第444章 判若兩ai

    “奕星”存在的問題，江寒總結了一下。

    一個是訓練不夠。

    初代阿法狗在訓練時，動用了幾百塊gpu。

    對戰李世石的版本，也動用了48塊tpu、十幾臺高性能計算機。

    訓練時長更不是奕星能比的，至少都在半年以上。

    其次，“奕星”在打造時，參考了初代阿法狗，其訓練過程離不開人類棋譜。

    在這種情況下，示範數據的質量，將極大影響它的成長。

    甚至學到某些錯誤的著法，也不足為奇。

    雖然有胡大力這樣的行家幫忙，但收集到的棋譜數量仍不夠充足。

    並且其中有一些還存在質量問題，有濫竽充數的嫌疑。

    這是手工篩選很難避免的。

    最後，奕星欠缺了一點運氣，無論現場發揮還是訓練過程中，都不夠幸運。

    沒錯，“人工神經網絡”的訓練和運行過程中，包含著一定的運氣成分。

    複雜到這種程度的算法，人類只能掌握原理，但具體訓練出什麼東西，是沒法完全讀懂，並加以解釋的。

    對於人類來說，機器學習中的一些算法，其實自帶“黑箱”屬性！

    有句“格言”在機器學習圈子裡流傳很廣:

    如果一個算法簡單到能被大腦理解，又怎麼能模擬複雜的大腦？

    同理，如果一個算法連大腦都能模擬，那麼其一定複雜到無法被大腦理解……

    大概就是這麼個意思。

    落實到具體的點上，在這次對局中，大概率是“奕星”的“快速走子”模塊出了問題。

    在正常情況下，錯誤的下法會被“價值判斷網絡”否決，但在極其罕見的某些特定情況下……

    比如:“快速走子”下出了問題手，然後在模擬後續走子時，“價值判定網絡”認為其中一半情況對手大優，另外一半情況中，己方大優，平均下來己方略好……

    但事實上，這並不絕對可靠。

    如果找不準棋形上的關鍵點，就有可能導致全盤崩潰。

    “奕星”下出的無理手，大概率就是這麼來的。

    事實上，即使原版的阿法狗，也存在類似的問題。

    2016年，阿法狗挑戰李世石。

    在第四局比賽中，李世石突然下出“神之一挖”，阿法狗應對失誤，最終全盤崩潰。

    但其實，李世石那一手是有問題的，甚至可以說並不成立！

    然而，阿法狗卻錯誤地將形勢判斷為己方大劣……

    今天的情況，就與那一次差相彷彿。

    江寒瞬間想通了很多，頓時精神一振，翻身而起。

    迅速打開筆記本電腦，然後倒在床上，進入了虛擬空間。

    排除bug、修改程序並不困難，但需要時間，而現在留給他的時間，只有一個晚上。