查看: 893|回复: 13
能让电脑的几名球员受伤？
目前记录是大师联赛中一场比赛把电脑铲到4人受伤:bz3:& &10分钟的比赛
另一次和同学玩，结果非背面铲球，非单刀球也给红.....
那场比赛我和我同学都是铲到人就给红.....裁判真是客气.....:bz16:
一场比赛双方各下去3人，那天笑死了，再赛就没有发生过这种事:bz36:
理论上可以是全队吧
PS：楼主下脚真狠:bz36:
回复 #2 中场核心 的帖子
貌似是不行的，好像到了一定人数受伤就再也不会有人受伤了:bz2:
貌似AC比较容受伤
从不铲人:bz31:
楼上的头像很像 火种收集器
我最多弄对方5个...
4人，之后就很难再受伤了。我曾经开过不犯规和易受伤的外挂。告诉你结果吧
上半场：等你铲到他没人换或指剩下7人时，绝对不会再受伤下场，即使你无数次的把他放倒。
有一种情况我能尽可能的把人都铲下去（开不犯规和易受伤的外挂的情况下），当你场上还有8.9人时，一定要在上半场，然后你可以连续的放倒拿球的人，一定要注意：只能铲拿球的，最好从正后方刚好铲到脚踝，千万不能出现死球！！然后尽你所能挨个的把人放倒（为保险起见一个人最好放两次），只要没有死球，那些负伤的人会继续再战，直到出现死球时，就会连续出现受伤下场的情况，(这就是为什么要开不犯规的外挂的原因)半场结束时，就会再下几个，最后因人数不足直接比赛结束。
过年了 大家都消消火气吧&&下脚温柔些
回复 #9 squall-ly 的帖子
:bz2: 我说的是PS2上的，PS2没有外挂:bz2:
PS2记录是两个，再也不行了！
只要没有死球，你能产下几个就是几个，一旦裁判吹哨了，他就得算账了，
从来都是电脑把我的队员铲伤，裁判还很少吹问题已关闭
问题已失效或过期
围棋作为唯一一种电脑下不赢人的大众棋类，是何原因导致？以及量子计算机出现后有无可能？
围棋没有深入了解过，真的有那么难以及那么多变化么，以及量子计算机出现后极大的数据处理量能否解决。
216 个回答
收到三份邀请，还是回答一下吧。我是Facebook的智能围棋darkforest的负责人和第一作者。现在我们最新的darkfmcts3 在KGS上有5d，和目前最好的软件相当，赢了一局Zen，输了一局给DolBaram，被让四子与一位韩国的职业六段一胜一负。收到的评论都是说“下得非常像人”，大局观强，屡见好手，当然偶尔也犯低级错误。相关文章见，目前投稿于ICLR 2016。如知友所说，我们用了DCNN（深度卷积神经网络）进行模式匹配再加MCTS（蒙特卡罗树）搜索的办法。DCNN其实要比简单的开局库或者搜索引擎要厉害得多，在看过十几万局棋之后，它会有比较强的泛化能力，或者通俗地说是举一反三的能力。围棋虽说是“千古无同局”，但在局部及开局还是有很多相似或者相同的模式会反复出现，DCNN能够抓住这些模式并且在实战中灵活运用。完全不用搜索的DCNN挂在KGS上就有3d的水平，这是非常让人吃惊的，甚至比我们通过搜索能达到5d更让人吃惊，我们只在这个项目上花了五个月的时间，若是用传统方法来做这个模式识别，估计耗时几年1k都不一定上得了（要是这样我也不会开这个项目了）。单单拿游戏的状态个数去比较它们的难度，是不准确的。有很多状态空间广阔但是易解的例子。比如状态空间的估值函数很平滑，用一个简单的函数就容易拟合，在这种情况下即使状态数目是无穷大（比如说连续相空间），问题也不难。让计算机投篮，出手的方向，速度，篮球的旋转，每个变量都是连续因而有无限可能，但是计算机试几次之后很快就能找到最优解。又比如状态空间存在可以用数学表达的全局结构，这样用贪心法或者动态规划也可以很快地解决，其难度和状态个数就无关。比如说棋盘上放些黑子作障碍物，要求白子从左上角走到右下角，那哪怕是千路万路棋盘，尽管可能的路径有指数条，一个最短路径搜索也就可以搞定了。围棋难的地方在于它的估值函数非常不平滑，差一个子盘面就可能天翻地覆，同时状态空间大，也没有全局的结构。这两点加起来，迫使目前计算机只能用穷举法并且因此进展缓慢。