人工智能又盯上了德州扑克
不管你是否准备好，人工智能正以秋风扫落叶之势向人类发起各项挑战。
2017年年初，人工智能“Master”用连胜60局的战绩横扫了世界围棋界各路顶尖高手，一周时间的最后，AlphaGo(阿尔法狗)脱下“Master”的马甲，宣布暂时闭关。他的最后一个对手、世界冠军古力留下两个字：绝望。
在棋坛一骑绝尘之后，网友们依然不服输：有本事就来跟我打麻将。而人工智能真的来了，虽然挑战的项目不是麻将，而是和麻将有相通之处的德州扑克。
人工智能转战德州扑克首次战胜人类职业玩家
近日，加拿大和捷克几位科学家的一篇题为《DeepStack：无限注德扑的专业级人工智能玩家》的论文中，介绍了一种能在一对一无限注（任何人在任何时候可下任何数目筹码）德州扑克中击败人类玩家的新算法DeepStack。
该团队邀请了来自17个国家的33名专业扑克选手挑战DeepStack，进行了44852次较量。DeepStack成为了首个在一对一无限注德扑中战胜人类玩家的人工智能，并且平均胜率达到了492mbb/g（一般人类玩家到50mbb/g就被认为拥有较大优势，750mbb/g就是对手每局都弃牌的赢率）。
围棋被攻陷后，为何是德州扑克来承载人类应战的责任？
围棋对弈，双方的棋子都尽显在一方棋盘中，也就是“完整信息游戏”。阿尔法狗的胜利，实质上就是揭开了围棋玄而又玄的神秘面纱，证实了其计算的本质。
而德州扑克则是“非完整信息游戏”，信息不完全透明，玩家只看得到自己手中的牌，无法得知对手的牌，并在博弈过程中包含了欺骗、推测。简单来说，这是一个“人心不可测”的游戏。
你不仅要思考别人要做什么，思考自己做什么，甚至要思考别人会认为你做什么，进而推理出自己的下一步。这些尔虞我诈的战术更像是兵法。
在这篇论文中，多次出现一个词：“直觉”，也就是我们常说的“牌感”。DeepStack注重培养人工智能出牌时的“直觉”。在运用深度学习，反复自我博弈之后，DeepStack学会了在每一个具体情境出现时进行推理。
这非常接近人类玩家的“牌感”，即在当前情境下对个人牌面大小的感觉，并作出相应的决策。
那么，这次胜利能够说明人工智能已经拥有了人类的直觉和推理能力吗，能说人工智能已经读懂人心了吗？
德州扑克资深玩家：震惊但表示怀疑
人工智能在德州扑克上战胜人类的消息一出，几位资深德州扑克玩家在震惊之余，也表示了怀疑。
曾在一档德州扑克的电视真人秀节目中获得冠军的教小瘦认为：“围棋、国际象棋等游戏理论上是个纯技术类游戏，因为机器在计算和统计上有着绝对的优势，所以在这个领域人工智能战胜人类是完全没问题的。但是德州扑克短期的对局中运气因素十分重要。除了运气之外，人类还存在着‘诈牌’这种独有的欺骗性的打法，而这种打法是人类才会具备的技巧，是一种情绪的反应，这一点人工智能是无法具备的。”
不过对于人工智能是否能够真的在德州扑克上战胜人类，教小瘦表示在超过一定手牌数的时候，人类就完全不是对手了。
“我们人类完全靠记忆记录对手逻辑思维顺序，还有打牌的模式套路，而人工智能会直接存档，把你每一手牌的牌和过程全部记录下来，客观上这一点人类就比较难做到。所以在一个较长手牌数的对局中，运气成分概率上被稀释，人工智能对于人类对扑克理解的数据收集后，人类就完全无法对抗了。”
