|
昨日“人機(jī)對決”的硝煙還未散盡，今天上午 9 點(diǎn) 30 分DeepMind的掌門人哈薩比斯就在烏鎮(zhèn)發(fā)表了《 AlphaGo 研發(fā)介紹， AlphaGo 意味著什么？》的主題演講，將“怪獸”AlphaGo背后的重大升級細(xì)節(jié)和盤托出。不得不說，在經(jīng)歷了幾番和人類選手的比拼之后，人工智能的力量已經(jīng)進(jìn)化的了難以想象的層次。 除此以外，在這次的論壇上，AlphaGo的主要開發(fā)者大衛(wèi)·席爾瓦（David Silver）和谷歌大腦（Google Brain）團(tuán)隊(duì)負(fù)責(zé)人杰夫·迪恩（Jeff Dean）同時(shí)進(jìn)一步揭秘了脫胎換骨之后的全新AlphaGo。 據(jù)悉，相較于之前12層卷積神經(jīng)網(wǎng)絡(luò)的AlphaGo，此次出戰(zhàn)的AlphaGo已經(jīng)達(dá)到的40層神經(jīng)網(wǎng)絡(luò)，性能較上次和人類大戰(zhàn)60回合的Master也有了增強(qiáng)，更是比李世石的那一版強(qiáng)了三子的優(yōu)勢。正是在這種不斷自我訓(xùn)練的情況下，AlphaGo已經(jīng)生成了一代強(qiáng)過一代的神經(jīng)網(wǎng)絡(luò)。
圖丨DeepMind團(tuán)隊(duì)預(yù)測，Master版本比李世石版本提升了三子 如今的AlphaGo無論從哪個(gè)角度看都更像是一臺獨(dú)立的高性能秘密武器。憑借著十個(gè)谷歌自研的TPU，它擺脫了對外界的依賴；使用自己所積累的數(shù)據(jù)；更強(qiáng)大的策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)提高了的反應(yīng)速度和判斷的準(zhǔn)確性……強(qiáng)化學(xué)習(xí)的優(yōu)勢在AlphaGo身上表現(xiàn)得淋漓盡致，并且還將結(jié)出更加豐碩的成果。 以下是DT君在現(xiàn)場的編輯整理后哈薩比斯今日主題演講的內(nèi)容精選：
我先簡單介紹一下 DeepMind。2010 年，DeepMind 創(chuàng)立于英國倫敦，2014年我們加入 Google。我們想要做的就是攻克人工智能。
對于 DeepMind 而言，我們希望網(wǎng)絡(luò)全世界的機(jī)器學(xué)習(xí)科學(xué)家，能夠結(jié)合計(jì)算能力，盡快解決人工智能的問題。另外，DeepMind 為了更好的進(jìn)行研發(fā)，創(chuàng)新了我們的組織方式。
可以說，Deep Mind的任務(wù)可以分兩步走：
第一步是要從根本上了解智能是什么，然后用人工方法去創(chuàng)造它。接下來就是要通過這種智能去嘗試解決其他所有問題。我們認(rèn)為，AI會是人類歷史上最重要的技術(shù)發(fā)明之一。
具體來說我們會怎么做？在DeepMind，我們常會提到要建立通用型學(xué)習(xí)系統(tǒng)。最核心的概念就是“學(xué)習(xí)”，我們開發(fā)的所有系統(tǒng)都有學(xué)習(xí)相關(guān)的內(nèi)核，這種學(xué)習(xí)系統(tǒng)從實(shí)踐經(jīng)驗(yàn)和數(shù)據(jù)中學(xué)習(xí)，而不需要預(yù)先輸入程序化的解決方案。
第二步是要解決AI的通用性問題。我們認(rèn)為，單一系統(tǒng)或者算法組合并不能直接解決各種問題，更不用說以前沒遇到過的問題。這種系統(tǒng)最好的例子就是人腦，我們從某一任務(wù)中學(xué)習(xí)，并相關(guān)經(jīng)驗(yàn)應(yīng)用于其他未遇到過的問題，即所謂的舉一反三。而機(jī)器在這方面是有很大問題的，DeepMind就是想賦予機(jī)器這種能力。
