【 第五章 】

AlphaGo憑什麼打敗人類棋王？

對應的課綱主題：資料分析、資料探勘

本章節將以上一章節的 「演算法」為起點，從人工智能的發展歷史脈絡進行介紹，最後再簡述經典問題 「圍棋」 的本質困難，還有 AlphaGo 在概念上如何利用類神經網路訓練出下棋「直覺」而打敗棋王。

 

筆者希望可以藉由這些內容幫讀者揭開人工智能的面紗，也讓大家可以理解為什麼現代科學與商業如此重視數據與資料！甚至，引發讀者去思考充滿人工智能的未來世界裡，那些可以被自動化處理的問題與同質性高的工作都將仰賴人工智能協助處理，因此，我們可以有更多的時間與精力專注於 「創造」、「文化」、 「人性」、「情感」 方面的領域，結合人類與人工智能合作產生的綜效，我們可以讓世界變得更為美好！

阿發狗（AlphaGo）

2014年開始由英國倫敦Google DeepMind開發的人工智慧圍棋軟體。 WiKi連結
網路資源 1. 科技政策觀點 AlphaGo之後：淺談人工智慧科技的社會影響
2. 數位時代：淺談Alpha Go所涉及的深度學習技術



演繹推理（deductive reasoning）

利用已知的資訊做邏輯的推理。 WiKi連結
網路資源 1. 耀昇的異想空間：演繹法與歸納法 2. 每日頭條 演繹法與歸納法，誰的缺點更嚴重？



專家系統（expert system）

專家系統是早期人工智慧的一個重要分支，可利用專家建立的知識結合已知的資訊與演繹推理，得出新的結論。 WiKi連結
網路資源
1. MBA 智庫百科：專家系統
2. 國立台灣科技大學 資訊工程系所：專家系統 3. 大和有話說：完整解析AI人工智慧：3大浪潮＋3大技術＋3大應用



支援向量機（Support Vector Machine）

WiKi連結



邏輯回歸（Logistic regression）

WiKi連結



資料探勘（Artificial Neural Network）

人工智慧的一個重要分支，從資料中發現規律與知識的過程。 WiKi連結
網路資源 1. 宅學習：Data Mining 2. myweb.fcu.edu.tw/~mhsung：資料探勘的方法 3. ITREAD01：淺談資料探勘（概論） 4. 程式前沿：淺談資料探勘與機器學習



神經元（neuron）

神經元（英語：neuron），又名神經原或神經細胞（英語：nerve cell），是神經系統的結構與功能單位之一。神經元能感知環境的變化，再將信息傳遞給其他的神經元，並指令集體做出反應。神經元佔了神經系統約10%，其他大部分由膠狀細胞所構成。基本構造由樹突、軸突、髓鞘、細胞核組成。傳遞形成電流，在其尾端為受體，藉由化學物質（化學遞質）傳導(多巴胺、乙醯膽鹼)，在適當的量傳遞後在兩個突觸間形成電流傳導。 人腦中，神經細胞約有860億個。其中約有700億個為小腦顆粒細胞（cerebellar granule cell）。 WiKi連結
網路資源
1. The News Lens 關鍵評論： 想將大腦一千億個神經元相互連結，你需要大約十兆GB記憶體 2. 數位時代： IBM製成第一個人造神經元，可像人腦一樣運算



深藍超級電腦（Deep Blue）

深藍（Deep Blue）是由IBM開發，專門用以分析西洋棋的超級電腦。1997年5月曾擊敗西洋棋世界冠軍卡斯巴羅夫。 WiKi連結
網路資源
1. 民報： 1996.2.10 超級電腦「深藍」首次挑戰西洋棋世界棋王 2. 每日頭條： 「深藍」專家訪談：征服西洋棋後的20年，AI 取得了哪些發展？ 3. 透明思考： 深蓝与AlphaGo的对比



