在深度学习工业自动化方面 AlphaGo 让制造商学到了什么

alphaGo and deep learning

2016 年春,世界顶级围棋选手之一李世石参加了一场激烈的比赛,他的对手不但会在五局比赛中完全击败他,还会逼他下出其职业生涯中最妙的几手。

他是对手吗?比赛的另一方是 Google’ DeepMind 团队的一台人工智能计算机,名为 AlphaGo。

围棋是古代中国的一种抽象战争游戏,其复杂性甚至比国际象棋还要高。其可能的布局比宇宙中的原子数量还要多,而且围棋社区大部分人曾认为计算机还需要十几年的时间才能掌握这种复杂判断并与人类最佳棋手较量。

遗憾的是,正如李世石所见,计算机完全可以下围棋,而且水平非常高。其水平是如此之高,以至李世石最近宣布退役竞技比赛时都认为 AI 是“无法战胜的。”

深度学习模拟人类直觉

AlphaGo 是通过深度学习学习下围棋的。先给计算机输入一些游戏数据,让它学习基本移动方式、规则和策略,然后通过深度学习算法和真实比赛数据让它自己学习。AlphaGo 有两个神经网络:一个“策略网络”—用于选择下一落子位置,以及一个“价值网络”—用于根据各个位置预测比赛获胜者。

下棋时会对 AlphaGo’ 的神经网络进行调整和更新以预测落子位置和比赛获胜者。每经过一个循环,系统的性能都会少量提高,自玩游戏的质量也会提高,从而提高神经网络的准确性,让 AlphaGo 变得更加强大。

李世石就像体育界的巨星—网球界的 Roger Federer,高尔夫界的 Tiger Woods,或者篮球界的 LeBron James。话说回来,我们可以把他对 AlphaGo 的那场不太光彩的比赛说成是他输给了比他厉害得多的 AI 对手。但这是从人机竞争的角度来看的。我们也可以把这场比赛看成是两种操作,它证明了人工智能不是来代替人类的,但是通过深度学习和神经网络等工具增强的人类是工业自动化的未来

第 2 局 37 手时,AlphaGo 在棋盘右上角下了意外的一手,’即“肩冲”。这一手在典型比赛中极其罕见,导致李世石离场思考了 15 分钟。讲解员认为这一手“非常漂亮”,是“很怪异的一手”,可能是“一个错误”。但这些讲解员都’无法像计算机那样计算出–这是让它能够以万分之一的几率最终赢得比赛的一手。

第 4 局 87 手时又发生了几乎相同的情况,但这次是李世石下出了后来被称为“神手”的一手,打乱了计算机的节奏。AlphaGo 被实际扰乱了,因为它无法考虑到这一手 – 它计算出人类只有万分之一的几率使用这一手。李世石后来说,正是计算机’在第 2 局的意外一手扩展了他的思维,让他能够下出自己的意外一手。

正像 Christopher Moyer 在 The Atlantic 中说的一样:“从这一系列比赛中我们所看到的不仅是 DeepMind’ 的 AI 能够征服围棋,更重要的是扩展开去,它能学习征服一切比围棋简单的东西—,可以完成许多事情。在机器学习中使用这些革命性的进步—’来模拟人类创造性和直觉—几乎有无限多种方式。”

工厂中的深度学习

支持 AlphaGo’ 击败人类对手的技术’并不是什么遥不可及的未来技术。’它就是当今的现实。汽车、消费电子产品和生命科学等行业有数不清的以工厂自动化深度学习和神经网络为基础的检测应用。识别零件缺陷或异常是深度学习在工厂中的完美应用。

与 AlphaGo 使用新数据流改善其表现一样,工厂自动化也可以使用深度学习和持续的数据流来改善工件检测、最终装配检查、缺陷探测、和其他关键工厂应用。通过人类培训和使用 AI 系统帮助它们提高性能是制造业机器视觉的下一个发展阶段。

正像 AlphaGo 已经证明的那样,深度学习结合了人类的创造力和判断力以及计算机系统 24/7/365 全年无休的可靠性和可扩展性。’它是可以帮助人类提高工作效率的工具,但更重要的是,它能推动人类做得比之前想像得更好。