打造這種通用型學(xué)習(xí)系統(tǒng)涉及到幾項(xiàng)關(guān)鍵技術(shù)。首先是深度學(xué)習(xí)，即層疊的神經(jīng)網(wǎng)絡(luò)，這個(gè)大家都很熟悉了；然后是強(qiáng)化學(xué)習(xí)，即讓機(jī)器自己學(xué)習(xí)，以達(dá)到最大化的收益。
我們將這種具有通用目標(biāo)的學(xué)習(xí)系統(tǒng)稱為通用型人工智能，這與目前所謂的人工智能是不一樣的，因?yàn)槟壳暗娜斯ぶ悄苤饕€是預(yù)先寫入的程序而已。
實(shí)際上，打造通用型學(xué)習(xí)系統(tǒng)，最重要的是要學(xué)習(xí)。所有算法都會自動學(xué)習(xí)，更多的數(shù)據(jù)和更多的體驗(yàn)不依賴于預(yù)設(shè)。
通用型的強(qiáng)人工智能與弱人工智能不一樣。最好的例子就是，在90年代末IBM開發(fā)的“深藍(lán)”系統(tǒng)，擊敗了當(dāng)時(shí)頂尖的國際象棋高手卡斯帕羅夫——這在當(dāng)時(shí)是很大的成就，但“深藍(lán)”終究是一套預(yù)先寫入程序的系統(tǒng)，相當(dāng)于一位頂級程序員在和卡斯帕羅夫?qū)模@位程序員嘗試揣摩卡斯帕羅夫腦子里在想什么，并把相應(yīng)的對策全部編寫到程序里。這個(gè)技術(shù)了不起，但它不能解答人工智能之路在哪，只是在執(zhí)行預(yù)先寫入的命令，而不是自己來學(xué)習(xí)、決策。
然而，人類的大腦學(xué)到新的知識后卻可以舉一反三，我們可以用習(xí)得的現(xiàn)有經(jīng)驗(yàn)解決新的問題，這是機(jī)器所不擅長的。
所以說，與之前的相比，我們想要的是能夠自我學(xué)習(xí)的系統(tǒng)，而這種系統(tǒng)需要在強(qiáng)化學(xué)習(xí)的框架下來開發(fā)。有必要先稍微解釋一下到底什么是所謂的強(qiáng)化學(xué)習(xí)。
在人工智能系統(tǒng)中，有一個(gè)我們稱之為Agent的主體，Agent發(fā)現(xiàn)它身處某種環(huán)境下，并需要完成某些任務(wù)。如果周圍的環(huán)境是真是世界，Agent可能會是一個(gè)機(jī)器人；但如果周圍環(huán)境是諸如游戲這類虛擬環(huán)境，Agent就可能是一個(gè)虛擬形象（Avatar）。
要完成某個(gè)任務(wù)，Agent會通過兩種方式與環(huán)境互動。首先是傳感器，DeepMind更多會使用視覺傳感器讓機(jī)器與環(huán)境互動，當(dāng)然，如果你愿意，也可以使用語音、觸覺等方式。所以這類Agent通常通過自己的觀察來對環(huán)境建模。但是這里有個(gè)問題，真是環(huán)境通常是充滿噪聲、干擾、不完整的，所以需要Agent盡最大努力去預(yù)測周圍到底是什么樣的。
一旦這個(gè)環(huán)境模型建立，就要開始第二步了：如何在這個(gè)環(huán)境中做出最好的行為決策。當(dāng)然，行為與環(huán)境間的互動可能是成功的，也可能是失敗的，這寫結(jié)果都會被實(shí)時(shí)納入Agent的觀察過程，這也就是強(qiáng)化學(xué)習(xí)的過程。
這兩年來，AlphaGo團(tuán)隊(duì)專注于圍棋項(xiàng)目。與象棋相比，圍棋更加復(fù)雜。對于象棋來說，寫一個(gè)評價(jià)函數(shù)是非常簡單的。另外，圍棋更需要直覺，偉大的旗手往往難以解釋他們?yōu)槭裁聪铝诉@一步棋，象棋選手則可以給一個(gè)明確的答案，回答這么走的原因，有時(shí)候也許不盡如人意，但是起碼選手心中是有清晰的計(jì)劃的。