但人能下得好，能在几百个选择中知道哪几个位置值得考虑，说明它的估值函数是有规律的。这些规律远远不是几条简单公式所能概括，但所需的信息量还是要比状态空间本身的数目要少得多（得多）。现在的深度学习能在大量对局中找到这样的一些规律，但仍然没有人脑厉害。这一方面说明我们现在算法的局限性，另一方面它还有巨大的发展空间。一句话，穷举状态并不是最终目标，就算以后超超级计算机能做到这一点，也不能说解决了人工智能。只有找到能学出规律的学习算法，才是解决问题的根本手段。像NP-hard的问题也是如此，不太可能会在多项式时间内被一个简单算法解决，也不太可能需要超级计算机穷举解决，而是会被过去的大量经验加上适当搜索解决。这个方向最近开始有一些文章了（比如说用深度学习解决旅行商问题），我觉得这是个有趣的方向。 另外，创造力并不是什么特别神秘的东西，除开少数天才之外，大部分的创造工作其实是对于事物高层抽象的理解，联系和搬运。大家都知道创造是需要素材的，艺术家只有体会大自然才有作品，小说家要去体验现实才有灵感，工程师要看过大量前人的轮子才能造出更好的轮子。从机器学习的角度来说，素材就是给自己大脑的训练样本，在从这些样本中抽取别人不曾抽取到的共同点，找到潜在的联系及局限性，创造力就会自然而然地产生。现在机器不如人的地方就是它抽取的效率太低，需要大量的样本，而人脑在过去经验加上更有效算法的基础上，（似乎）只要几个样本就可以做到。如何让计算机也做到这一点？我们还需要进一步的研究。最近去开NIPS和D-Wave的几个人聊过，大概知道量子计算现在的水平。量子计算现在主要有两个问题，其一是条件太苛刻，其二是只能解决特定问题。要让这个量子计算机工作，需要放在比绝对零度高零点零几度的超低温下，并且工作时间不能太长，不然一旦量子态退相干就没有用了。我觉得人脑应该不具备这个条件。然后D-Wave的系统只能解决特定优化问题（马尔可夫随机场，MRF）。谷歌前一阵子宣称，他们的量子计算机比现有的计算机快一亿倍，就是在D-Wave原型上开发的，也同样是解这个特定问题。如果细看他们发表的文章就会发现，他们比较的对象是最简单性能最差的模拟退火经典算法，这个算法用过的人都知道，经常等到猴年马月都没有动静的。如果他们和量子蒙特卡罗方法（注意这是个模拟多体薛定谔方程的经典算法，可以在现有计算机上跑，名字比较误导人 ）比较，其实没差多少，没看出有什么特别大的进展，要真正能证明比传统的计算机好，需要制备更多的量子态，然而如何让它们不会退相干，又是个令人头疼的问题。而多用途的量子计算机，即用量子门搭出来的计算机，现在还处于比较早期的阶段。当然我对这个领域不太熟悉，所以也无法对此作非常细致的评判，但还是那句话，穷举并不是人脑采取的手段，也不应该是人工智能采取的手段，以后即便用量子计算机做人工智能，还是要以从数据中学出规律为目标的。
我这个围棋的门外汉来回答一个轻松的***。遥想第一次和电脑下棋是在小时候的电视游戏机上，当时下中国象棋被计算机虐成马。记得后来经常叫上爷爷，他说怎么走，然后我就照着下，偶尔可以赢电脑（中国象棋）。第一次正儿八经地接触AI围棋是在同济大学一次微软的宣讲会上。当时李开复老师（他还是微软的副总裁）带着?峰雄博士来到同济的大礼堂宣讲。会上，许博士详细回忆了自己在卡耐基梅隆大学读博时研究机器学习的历程，以及在IBM时期制造国际象棋电脑“深蓝”和如何训练“深蓝”的过程（感觉就是启发式搜索和优化减枝的过程）；徐博士还回答了一些有趣的问题，比如：“能否两台机器之间互相对弈然后提高”。最后有一个关于围棋（Go）的问题，徐博士回答了得非常详细：他先介绍了围棋电脑程序的现状，说当时最厉害的围棋程序，普通人只要稍微训练下围棋大概3个月就能战胜它。他还给出解释说，国际象棋（他是台湾人，说的是西洋棋）的状态复杂度是 2^64 次方，而围棋则达到 2^128 次方，所以在这样大的状态空间下，当时的计算机程序没发很好地在短时间内找到最优解。那时是 2004 年。现在一晃眼12年过去了，我也幸运地进入CMU读书，成为许博士的校友，也实地去到CMU的人工智能和机器学习实验室，看下当今最热的这个研究领域都是些什么牛人在做。而后在Facebook，也因为我们收购了和后续挖来了deep learning的开拓者导致我们Facebook AI lab在业界名声大噪。也是因为Facebook这个平台，我结识了算是同事或者CMU学长的