另一位长年混迹德州圈的“莫小胖”同样也对人工智能所谓的“牌感”表示怀疑。他认为机器在“感”这个字上不可能达到人的境界，就算能赢也只是基于它强大的数据收集和计算能力上，在加上人会受到外界因素的干扰，会不可避免地出现失误。
莫小胖认为，在打德州扑克的过程中需要不断地对于场面变化进行判断和应对，这其中掺杂了情绪、心理、气势等一系列主观因素，人工智能的牌感是它对于比赛信息收集之后的一个数据化的结果。如果论文中所说的“牌感”真实存在，那么这个人工智能确实可以说是真的在这个领域打败人类了。
浙江大学人工智能研究所所长：DeepStack仍然是基于大数据
DeepStack战胜人类职业玩家的消息登上各大媒体，浙江大学人工智能研究所所长、教授吴飞也第一时间下载了这篇论文。
“这次胜利肯定不是基于对对手表情心理的解读和推理，本质上还是基于大数据的学习与训练，是基于人类给它的一个样本，并不能说它已经具备了推理能力。”
李开复老师也是一位德州扑克玩家。他在知乎上关于“德州扑克有哪些技巧、经验或者原则”的回答排名第一：“很多人认为德州扑克要学好诈唬（高手惯用技巧）和读懂对方，但就算想成为诈唬专家，也要先学好统计。”。
但就像对于战胜国际象棋高手的超级计算机“深蓝”、战胜围棋高手的阿尔法狗是一种飞跃一样，战胜德州扑克职业玩家的DeepStack也是一种飞跃。“它的研究方向肯定是对的，人工智能的目标就是人类的直觉。”
爱因斯坦曾说过，人类真正有价值的东西就是直觉。吴飞教授解释道：“直觉能够产生创造力，而创造力是一种跳跃式思维，牛顿能从苹果掉下来联想到万有引力。”
从一件事情想到另一件事情，这是一个离散空间的思维跳跃，是人工智能在连续空间中无法推理出来的。你能用一个数学公式来证明出牛顿是如何想出万有引力的吗？并不能。
而吴飞教授也明确表示人工智能是无法解决这一问题的。“因为人类自己都无法提供一个知识库和常识规则来解释。鸟会飞，鸵鸟是鸟，但由此推理出来的‘鸵鸟会飞’却是错的。”
正是因为知识的不确定性，人类自己都无法穷尽推理的无穷可能，又如何能为人工智能提供一个数据库来让其学习呢？
所以，人工智能读懂人心？不可能。
不管你有没有准备好人工智能的战书不会停止
其实在这篇论文几天前，美国卡内基梅隆大学已经发出预告：该校教授领导研发出的Libratus人工智能系统，将于当地时间1月11日，在宾夕法尼亚州匹兹堡的Rivers赌场，与四个顶级职业玩家玩12万手的HUNL，并角逐20万美元的奖金。
与DeepStack没有公开对战现场不同，卡内基梅隆大学走的是当年阿尔法狗的路线，在华丽的赌场搞一场秀，与人类顶尖玩家对战，还有20万美金的噱头。
不论这次公开的“秀”是否会让人类再次“颜面扫地”，可以肯定的是，人工智能向人类下的战书只会越来越多。
过去的20年间，我们见证了人类的不断败北，比如西洋双陆棋、跳棋、国际象棋、Jeopardy、Atari电子游戏和围棋。德州扑克之后，人工智能又会盯住什么呢？
2023年后人工智能八大应用方向
人工智能、机器学习、深度学习已经成为当下最热门的前端科技之一。这三者其实是子-子集的关系。随着技术发展和应用的深入，深度学习越来越重要，成为AI的金字塔。本文总结了人工智能领域在2022年及以后数年内最热门的八大应用领域和方向。
什么是深度学习?