為什么圍棋的評估方程式這么難？相比象棋，圍棋是因?yàn)闆]有物質(zhì)性的概念，每一個(gè)棋子是等值的，而象棋有由估值的高低的。第二，圍棋是建設(shè)性的，圍棋是空的，你需要填充棋盤。特殊位點(diǎn)的評估，期盼在你心中，不斷摸索，圍棋手是建設(shè)性的，一切情況不得而知，需要棋手預(yù)測未來，進(jìn)行布局，而象棋往往講究當(dāng)下的時(shí)局。
另一個(gè)原因，一個(gè)棋子怎么走，一步輸步步輸，一發(fā)全身。圍棋更具有直覺性，歷史中我們覺得這是神的旨意，由靈感指導(dǎo)行為。
那么我們怎么寫出這個(gè)方程式呢？策略網(wǎng)絡(luò)……縮小范圍……價(jià)值網(wǎng)絡(luò)。我們曾經(jīng)在《Nature》上發(fā)布了相關(guān)的論文，論文幫助一些國家和公司打造了他們自己版本的AlphaGo。
接下來，我們用比賽來測試更新的系統(tǒng)，比如上一次的李世石，昨天的柯潔，這兩次比賽都引起了很大的關(guān)注。在和李世石的比賽中，AlphaGo贏了。但其實(shí)，我們十年磨一劍。勝利是很難的，也是很了不起，在AI領(lǐng)域更是這樣，十年磨一劍是常事。
我們贏了，最重要的是我們激發(fā)了更多的靈感，AlphaGo打出了好局，和李的比賽中，第二局第37不起令人驚嘆。這是專業(yè)人員都難以想象的，已經(jīng)觸及到下棋的直覺方面。
AlphaGo把圍棋看做客觀的藝術(shù)，每下一步旗子都會產(chǎn)生客觀影響，而且它還能下得非常有創(chuàng)意。李世石在比賽中也受到了啟發(fā)，他在第四局的第78著也很美妙，因此他贏了一局。
毫無疑問，AlphaGo對戰(zhàn)李世石的影響很大，全世界28億人在關(guān)注，35000多篇關(guān)于此的報(bào)道。西方世界開始更多地感受到圍棋這種東方游戲的魅力，當(dāng)時(shí)圍棋的銷量還漲了10倍。我們很樂意看到西方世界也學(xué)習(xí)這種游戲。而李世石也有新的發(fā)現(xiàn)，他在賽后表示，和狗比賽是其人生最美的體驗(yàn)，狗也為創(chuàng)造了圍棋的新范式，李表示他對圍棋的興趣更大了，我開心他這么說。
回到直覺和創(chuàng)意上。什么是直覺？人們通過各種體驗(yàn)獲得經(jīng)驗(yàn)，這是無法繼承，人們接受測試來檢驗(yàn)他們直覺。AlphaGo已經(jīng)能模仿直覺。而創(chuàng)造力上，它的一個(gè)定義是，整合新的知并創(chuàng)造新的點(diǎn)子或知識，阿狗顯然是有創(chuàng)造力，但這種創(chuàng)造力仍然僅局限于圍棋。
在過去一年中，DeepMind不斷打造AlphaGo，希望能解決科學(xué)問題并彌補(bǔ)它的知識空白，我們還將繼續(xù)完善它。之后，Master出現(xiàn)了，我們在今年一月對他進(jìn)行上線測試，他取得了60連勝，還誕生了很好的點(diǎn)子，它的棋譜被全世界的棋手們研究。例如，AlphaGo打了右下角三三目，這種舉措在之前是不可想象的。
柯潔也說，人類3000年圍棋歷史，至今沒有一人曾經(jīng)接近過到圍棋真理的彼岸。但是，人和AI的結(jié)合可以解決這個(gè)問題。古力也說，人類和AI共同探索圍棋世界的腳步開始了。
昨晚晚宴上，我了解到了圍棋大師吳清源的故事。可能AlphaGo也能帶來圍棋的新篇章，就像吳當(dāng)年為圍棋貢獻(xiàn)的革命性力量一樣。象棋的下發(fā)都是策略性的，而AlphaGo能想出非常有戰(zhàn)略性的點(diǎn)子，也給棋手們帶來新點(diǎn)子。
曾經(jīng)和DeepBlue（深藍(lán)）對戰(zhàn)的象棋世界冠軍GarryKasparov出過一本書，描述了他的一個(gè)觀點(diǎn)：深藍(lán)的時(shí)代已經(jīng)結(jié)束了，狗的時(shí)代才剛開始。沒錯(cuò)，AlphaGo是通用人工智能，未來我們能看到人機(jī)結(jié)合的愿景，人類是如此有創(chuàng)意的生物，我們可以能在AI的幫助下變得更強(qiáng)大。