大牛。看过他的很多回答和专栏文章，都很喜欢，而且文字非常inspiring。直到前两天在 Zuck 的 news feed 上看到下面的一段话，着实对他佩服：Zuck先是简单说了下 Go（围棋）的AI现状和Facebook AI lab的工作，然后说Facebook AI lab可以在0.1秒内做出和之前系统一样好的判断。而后点名表扬了田渊栋的成绩（对了，他的工位就在Zuck旁边20英尺处）。Zuck的原话：Zuck先是简单说了下 Go（围棋）的AI现状和Facebook AI lab的工作，然后说Facebook AI lab可以在0.1秒内做出和之前系统一样好的判断。而后点名表扬了田渊栋的成绩（对了，他的工位就在Zuck旁边20英尺处）。Zuck的原话：The researcher who works on this, Yuandong Tian, sits about 20 feet from my desk. I love having our AI team right near me so I can learn from what they're working on.附上田哥论文的链接：以及 Zuck feed 中视频链接：当然，Zuck的帖子下面的评论也是各国群众秀智商下限：有人问，以后是不是都是AI选手在下棋了？还要人干嘛？ 有人鼓励说“田哥威武！加油”。有人问：“如果AI和人一样聪明了，对于人类是不是巨大的威胁？” 还有人问：“你娶你老婆 Priscilla Chan 是不是为了让Facebook进中国？”（我看得醉了。。。）有人问，以后是不是都是AI选手在下棋了？还要人干嘛？ 有人鼓励说“田哥威武！加油”。有人问：“如果AI和人一样聪明了，对于人类是不是巨大的威胁？” 还有人问：“你娶你老婆 Priscilla Chan 是不是为了让Facebook进中国？”（我看得醉了。。。）当然，今天最火的莫过于几个小时前Nature的发文： ： Google DeepMind实验室的 AlphaGo 程序把欧洲围棋冠军 Fan Hui 干翻了，5：0直接碾压。同时 AlphaGo 99.8%的胜率可以干掉其他的围棋程序。另外，AlphaGo 已经和韩国职业
Lee Sedol（公认现在围棋的世界第一选手）预约好了三月份的一场比赛。让我们所有人拭目以待吧！最后推荐一篇
的专栏文章： 里面有着他这一年来的心路历程。之前在张溪梦先生聊天的时候，说到在湾区的老美公司打拼，一个中国人要付出三倍左右的努力，才能达到一个白人获得的同样的成就。所以田哥这一路来着实不容易；我能体会他的文章里所提到的艰辛。希望Facebook提供的平台能让他觉得从Google跳槽Facebook是一个无比正确的决定。借用他的文字结尾：我有时候会问自己：“我是不是背弃了梦想？”我想除了我自己，任何人都不会给我***，任何评论也不具效力。我记得有人问过，如果梦想从践行的一开始，就在不自觉地向现实妥协，那样的梦想还是最初的梦想么？其实，这样的问题没什么可纠结的，因为世界从来就不是二元的，梦想和现实，如同高悬的日月，日月之间，有一条灰色的路，在自己脚下蜿蜒曲折，绕过各种险阻，一直向前。而我能做的，只是要在奔跑时，不停提醒自己，还记得“梦想”这个词的含义。对了，突然想到忘记说了：我大二的时候非常喜欢看棋魂，一周内把所有棋魂集数都看完了 --- 真是非常经典的动画片。来，让我们重温一集：--- 在希望的田野上
AlphaGo 5:0 分先击败欧洲冠军职业二段樊麾，计划三月挑战李世石。谷歌威武!
