西西河

主题:【围观】Alphago zero的第一盘棋和后来 -- PBS

共:💬24 🌺40 🌵2 新:
全看树展主题 · 分页 下页
家园 【围观】Alphago zero的第一盘棋和后来

在什么都不会的情况下,仅仅服从围棋规则,阿狗零左右手互搏下出这样的第一盘局面:

图1

点看全图

外链图片需谨慎,可能会被源头改

看了以后哈哈大笑,两个傻棋手规规矩矩下傻棋。

经过3天72小时连续不停下了490万盘棋后,无师自通,达到击败李世石的阿狗李版本,21天后,达到击败柯洁的阿狗大师版本。

图2

点看全图

外链图片需谨慎,可能会被源头改

图3

点看全图

外链图片需谨慎,可能会被源头改

此次的亮点在于,在没有人类历史对局的记录作为参考,AlphaGo Zero无需人类指导就能让自己成为自己的老师,并且训练的时间更短。

根据谷歌的DeepMind团队表示,人工智能的最大挑战是研发一种能从零开始、以超人类的水平学习复杂概念的算法。此次AlphaGo Zero的出现不仅仅意味着围棋上的成功,还意味着距离通过创建通用算法来解决科学中的难题又进了一步。

此次运行阿狗零的计算机硬件只有4个TPU,比前两个版本少了一大截。

关键词(Tags): #人工智能
家园 不知道这个能自学习的Ai在实际应用中会有什么的表现。

感觉是个改变人类历史的东西。

家园 觉得这玩意在医学影像诊断上会很有用

但是我不懂AI,影像懂一点。。有没有人合作的?

家园 革命性的进步

AI在加速,很快就可以在越来越多的领域取代人类了

家园 额,围棋有明确的规则。

医学影像不懂,医学影像是有明确的规则的么?

家园 插一嘴哈,医学影像有一定的规则,不过肯定有模糊地带。

围棋有明确的规则,所以afZero只需要几十个小时就能超越人类千年的努力。

医学影像的话,会慢很多,每次Zero做出一个结果后,医学影像专家给它一个反馈,Zero再进行学习调整。

不过最有趣的是,Zero在完成学习后,反过来会推导出一个更明确的规则。

估计围棋也是,围棋的贴目到底多少合适,从目前Zero 的自对局胜率来看,好像6.5目有点高。

家园 所以问题就来了

“医学影像专家给它一个反馈,Zero再进行学习调整。”如果是这样的话,那么其实Zero是无法超脱目前医学发展水平的。它只能在这个水准内逼近极限,不知道这样说有没有问题。

同时,由于人类无法明确“模糊地带”的定义,Zero最多最多,只能给出某种程度的概率,而无法在医学影像上“推导出一个更明确的规则”??

--------

我其实一直在怀疑这种AI最终的用途。跟以前电脑所引发的革命一样,在明确的规则面前,人类是完败的。但是规则不明确的情况下呢,会如何。

家园 AI在医学影像诊断上创新出新规则是可能的。。

我能想到的就是大量的数据给AI,然后把年龄,性别,医生诊断的结果都给出来,然后让AI自己生成新规则,最简单的就是搞个聚类分析。。

实际医学诊断大概就这么搞,我觉得就是个决策树的问题。。不断细化下去。。有拿不准的就加新的诊断指标:

闻询,病史,基础参数,生化,影像。。不断猜下去。。先治一治,好了就对了,不好的话再尝试其他。。基本就是个决策树和概率问题。。

AI最容易突破的应该就在常规医学。。。不过医学也是利益集团最大最难突破的地方。。

先搞个AI赤脚医生会比较好玩。。。至少把病人推荐到正确的科室去。。

最基本的,实现病人病史用药数据一体化估计是最容易出成果了。。。就怕没人推的动

家园 医学应用的难点可能在于缺乏足够的实验样本

另外,感觉下围棋的确是在已知规则范围内进行反复博弈,但对于不明确规则,阿法狗尚未见明确报道。仅靠推测,不明确规则下,倒不一定是狗脑内博弈的问题,更可能是输入输出的问题。如同中医之与西医的输入,尽管中医的望闻问切博大精深,但是西医的各项指标则更加容易重复验证,也许是一种更好的输入,所以中医理论再优秀,没有好的输入描述,总是比西医要弱了点。

家园 这个不是问题

给AI影像的片子

再给出病理检查的结果

和远期疗效 生存的数据

这些都是现成的, 找个百十万例不成问题的数据

很期待最后可以跑出来什么结果

家园 监督学习和增强学习是不一样的

你这些数据,包括了医生诊断的结果,是以人给出的结果作为基准进行学习,所以这是监督学习

而如果去掉了这些医生诊断的结果,让AI对着各种原始数据慢慢想,这就是非监督学习,可想而知这条路没那么好走

同样不依赖人类专家的结果,而是明确定义出什么样的学习是进步什么样的算退步,这就叫增强学习,也就是AlphaGo Zero的方法核心。这样的学习,不需要人类的目标数据,但是需要规则去定义进步和退步,才能有训练算法所必需的损失函数这些东西。这样的规则现实中大多数时候是没有的,所以增强学习目前多用在游戏,还是规则比较简单明确的游戏,星际争霸这样复杂的现在都不行

至于医疗诊断方面的监督学习,思路还是比较简单的,而难点一是海量人类专家数据的积累和处理,二是对极复杂算法结构的硬件支持。这些事情已经好多人在做了,比拼的是时间和运算力的消耗

家园 这样的结果已经很多了

precision和recall都达到了不错的数字,感觉比现实中碰到庸医的概率小

我觉得机器学习界的大佬基本认为自动化的医疗诊断已经很成熟了,就看谁带头冲锋去冲击传统行业

家园 目前来看,人工智能的前景很乐观

人类的规则其实也都是明确的,但是可能特别复杂,以至于无法有效地抽象出来

说白了,人脑也就是简单结构的叠加,只不过神经元的数目众多,所以海量的简单结构相互协同作用,形成了看似复杂的思维

目前的硬件条件还比不上人脑众多的神经元,所以很多训练过程需要人工辅助定义规则或者损失,否则永远算不出来。不过这只是量的区别,不是质的区别

家园 应该有很多用处

凡是从零开始的东西都可以计算。

比如进化,生命起源等等。

家园 阿里和浙大交大在做还有watson

不过

按理说 影像学 和病理学受影响最大

没有在临床上广泛铺开的原因是什么?

医务界抵制?医生-程序员沟通问题?

全看树展主题 · 分页 下页


有趣有益,互惠互利;开阔视野,博采众长。
虚拟的网络,真实的人。天南地北客,相逢皆朋友

Copyright © cchere 西西河