，还有未知数量的概念上的障碍。
就像各种科
请收藏：https://m.huhlo.net
（温馨提示：请关闭畅读或阅读模式，否则内容无法正常显示）