从游戏到生物学及其他：AlphaGo 十年的影响
十年前，我们的 AI 系统 AlphaGo 成为了第一个在复杂的围棋游戏中打败世界冠军的程序，这一成就超出许多专家的预期，标志着现代人工智能（AI）时代的开始。
AlphaGo 以其经典的“第37步”，展现了 AI 的潜力，并标志着我们已经具备了解决现实世界科学问题的技术。
### 创造性的火花
2016 年，超过 2 亿人目睹了 AlphaGo 在首尔与围棋世界冠军李世石的对决。比赛中“第37步”的落子极为非常，评论员们起初以为这是失误，但这一步却最终决定了胜负。此后 AlphaGo 通过巧妙的布局赢得了比赛，超越了模仿人类专家的能力，找到了全新的策略。
围棋因其复杂性长期以来一直是 AI 研究的试金石。AlphaGo 采用了深度神经网络，结合先进的搜索与强化学习，开创了 DeepMind 的 AI 方法。
在 AlphaGo 获胜后，我们开发了 [AlphaGo Zero](https://deepmind.google/blog/alphago-zero-starting-from-scratch/)，它从随机下棋中学习，被认为是围棋历史上最强的玩家。此后进一步扩展为 [AlphaZero](https://deepmind.google/blog/alphazero-shedding-new-light-on-chess-shogi-and-go/)，能够从零开始掌握任意 2 人完全信息游戏，包括围棋、国际象棋和将棋。
### 推动科学突破
AlphaGo 证明了 AI 可以在围棋这项运动中应对复杂的决策空间，这一成果为我们提供了利用 AI 理解物理世界的潜力。我们首先试图解决蛋白质折叠问题，这是一个长达 50 年的科学难题，2016 年我们通过 [AlphaFold 2](https://deepmind.google/blog/alphafold-five-years-of-impact/) 系统成功攻克了这一难题。至今，全球超过 300 万名研究人员使用 [AlphaFold 数据库](https://alphafold.ebi.ac.uk/) 来加速他们的研究。
自 AlphaGo 的胜利以来，我们将其开创性的方法应用于科学和数学的多个领域:
- **数学推理**: [AlphaProof](https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/) 能够使用语言模型和强化学习技术证明正式的数学命题，成为第一个在国际数学奥林匹克（IMO）取得奖牌标准（银牌）的系统。
- **算法发现**:我们的编码代理 [AlphaEvolve](https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/) 探索计算机代码的空间，发现更高效的算法。
- **科学合作**: 我们集成了 AlphaGo 开创的搜索和推理原则，形成一个 [AI 合作科学家](https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/)，通过“辩论”科学假设来分析数据。
### 智力的未来
为了让 AI 真正具备通用性，它需要理解物理世界。我们构建了 Gemini 系统，使其能够理解语言、音频、视频、图像和代码，进而构建一个对世界的模型。
我们认为，Gemini 的世界模型、AlphaGo 的搜索和规划技术与专门化 AI 工具的结合将对 AGI（通用人工智能）的实现至关重要。
十年后的今天，我们回望那场激发现代 AI 革命的比赛。
---
原文链接：[点击查看](https://deepmind.google/blog/10-years-of-alphago/)
AlphaGo 以其经典的“第37步”，展现了 AI 的潜力，并标志着我们已经具备了解决现实世界科学问题的技术。
### 创造性的火花
2016 年，超过 2 亿人目睹了 AlphaGo 在首尔与围棋世界冠军李世石的对决。比赛中“第37步”的落子极为非常，评论员们起初以为这是失误，但这一步却最终决定了胜负。此后 AlphaGo 通过巧妙的布局赢得了比赛，超越了模仿人类专家的能力，找到了全新的策略。
围棋因其复杂性长期以来一直是 AI 研究的试金石。AlphaGo 采用了深度神经网络，结合先进的搜索与强化学习，开创了 DeepMind 的 AI 方法。
在 AlphaGo 获胜后，我们开发了 [AlphaGo Zero](https://deepmind.google/blog/alphago-zero-starting-from-scratch/)，它从随机下棋中学习，被认为是围棋历史上最强的玩家。此后进一步扩展为 [AlphaZero](https://deepmind.google/blog/alphazero-shedding-new-light-on-chess-shogi-and-go/)，能够从零开始掌握任意 2 人完全信息游戏，包括围棋、国际象棋和将棋。
### 推动科学突破
AlphaGo 证明了 AI 可以在围棋这项运动中应对复杂的决策空间，这一成果为我们提供了利用 AI 理解物理世界的潜力。我们首先试图解决蛋白质折叠问题，这是一个长达 50 年的科学难题，2016 年我们通过 [AlphaFold 2](https://deepmind.google/blog/alphafold-five-years-of-impact/) 系统成功攻克了这一难题。至今，全球超过 300 万名研究人员使用 [AlphaFold 数据库](https://alphafold.ebi.ac.uk/) 来加速他们的研究。
自 AlphaGo 的胜利以来，我们将其开创性的方法应用于科学和数学的多个领域:
- **数学推理**: [AlphaProof](https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/) 能够使用语言模型和强化学习技术证明正式的数学命题，成为第一个在国际数学奥林匹克（IMO）取得奖牌标准（银牌）的系统。
- **算法发现**:我们的编码代理 [AlphaEvolve](https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/) 探索计算机代码的空间，发现更高效的算法。
- **科学合作**: 我们集成了 AlphaGo 开创的搜索和推理原则，形成一个 [AI 合作科学家](https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/)，通过“辩论”科学假设来分析数据。
### 智力的未来
为了让 AI 真正具备通用性，它需要理解物理世界。我们构建了 Gemini 系统，使其能够理解语言、音频、视频、图像和代码，进而构建一个对世界的模型。
我们认为，Gemini 的世界模型、AlphaGo 的搜索和规划技术与专门化 AI 工具的结合将对 AGI（通用人工智能）的实现至关重要。
十年后的今天，我们回望那场激发现代 AI 革命的比赛。
---
原文链接：[点击查看](https://deepmind.google/blog/10-years-of-alphago/)
评论
暂无评论。