至顶网软件频道消息:
DeepMind科技有限公司的阿尔法狗在古老的围棋游戏中超过了所有的人类玩家,但是这家Alphabet有限公司旗下的实验室还在继续改进其人工智能冠军。在今天发表的一篇新的研究论文中,DeepMind展示了阿尔法狗在过去两年中的进步情况:它现在已经如此聪明,可以在几乎完全没有人类资源的情况下学习。
DeepMind在《Nature》杂志上发表了一篇题为《不借助人类知识精通围棋游戏》的新论文,并介绍了新的AlphaGo Zero。与以前版本的阿尔法狗不同——之前版本的阿尔法狗是通过分析从人类玩家的真实围棋棋谱中提取的数据来进行学习,而AlphaGo Zero则完全是通过自行随机游戏,自主地学习游戏规则的。
AlphaGo Zero和之前的版本还有一些其他的不同。例如,新版本通过计算机视觉使用白色和黑色棋子作为输入,而不是依赖于定制设计的输入。AlphaGo Zero还只使用了一个神经网络而不是两个神经网络,它依靠该网络来评估位置,而不是针对可能的下法使用快速走子的方法。
Alphabet为了一个棋盘游戏投入了这么大量的研究看起来可能显得很奇怪,但是AlphaGo Zero的成功证明了未来人工智能可以在没有大量数据的情况下被训练的可能性。这在真实数据稀缺或难以收集的领域(如执法或医学领域)中将是一个主重大的优点。
事实上,对机器学习的一个一直存在的批评是,和儿童相比,它要想识别对象所需要的数据和能源要多得多。这表明在机器学习领域占据领导地位的深度学习神经网络近年来在图像和语音识别方面的突破远不能真正地模仿人类的大脑。
DeepMind认为,AlphaGo Zero代表了构建可以解决困难问题的人工智能的重大进步,同样的强化学习方法也可以应用于广泛的用例。
DeepMind首席执行官Demis Hassabis和研究科学家David Silver在一篇博文中表示,“在数百万局阿尔法狗与阿尔法狗对弈的过程中,系统从头开始逐渐学习了围棋的游戏,在短短几天内累积了人类数千年的知识。”他们表示,“AlphaGo Zero还发现了新的知识,开发非常规的策略和创新的下法,回应并超越了在同李世石和柯洁对弈时使用的技术。”
虽然研究人员表示虽然为时尚早,但AlphaGo Zero构成了迈向最终目标的“关键步骤”。他们表示:“如果类似的技术可以应用于其他结构化问题,如蛋白质折叠、减少能源消耗或寻找革命性的新材料,这些突破将有可能会产生积极的社会影响。”
好文章,需要你的鼓励
DDN推出Infinia对象存储系统,采用键值存储架构和Beta Epsilon树数据结构,实现读写性能平衡。系统在对象列表性能上比AWS快100倍,延迟降至毫秒级,支持多租户和SLA管理。通过与英伟达合作优化RAG管道,在AWS上实现22倍性能提升并降低60%成本。
大连理工大学和浙江大学研究团队提出MoR(Mixture of Reasoning)方法,通过将多种推理策略嵌入AI模型参数中,让AI能自主选择最适合的思考方式,无需人工设计专门提示词。该方法包含思维生成和数据集构建两阶段,实验显示MoR150模型性能显著提升,比基线模型提高2.2%-13.5%,为AI推理能力发展开辟新路径。
Alpine Linux核心开发者Ariadne Conill推出了Wayback项目,这是一个实验性的X兼容层,允许使用Wayland组件运行完整的X桌面环境。该项目本质上是一个提供足够Wayland功能来托管rootful Xwayland服务器的存根合成器。与现有的XWayland不同,Wayback旨在创建一个类似X11风格的基于Wayland的显示服务器,让用户能够继续使用传统的X11窗口管理器和桌面环境,而无需重写或替换这些熟悉的工具。
剑桥大学研究团队开发了FreNBRDF技术,通过引入频率修正机制显著提升了计算机材质建模的精度。该技术采用球面谐波分析提取材质频率信息,结合自动编码器架构实现高质量材质重建与编辑。实验表明,FreNBRDF在多项指标上超越现有方法,特别在频率一致性方面改善近30倍,为游戏开发、影视制作、电商预览等领域提供了重要技术支撑。