AlphaGo是人類的新工具。就像天文學(xué)家利用哈勃望遠(yuǎn)鏡觀察宇宙一樣，通過AlphaGo，棋手們可以去探索圍棋的未知世界和奧秘。我們發(fā)明AlphaGo，也希望能夠推動人類文明進(jìn)步，更好地了解這個(gè)世界。
我們的愿景是最優(yōu)化他，最完美他。就像圍棋3000年以來都沒有答案，科學(xué)、技術(shù)、工程等領(lǐng)域也正面臨著同樣的瓶頸，但是，現(xiàn)在有了AI，我們迎來了新的探索機(jī)會。
圍棋比賽是我們測試人工智能的有效平臺，但我們的最終目的是把這些算法應(yīng)用到更多的領(lǐng)域中。人工智能（特別是強(qiáng)人工智能）將是人們探索世界的終極工具。
當(dāng)今世界面臨著很多挑戰(zhàn)，不少領(lǐng)域本身有著過量的信息和復(fù)雜的系統(tǒng)，例如醫(yī)療、氣候變化和經(jīng)濟(jì)，即使是領(lǐng)域內(nèi)的專家也無法應(yīng)對這些問題。
我們需要解決不同領(lǐng)域的問題，人工智能是解決這些問題的一個(gè)潛在方式，從發(fā)現(xiàn)新的材料到新藥物研制治愈疾病，人工智能可以和各種領(lǐng)域進(jìn)行排列組合。
當(dāng)然，人工智能必須在人類道德基準(zhǔn)范圍內(nèi)被開發(fā)和利用。
我的理想就是讓AI科學(xué)成為可能。另外，我對人類的大腦運(yùn)作非常感興趣，開發(fā)AI的同時(shí)，我也了解自己的大腦運(yùn)作，例如大腦如何產(chǎn)生創(chuàng)意等，這個(gè)過程中我也更深入地了解了我自己。 哈薩比斯的青年傳奇人生：從研究海馬體開始 “AlphaGo 之父”、DeepMind 的創(chuàng)始人，現(xiàn)年 40 歲的哈薩比斯如今應(yīng)成為了人工智能領(lǐng)域最為炙手可熱的明星，伴隨著 AlphaGo 的爆紅，這位被英國《衛(wèi)報(bào)》稱為是“人工智能英雄”的天才顯然已經(jīng)成為了 AI 的代名詞。
在 2014 年年初，他將自己當(dāng)時(shí)還名不見經(jīng)傳的倫敦初創(chuàng)公司 DeepMind 以 ４ 億英鎊（約合 6.5 億美元）的價(jià)格賣給了 Google，成為了迄今為止 Google 在歐洲范圍內(nèi)最大的一筆收購。
在 2014 年的溫哥華 ＴＥＤ 大會上，Google 的執(zhí)行總裁拉里·佩奇（Larry Page）不僅對哈薩比斯贊不絕口，更將其公司的技術(shù)稱為“長久以來我見過的最令人興奮的事件之一”。 哈薩比斯也表示，DeepMind 正在開發(fā)一種面對幾乎任何問題都能學(xué)習(xí)的人工智能軟件，這可以幫助人們處理一些世界上最為棘手的問題。他說：“人工智能有巨大的潛力，它會讓人類大吃一驚。”
事實(shí)上，這位出生于 1976 年 7 月 27 日的知名 AI 科學(xué)家也是從小出名的“神童”。4 歲的時(shí)候，僅用兩個(gè)星期就國際象棋大賽中擊敗成年人；8 歲開始接觸計(jì)算機(jī)，用他從國際象棋比賽中贏的 200 英鎊買了人生中第一臺計(jì)算機(jī) ZX Spectrum；16 歲的時(shí)候被劍橋大學(xué)錄取；17 歲的時(shí)候就和別人共同制作了經(jīng)典模擬游戲“Theme Park”，并成立了自己的電子游戲公司。這樣的人生不可謂不傳奇。
但開發(fā)計(jì)算機(jī)游戲限制了哈薩比斯踐行自己的真正的使命。最后，他決定，是時(shí)候該做一些以人工智能為首要任務(wù)的事情了。
在 2005 年，哈薩比斯開始在倫敦大學(xué)學(xué)院進(jìn)修神經(jīng)系統(tǒng)科學(xué)博士學(xué)位，希望通過研究真正的大腦來發(fā)現(xiàn)對研究人工智能有用的線索。他選擇了海馬體做研究對象——海馬體主要負(fù)責(zé)記憶以及空間導(dǎo)向，至今人類對它的認(rèn)知還很少。哈薩比斯說：“我挑選的這些大腦區(qū)域的功能目前尚沒有好的運(yùn)算法則與之對應(yīng)。”