基于神经网络架构的深度学习技术是机器学习的一个子集，它模仿人类获取知识的方式。在神经网络中，“深度”是指隐藏层的数量，传统神经网络中的隐藏层数量为2到3层，而深度神经网络可以容纳150层甚至更多。作为包括统计和预测建模在内的数据科学的一部分，深度学习是一个重要组成部分。深度学习的一个主要好处是它加快并简化了收集、检查和分析数据科学家使用的大量数据的过程。
深度学习十大热门应用领域
1、自动驾驶汽车
驾驶的目的是对外部因素做出安全反应，例如周围的汽车、路牌和行人，以便从一个点到达另一个点。尽管我们距离全自动驾驶汽车还有一段距离，但深度学习对于让这项技术达到今天的水平至关重要。
自动驾驶在当今时代得到了推动，并且比以往任何时候都更强大，这得益于许多进步，例如性能更高的显卡、强大的处理器和大量信息。除了缓解交通拥堵外，它还将提高安全性。自动驾驶汽车是自主决策系统。惯性探测器和GPS是可以提供数据流的几种传感器。然后，深度学习算法对数据进行建模，并根据汽车的环境做出决策。
例如，Pony.ai采用深度学习为其规划提供动力，并为其独立车辆技术提供控制模块，该技术允许汽车在八车道道路上导航、控制事故等。谷歌子公司Waymo是另一个自驾驶使用深度学习的汽车公司。
2、视觉识别
图像识别涉及识别照片并根据其特征将它们组织成单独的类别。因此，图像识别软件和应用程序可以确定照片中显示的内容并区分它们。事实上，可以确定您已经在您的社交媒体应用程序或手机上看到了这一点。本质上，它根据照片中人物的位置、场合等对图像进行分类。
考虑浏览一组旧照片以记住一些美好的旧时光。有些照片需要取景，但首先，我们喜欢按正确的顺序排列它们。由于没有有关照片的信息，因此只能手动执行此操作。我们所能做的就是根据照片的拍摄日期进行排列，但有时下载的照片中缺少日期。由于深度学习，现在可以根据照片的拍摄地点或长相、个人、场合等来排列图像。
3、聊天机器人
聊天机器人是通过文本或音频消息模仿人类对话的计算机软件程序。当我们现在使用在线平台时，聊天机器人非常普遍，今天的人工智能系统能够理解用户的需求和偏好，并推荐在很少或几乎没有人类干预的情况下执行哪些操作。目前市场上有许多流行的会话助手，包括苹果开发的Siri、微软开发的Cortana、亚马逊和谷歌助手开发的Alexa。
随着聊天机器人的出现，所有平台现在都可以为其访问者提供定制的体验。聊天机器人使用机器学习算法和深度学习算法来生成回复的组合。经过大量数据的训练，聊天机器人可以理解客户的要求，以及他们面临的困难，并以非常简单的方式指导和帮助客户解决他们的问题。
此外，它还有许多其他好处，比如它可以为客户节省时间，并且随着聊天机器人的出现，公司雇用的人数减少了。员工以降低成本并改善客户体验。
4、自然语言处理(NLP)
NLP是一种解释和处理人类语音的算法，称为自然语言处理，属于语言学、计算机科学和人工智能领域。
我们需要多年的人类互动和接触各种社会环境来学习和理解一种语言的语调和模式的变化，所以我们不能指望机器自己学习所有这些东西。
在深度学习和构建对每种情况的正确响应的帮助下，NLP训练机器可以轻松地做到这一点。
NLP中使用了各种算法来分析数据，从而使系统能够产生人类语言或识别人类语音中的音调变化。
深度学习曾经不受欢迎，现在越来越受欢迎。自然语言处理领域，包括提供各种问题的答案、模型构建等。它经常用于升级自然语言处理的文本分析功能和特性。这些建议在将早期未结构化的文本转换为有益信息方面有很大帮助。
5、虚拟助手
亚马逊开发的Alexa、Apple开发的Siri和GoogleAssistant等虚拟助手是深度学习的流行应用程序。这些用于许多家庭和办公室，以简化日常任务。使用这些助手的人数正在增加，并且这些助手变得越来越聪明，并且在您与他们互动时越来越多地了解您和您的偏好。虚拟助手使用深度学习来了解我们的兴趣，例如我们最喜欢的聚会场所或我们最喜欢的电视节目。为了理解我们所说的，他们考虑了人类的语言。虚拟助手还可以将我们的声音翻译成文本格式，为我们安排会议等。
虚拟助手可以做所有事情，从处理到即时自动接听我们的工作电话，帮助我们和我们的团队管理任务。虚拟助理还可以通过汇总文件来协助我们撰写和邮寄电子邮件给您的老板、客户、老师等。
此外，虚拟助手在很多地方都得到了应用，并且还被集成到各种设备中，包括物联网和汽车。由于互联网和智能设备，这些助手将继续变得越来越智能。
6、地震预报
由于地震预报的破坏性后果，科学家正在努力解决地震预报问题。成功的地震预报可以挽救无数生命。科学家们正试图根据地震发生的时间和地点以及震级来预测地震。
Vonmises屈服准则被深度学习用于预测地震，深度学习的这种应用帮助科学家将地震预测时间提高了5000%。我们从仅仅猜测地震何时会发生转变为能够准确预测地震何时会发生。
