人工智能研发这一块，无论是今世还是前世，无论是硬件还是软件条件，目前国内都是远远落后于国外的。
当下国内人工智能水平，尤其是游戏ai的智能水平，还停留在“监督学习”阶段。
所谓“监督学习”，即是指人类出题，告诉ai正确的答案，并赋予相应的对策的学习方式，类似于中小学填鸭式教育。
反映到游戏应用场景里，就是那种识别看到人类玩家后，人机会主动进行攻击，最多再加一些设定，比如hp小于30%时，会自己找掩体躲避，当敌人躲在某处时间过长时，会扔一颗手雷过去。
但这些都是很死板的程序判断，严格来说还不具备人工智能的特点，并不是真正意义上的人工智能。
而国际上，早在97年的时候，ibm用专门设计的计算机，就下赢了国际象棋冠军。
当然了，那会儿所谓的计算机也不能称之为ai，之所以能下赢国际象棋冠军，采用的是暴力破解方法，也就是穷举法，把所有可能的下法全部计算一遍，然后对比人类的棋谱，选择最优解。
也就是所谓的“大力出奇迹”。
但是到了围棋这里，没法再这样穷举了。
力量再大，终有极限，围棋的可能性走法，远超宇宙中全部原子之和，即使用目前最牛逼的超算，也要算几万年，在量子计算机成熟之前，电子计算机几无可能胜任这样的任务。
于是，程序员给阿尔法狗多加了一层算法：先计算哪里需要计算，哪里需要忽略，然后再有针对性地计算。
通俗点说，就是计算机具有了学习能力，能够感知、判断并完成决策，这便具备了ai的基本特征。
不过，机器的学习方式，和人类有着质的不同，人通过观察少数特征，就能推及多数未知，也就是具有“举一反三”的能力。
但机器不行，它必须不断地试错排除，不断地识别计算，才能得出结果。
而且在这个学习过程中，需要三个基本条件：算法、算力、数据。
算法就是计算方法，也可以称之为计算模型，比如识别一只狗和识别一段人类语音，其算法是不同的，应用场景不同算法就不同，这需要程序员进行相应的设计和优化。
但有了算法，没有算力和数据，ai也无法进行学习。
就如同“巧妇难为无米之炊”，算法是食谱，算力就是烹饪工具，数据则是食材，光懂得烹饪方法，没有烹饪工具和食材，一样无法烹饪出美味的佳肴。
所以要想在人工智能方面有所建树，最根本的就是要解决算法、算力和数据这三个基本条件。
目前国际上人工智能技术研发进展缓慢，主要就是受制于算力和数据，不过这方面恰好是沸腾的优势。
经过多年布局，目前这三个基本条件及其外延条件，尽管与国外还无法相提并论，但在国内已经基本具备，所以人工智能技术研发上，方杰认为是时候发一下力了。
首先算法方面，说白了就是两个分支条件：程序开发人才和算法训练平台。
人才这一块国内目前并不缺，沸腾研究院、中科院自动化研究所、华为、腾讯等，在相关领域本来就有大量的科研人才。
而这次发力，方杰还直接拿钱把在海外工作的不少华裔专家砸回到了国内来。
至于算法平台，那可是老本行，不就是游戏么，这方面沸腾集团拥有天然优势。
ai的学习，就是通过游戏进行学习的。
当然，ai游戏与人类游戏，稍稍有点区别，即针对性更强，目的不是为了让ai从游戏里获得成就感，而是为了使其学习进步，并帮助人类完成各种工作任务。
比如红白机时机就有一款非常简单的游戏：打方块。
其游戏玩法是玩家左右滑动控制一个具有弹力的短板，接球并反弹小球，消除游戏界面上方一排排的小方块，消掉所有方块就能通关游戏，并以此获得成就感。
如果将这款游戏用作ai训练平台，通过特定的算法和强化学习，ai就会从一开始完全接不住球，到后来不光能接住球，还能准确计算出小球的反弹角度，消掉上方所有方块。
甚至经过一段时间的训练和学习，ai还能找到最优的通关方式。
比如先精准消掉左上角的几个方块，打通所有方块的上方路径，然后再把小球打进去，让小球在方块阵的上方，在墙壁与方块阵之间来回反复反弹，每趟能连击消除几十个方块，大大提高了通关速度，并且获得更多的连击分数加成。
这样的游戏思路和技术，可能只有高玩才能想到和做到，到了这一步，ai在打方块这款游戏里的技术水平，显然已经超过了普通玩家，其学习方式，就不是“监督学习”了，而是“强化学习”，ai拥有了自主学习的能力。
同样的方式，如果将ai放入其他游戏，或者说不同算法模型里不断地的学习总结，那么一样也能训练培养出能力极强的ai出来。
从本质上看，培养教导ai，其实与教育小孩没有太大区别。
那么反过来说，通过游戏进行寓教于乐学习，才是人类小时候最佳的教育学习方式，将游戏视为洪水猛兽，是不可取的，在教育方法上，自我强化学习也要比填鸭式“监督学习”效果更好。
这章没有结束^.^，请点击下一页继续阅读！