作為一個(gè)沒有學(xué)習(xí)過高中生物課程的計(jì)算機(jī)科學(xué)家和游戲企業(yè)家，哈薩比斯的表現(xiàn)超過了同一院系中的醫(yī)學(xué)博士和心理學(xué)家。他說：“我經(jīng)常開玩笑說我對大腦的唯一認(rèn)知是，它是在頭蓋骨里面的。”
但哈薩比斯很快就取得了成就。2007 年，他的一項(xiàng)研究被《科學(xué)》雜志評為“年度突破獎(jiǎng)（Breakthrough of the Year）”。在這項(xiàng)研究中，他發(fā)現(xiàn) ５ 位失憶癥患者因?yàn)楹ｑR體受損而很難想象未來事件。從而證明了大腦中以往被認(rèn)為只與過去有關(guān)的部分對于規(guī)劃未來也至關(guān)重要。
發(fā)現(xiàn)了記憶與預(yù)先規(guī)劃的交錯(cuò)關(guān)系后，哈薩比斯進(jìn)入下一階段的冒險(xiǎn)――他在 2011 年終止了自己的博士研究，開始創(chuàng)立以“解決智能”為經(jīng)營理念的DeepMind 科技公司。
哈薩比斯與人工智能專家謝恩·萊格（Shane Legg）和連續(xù)創(chuàng)業(yè)家穆斯塔·法蘇萊曼（Mustafa Suleyman）一起創(chuàng)立了 DeepMind。公司雇用了機(jī)器學(xué)習(xí)方面的頂尖研究人員，并吸引到一些著名的投資者，包括彼得·泰爾（Peter Thiel）的 Founders Fund 公司、以及特斯拉和 SpaceX 的創(chuàng)始人埃隆·馬斯克（Elon Musk）。但 DeepMind 一直保持低調(diào)，直到 2013 年 12 月，他們在一次業(yè)界領(lǐng)先的機(jī)器學(xué)習(xí)研究大會上上演了自己的處子秀。
在太浩湖畔的哈拉斯賭場酒店里（Harrah’s Casino），DeepMind的研究人員演示的軟件令人驚艷。該軟件不僅可以玩雅達(dá)利的三款經(jīng)典游戲――乒乓、打磚塊和摩托大戰(zhàn)，而且比任何人玩得都好。更關(guān)鍵的是，這款軟件并沒有獲得任何有關(guān)如何玩游戲的信息，提供給軟件的只有控制器、顯示器、得分規(guī)則，并告訴它盡可能得高分。程序通過不斷的試錯(cuò)，最后成了專家級的玩家。
此前從未有人演示過具備這種能力的軟件，可以從零開始學(xué)習(xí)和掌握如此復(fù)雜的任務(wù)。事實(shí)上，DeepMind利用了一種機(jī)器學(xué)習(xí)技術(shù)――深度學(xué)習(xí)，這種技術(shù)通過模擬神經(jīng)元網(wǎng)絡(luò)來處理數(shù)據(jù)。但它將深度學(xué)習(xí)與其他技巧結(jié)合，達(dá)到了不可思議的智能水平。
加州大學(xué)的人工智能專家斯圖亞特·拉塞爾（Stuart Russell）教授表示：“人們有點(diǎn)震驚，因?yàn)樗麄儾⑽戳舷氲轿覀兡茉诂F(xiàn)階段技術(shù)水平下做到這種程度。我想，人們驚呆了吧。”
DeepMind 將深度學(xué)習(xí)與另一種叫做“強(qiáng)化學(xué)習(xí)”的技術(shù)相結(jié)合，強(qiáng)化學(xué)習(xí)的靈感來自于斯金納（B.F. Skinner）等動物心理學(xué)家研究成果。它可以讓軟件通過在行動后接收對行動效果的反饋來學(xué)習(xí)，人類和動物通常都是這么做的。
人工智能研究人員對于強(qiáng)化學(xué)習(xí)的研究已有數(shù)十年了，但在 DeepMind 的 Atari 演示之前，還沒有人開發(fā)出像這種能夠玩游戲的具備復(fù)雜學(xué)習(xí)能力的系統(tǒng)。哈薩比斯表示，其原因之一可能是他借鑒了在海馬體上面的發(fā)現(xiàn)。那款可以玩雅達(dá)利游戲的軟件學(xué)習(xí)過程就部分地牽涉到了不斷重放過去經(jīng)歷，以便深度和提取有關(guān)將來應(yīng)該怎么做的最精確提示。
