讨论已被删除
之所以如此,是因为二者决定胜负的关键之处不一样:
围棋是一个信息充分透明,充分标准化的游戏。一个六十岁的棋手和一个二十多岁的棋手在赛前掌握的东西差异不太大,有很多东西必须要在对弈的那几个小时中去推导计算,比的,其实往往是体力--你得保证下棋那几个小时里不能犯晕,失神。
投资,却是一种信息不够透明,不够标准化的游戏。一个六十岁的投资大师和一个二十多岁的小伙子,在进入交易时,累积的信息可能天差地别--以股票为例,对前者来说,搞不好他跟上市公司的管理层都已经是十几年的老朋友,对后者来说,说不定就只是在半夜加班看过一次带有推销性质的招股说明书--甚至都没看完。他们之间的胜负,并不是像下棋那样靠在那几个小时的交易时段绞尽脑汁去计算(一买一卖而已,就交易层面来说根本就没什么可算的),而是一开始就决定了。当然,这是我这种生意人的看法,做量化的数学家朋友们肯定会反对--因为他们对投资本质的理解就不同。
上次Alphago赢了樊晖,我觉得很惊讶,就问一个在美国搞AI的老同学相关情况,他说他也觉得惊讶因为在去年十二月的机器学习大会上他还和deep mind那边的朋友聊过,那时对方都没有提到Alphago达到职业水品这件事。但他认为,本质上说deep mind的技术其实并没有太多新意,依然是用暴力方式,堆了几千万个棋谱,这种方式代价太大,只能在特定的领域突破,很难推广,原因是很多领域没有海量的样本来做监督学习,机器举一反三的能力其实还很有限,虽然大家研究非监督学习很久了,deep mind的这套系统里也在用--机器可以通过和自己对弈进行增强学习,但效果和监督学习相比还是有很大差距。机器其实没有人类同样的概念,目前的AI也只是通过反馈在同样情景下做出人类认为正确的选择。假如把围棋棋盘变一下,从19*19变成21*21,职业棋手依然可以利用自己的知识获取优势,但机器可能在布局阶段就蒙了。
我相信,将来机器会在越来越多的智力活动领域帮人类工作,就像当初机器在体力活动领域帮人类工作一样,不过首先,可能是更容易标准化的领域。
要不先试试让机器去代替人类学学数学?大家猜猜效果会怎样?据说现在已经有这方面的尝试了
万众瞩目的AlphaGo对决李世石即将上演 。
继IBM深蓝对决卡斯帕罗夫的20年之后;计算机终于坐到了人类最顶尖的围棋大师面前。
20年前,骑行客是中学的围棋冠军。当时有个体育老师是国际象棋市里的冠军,经常与我们下一对多的指导棋,却也没能激发我对国象的兴趣 - 世界冠军连电脑都下不赢。...