在大量数据上教授的深度学习模型将能够通过从原始数据中提取元素来从数据中学习，以识别自然事物并就广泛的学科领域做出正确的决策。此外，由于计算能力的改进，大型模型的训练变得更加容易。深度学习由于其优势使地震预报成为可能。
7、欺诈检测和新闻聚合
如今的货币交易正在走向数字化，在深度学习的帮助下正在开发许多应用程序，这些应用程序可以帮助检测欺诈行为，从而帮助金融机构节省大量资金。此外，现在可以过滤新闻提要以删除所有不需要的新闻，并且读者可以阅读基于他们感兴趣的领域的新闻。
如今，检测假新闻非常重要，因为互联网上充斥着大量的博客、研究论文、新闻和许多其他形式的信息来源，而且它们都不忠实。在机器人的帮助下，假新闻在今天的传播速度非常快，因此很难判断新闻是假的还是真实的。
除了开发分类器来检测虚假和有偏见的新闻外，深度学习还可用于通知您潜在的隐私侵犯并删除内容。训练和验证用于新闻检测的深度学习神经网络的主要挑战是数据中充斥着来自世界各地的意见，很难确定新闻报道是有偏见的还是中立的。
这就是为什么深度学习是一种有价值的工具。
8、机器人
深度学习在计算机视觉领域的良好成果推动了一些机器人技术的应用，深度学习在机器人技术中被大量用于执行类似人类的任务。机器人的构建是为了了解它们周围的世界，对它们来说弄清楚什么是什么是非常重要的。如果你回到20年前，机器人无法弄清楚许多基本的区别，比如汽水瓶和钢笔之间的区别，因为它们的形状相同。
众所周知，机器人领域对学习算法提出了一系列独特的挑战，这些挑战是：为机器人执行的每项工作编写全新的学习算法和元素可能很困难，甚至是不可能的。第二个挑战是机器人必须处理现实世界中的大量多样性，这使得许多学习算法难以处理。
但是深度学习算法是能够直接从数据中学习的通用模型，因此它们非常适合机器人技术。当然，机器人技术和人工智能提高了人类的能力，提高了生产力并实现了从简单思维到类人能力的转变。
有关深度学习、机器学习、人工智能等前沿技术的讨论请关注我们或者联系作者(微信同名)。
人工智能的起源和人工智能发展历程
1.1图灵测试测试者与被测试者(一个人和一台机器)隔开的情况下，通过一些装置(如键盘)向被测试者随意提问。多次测试(一般为5min之内)，如果有超过30%的测试者不能确定被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。
1.2达特茅斯会议1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，
约翰·麦卡锡(JohnMcCarthy)
马文·闵斯基(MarvinMinsky，人工智能与认知学专家)
克劳德·香农(ClaudeShannon，信息论的创始人)
艾伦·纽厄尔(AllenNewell，计算机科学家)
赫伯特·西蒙(HerbertSimon，诺贝尔经济学奖得主)等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。
会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：“人工智能”，因此，1956年也就成为了人工智能元年。
2、人工智能发展历程人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
第一是起步发展期：1956年—20世纪60年代初。
人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
第二是反思发展期：20世纪60年代—70年代初。
人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空(例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等)，使人工智能的发展走入低谷。
第三是应用发展期：20世纪70年代初—80年代中。
20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
第四是低迷发展期：20世纪80年代中—90年代中。
随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
第五是稳步发展期：20世纪90年代中—2010年。
由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司(简称IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
第六是蓬勃发展期：2011年至今。
随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
猜你喜欢：
人工智能之个性化推荐之路
深度相机是什么？深度相机常见技术
如何解决分类中解决类别不平衡问题？
语言模型-BERT：bert算法介绍
传智教育人工智能培训课程