生成對抗網路（Artificial Neural Network）

生成對抗網絡（英語：Generative Adversarial Network，簡稱GAN）是非監督式學習的一種方法，通過讓兩個神經網路相互博弈的方式進行學習。該方法由伊恩·古德費洛等人於2014年提出。生成對抗網絡由一個生成網絡與一個判別網絡組成。生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。 WiKi連結
網路資源
1. nVIDIA： 何謂生成對抗網路? 聽聽頂尖研究員怎麼說 2. IT邦幫忙： 小學生談『生成對抗網路』(Generative Adversarial Network，GAN） 3. PURITY III： 生成對抗網絡（GANs）紅遍AI圈：技術進展大盤點



蒙地卡羅樹搜尋（Monte Carlo tree search）

蒙地卡羅樹搜尋（英語：Monte Carlo tree search；簡稱：MCTS）是一種用於某些決策過程的啟發式搜尋演算法，最引人注目的是在遊戲中的使用。一個主要例子是電腦圍棋程式，它也用於其他棋盤遊戲、即時電子遊戲以及不確定性遊戲。 WiKi連結
網路資源
1. StartupBeat： 淺談AlphaGo演算法 2. 每日頭條： AlphaGo背後的搜索算法：蒙特卡羅樹搜索MCTS



表徵學習（Feature learning）

在機器學習中，特徵學習或表徵學習是學習一個特徵的技術的集合：將原始數據轉換成為能夠被機器學習來有效開發的一種形式。它避免了手動提取特徵的麻煩，允許計算機學習使用特徵的同時，也學習如何提取特徵：學習如何學習。 機器學習任務，例如分類問題，通常都要求輸入在數學上或者在計算上都非常便於處理，在這樣的前提下，特徵學習就應運而生了。然而，在我們現實世界中的數據例如圖片，視頻，以及傳感器的測量值都非常的複雜，冗餘並且多變。那麼，如何有效的提取出特徵並且將其表達出來就顯得非常重要。傳統的手動提取特徵需要大量的人力並且依賴於非常專業的知識。同時，還不便於推廣。這就要求特徵學習技術的整體設計非常有效，自動化，並且易於推廣。 WiKi連結
網路資源
1. ITRead01： 網路表徵學習綜述 2. 百度百科： 表徵學習



圖形處理器（GPU）

圖形處理器（英語：Graphics Processing Unit，縮寫：GPU；又稱顯示核心、視覺處理器、顯示晶片或繪圖晶片）是一種專門在個人電腦、工作站、遊戲機和一些行動裝置（如平板電腦、智慧型手機等）上執行繪圖運算工作的微處理器。圖形處理器是輝達公司（NVIDIA）在1999年8月發表NVIDIA GeForce 256（GeForce 256）繪圖處理晶片時首先提出的概念，在此之前，電腦中處理影像輸出的顯示晶片，通常很少被視為是一個獨立的運算單元。而對手冶天科技（ATi）亦提出視覺處理器（Visual Processing Unit）概念。圖形處理器使顯示卡減少對中央處理器（CPU）的依賴，並分擔部分原本是由中央處理器所擔當的工作，尤其是在進行三維繪圖運算時，功效更加明顯。圖形處理器所採用的核心技術有硬體座標轉換與光源、立體環境材質貼圖和頂點混合、紋理壓縮和凹凸對映貼圖、雙重紋理四像素256位彩現引擎等。 WiKi連結
網路資源
1. 科技報橘： CPU 與 GPU 到底差在哪？ 2. nVIDIA： 什麼是 GPU 加速運算？ 3. Google Cloud： 圖形處理器 (GPU) 4. 每日頭條： 談GPU的作用、原理及與CPU、DSP的區別



深度學習（Deep Learning）

深度學習是機器學習中一種基於對資料進行表徵學習的演算法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實體中學習任務（例如，臉部辨識或面部表情辨識）。深度學習的好處是用非監督式或半監督式的特徵學習和分層特徵提取高效演算法來替代手工取得特徵。 WiKi連結
網路資源
1. 泛科技： 3分鐘搞懂深度學習到底在深什麼 2. 林大貴： 人工智慧、機器學習、深度學習介紹 3. 傑瑞窩在這： 深度學習 Deep Learning：中文學習資源整理 4. 寫點科普： 從人工智慧、機器學習到深度學習，不容錯過的人工智慧簡史