要了解如何使用深度学习解决复杂的制造检测问题,请下载我们免费电子书 机器视觉与深度学习。 

更多帖子

在深度学习工业自动化方面 AlphaGo 让制造商学到了什么

alphaGo and deep learning

2016 年春,世界顶级围棋选手之一李世石参加了一场激烈的比赛,他的对手不但会在五局比赛中完全击败他,还会逼他下出其职业生涯中最妙的几手。

他是对手吗?比赛的另一方是 Google’ DeepMind 团队的一台人工智能计算机,名为 AlphaGo。

围棋是古代中国的一种抽象战争游戏,其复杂性甚至比国际象棋还要高。其可能的布局比宇宙中的原子数量还要多,而且围棋社区大部分人曾认为计算机还需要十几年的时间才能掌握这种复杂判断并与人类最佳棋手较量。

遗憾的是,正如李世石所见,计算机完全可以下围棋,而且水平非常高。其水平是如此之高,以至李世石最近宣布退役竞技比赛时都认为 AI 是“无法战胜的。”

深度学习模拟人类直觉

AlphaGo 是通过深度学习学习下围棋的。先给计算机输入一些游戏数据,让它学习基本移动方式、规则和策略,然后通过深度学习算法和真实比赛数据让它自己学习。AlphaGo 有两个神经网络:一个“策略网络”—用于选择下一落子位置,以及一个“价值网络”—用于根据各个位置预测比赛获胜者。

下棋时会对 AlphaGo’ 的神经网络进行调整和更新以预测落子位置和比赛获胜者。每经过一个循环,系统的性能都会少量提高,自玩游戏的质量也会提高,从而提高神经网络的准确性,让 AlphaGo 变得更加强大。

李世石就像体育界的巨星—网球界的 Roger Federer,高尔夫界的 Tiger Woods,或者篮球界的 LeBron James。话说回来,我们可以把他对 AlphaGo 的那场不太光彩的比赛说成是他输给了比他厉害得多的 AI 对手。但这是从人机竞争的角度来看的。我们也可以把这场比赛看成是两种操作,它证明了人工智能不是来代替人类的,但是通过深度学习和神经网络等工具增强的人类是工业自动化的未来

第 2 局 37 手时,AlphaGo 在棋盘右上角下了意外的一手,’即“肩冲”。这一手在典型比赛中极其罕见,导致李世石离场思考了 15 分钟。讲解员认为这一手“非常漂亮”,是“很怪异的一手”,可能是“一个错误”。但这些讲解员都’无法像计算机那样计算出–这是让它能够以万分之一的几率最终赢得比赛的一手。

第 4 局 87 手时又发生了几乎相同的情况,但这次是李世石下出了后来被称为“神手”的一手,打乱了计算机的节奏。AlphaGo 被实际扰乱了,因为它无法考虑到这一手 – 它计算出人类只有万分之一的几率使用这一手。李世石后来说,正是计算机’在第 2 局的意外一手扩展了他的思维,让他能够下出自己的意外一手。

正像 Christopher Moyer 在 The Atlantic 中说的一样:“从这一系列比赛中我们所看到的不仅是 DeepMind’ 的 AI 能够征服围棋,更重要的是扩展开去,它能学习征服一切比围棋简单的东西—,可以完成许多事情。在机器学习中使用这些革命性的进步—’来模拟人类创造性和直觉—几乎有无限多种方式。”

工厂中的深度学习

支持 AlphaGo’ 击败人类对手的技术’并不是什么遥不可及的未来技术。’它就是当今的现实。汽车、消费电子产品和生命科学等行业有数不清的以工厂自动化深度学习和神经网络为基础的检测应用。识别零件缺陷或异常是深度学习在工厂中的完美应用。

与 AlphaGo 使用新数据流改善其表现一样,工厂自动化也可以使用深度学习和持续的数据流来改善工件检测、最终装配检查、缺陷探测、和其他关键工厂应用。通过人类培训和使用 AI 系统帮助它们提高性能是制造业机器视觉的下一个发展阶段。

正像 AlphaGo 已经证明的那样,深度学习结合了人类的创造力和判断力以及计算机系统 24/7/365 全年无休的可靠性和可扩展性。’它是可以帮助人类提高工作效率的工具,但更重要的是,它能推动人类做得比之前想像得更好。

要了解如何使用深度学习解决复杂的制造检测问题,请下载我们免费电子书 机器视觉与深度学习。 

更多帖子

获取产品支持和培训以及更多

加入 MyCognex