哈薩比斯說：“我們知道大腦就是這樣工作的，人在睡覺的時(shí)候，海馬體會把一天的記憶重放給大腦皮層。”
一年之后，拉塞爾和其他研究人員仍對 DeepMind 使用的技術(shù)和其他技巧究竟如何達(dá)到如此卓越的效果感到困惑不已，并且還苦苦思索這些技術(shù)的其他用途是什么。不過 Google 卻沒有想那么久，在太浩湖演示一個(gè)月之后就宣布收購這家公司。
現(xiàn)在，哈薩比斯的身份雖然已經(jīng)轉(zhuǎn)變成了 Google DeepMind 的領(lǐng)導(dǎo)者，但他的 DeepMind 總部仍然位于倫敦，依舊把“解決智能”問題當(dāng)作自己的使命宣言。加入 Google 時(shí)，公司大概有 75 人，而現(xiàn)在已經(jīng)擴(kuò)展到了 400 余人。此外，DeepMind 還在Google 總部擁有一支小的團(tuán)隊(duì)，主要負(fù)責(zé)將DeepMind 的技術(shù)應(yīng)用到 Google 的產(chǎn)品上。與此同時(shí)，在加入Google后，哈薩比斯還和其他聯(lián)合創(chuàng)始人一起成立了Google AI 倫理委員會。
加入Google之后，DeepMind 的技術(shù)被用來改善 YouTube 的視頻推薦功能或Google的移動語音搜索。哈薩比斯說：“很快，你就會看到我們的一些技術(shù)會嵌入到這類產(chǎn)品當(dāng)中。” 當(dāng)然，Google 并非是唯一相信 DeepMind 的方案能賺大錢的公司。哈薩比斯也因?yàn)槠涔ぷ饔锌赡芰钣?jīng)濟(jì)受益而獲得了英國皇家學(xué)會的穆拉德獎(jiǎng)。
不過相比之下，在談到改進(jìn)現(xiàn)有產(chǎn)品的算法后還將做什么時(shí)，哈薩比斯顯得更加興奮。2015 年，DeepMind 發(fā)表有關(guān)學(xué)習(xí)掌握 Atari 游戲的算法的論文，并登上了 Nature 雜志的封面。之后，哈薩比斯和他的團(tuán)隊(duì)又開始把注意力轉(zhuǎn)移到圍棋這一古老而又復(fù)雜的中國游戲上。其復(fù)雜程度難以想象，AI 科學(xué)家們研究了幾十年一直無法突破。
但DeepMind 終于實(shí)現(xiàn)了突破，2016 年 3 月，DeepMind 讓它的圍棋算法 “AlphaGo” 和圍棋世界冠軍李世乭進(jìn)行了一場比賽。一共五局的比賽，DeepMind 贏了 4 局，最終取得勝利。
成功之后，哈薩比斯也獲得了無數(shù)贊譽(yù)，包括今年 5 月份的“亞洲獎(jiǎng)”年度科技最佳貢獻(xiàn)獎(jiǎng)，前一段時(shí)間被《時(shí)代》提名為全球最具影響力 100 人之一；2016 年被 Nature 雜志評為“年度十大人物”，等等。
也就是這樣一個(gè)技術(shù)驕子，他永遠(yuǎn)不會對現(xiàn)狀滿足。如今，他又帶領(lǐng)自己的智能機(jī)器來到中國，試圖將人類智慧的最后尊嚴(yán)徹底打垮，信心所在，不可一世！ 參考資料： https://www./s/532876/googles-intelligence-designer/ http://uk./the-incredible-life-of-deepmind-cofounder-demis-hassabis-2017-5 https://en./wiki/Demis_Hassabis https://www./content/048f418c-2487-11e7-a34a-538b4cb30025
點(diǎn)擊圖片查看報(bào)名方式
|
|
|