作为一个玩具围棋 A.I. 的开发者，反对楼上硬件条件早已具备，就是算法不给力的***。计算机围棋下不过人类，最主要的原因在于，围棋的每一颗子都是平等的，象棋可以通过计算各种子力加权和，以及棋子之间的位置关系，来设计良好静态评估函数，围棋办不到。目前最好的算法也就是蒙特卡罗搜索树，那问题就来了：跑一遍蒙特卡罗对局的时间复杂度，远超象棋的静态评估函数蒙特卡罗对局结果的置信度（可以通过一些简单的策略来提高一些，但猜测高不到哪去），远低于象棋的静态评估函数因为置信度低，围棋就不能照搬经典的博弈树算法，得用UCT及其衍生出的蒙特卡罗搜索树啊，这是什么意思呢？就是不能用alpha-beta剪枝啊！得一遍又一遍的迭代，让不靠谱的选项慢慢冷下来啊！9路小棋盘上，如果只用经典的蒙特卡罗局面评估 + UCT算法，迭代到上百万次，才能跑出靠谱的结果！我写的玩具 A.I.：希望有生之年我能有时间写出像样的围棋 A.I.
补充一点：最近AlphaGo对阵李世石胜利，引来了一些人对我的回答的赞同和关注。感谢大家的关注和评价。这里需要厘清两点：（1） 本回答中的复杂度分析不是针对19*19的棋盘而言的，而是一般而论。AlphaGo和李世石下的标准19*19的围棋，尽管复杂，但是是常数复杂度的，没有讨论的价值（2） 围棋，作为复杂性研究的问题，其定义常常会有一些小的差别。比如有规则说不能出现相同的格局，有人定义步数是多项式级别的，有人不加任何限制，做出来的复杂度是会有区别的。比如第一个，枚举所有的格局图即可，第二个就是下文中分析的。知乎的趋势是： 不管题主问什么，我都只写我自己想写的？ 只要我写的长，即使我什么都不懂，也会是高票***的。作为一个计算复杂性（complexity）的PhD学生，决定简短而准确的告诉题主两件事：（1） 电脑下围棋一定能下赢人类。电脑唯一赢不了人类的问题叫做 “undecidable problem”，代表问题如 图灵停机问题。围棋呢？围棋问起可以表述为：存在一种第一步下棋方式，对于对手的任意一下下一步，存在我的下一步，使得对手的下下布，.....我赢了这个问题在计算复杂性理论中叫什么呢， exp hierarchy。wikipedia告诉我围棋恰好还是exp space complete，没看到出处。 不管怎么样，EXPH是decidable的，换句话说围棋存在必胜策略，剩下的就是时间问题了。（2）如果wiki上的说法靠谱的话，可以断定量子计算机不能高效解决围棋问题。量子计算机能高效解决的问题叫做BQP。 有下面几条结论：BQP 包含于 PSPACEEXPSPACE-complete 不在PSPACE里 （空间复杂度分层定理）所以围棋一定不是BQP，不能被量子计算机有效解决。无论如何，围棋如果能被量子计算机高效解决的话，那么EXPH层次塌到PSPACE。
反对最高分的*** @我只能说答主周瑶对量子计算一知半解，只是列举了两个量子计算中最著名的两个算法而已。其他的，周瑶童鞋对量子计算的理解实在是只局限与科普等级。对不起这是很严肃的知识，一个学金融的同学就不要这么诋毁量子计算了，好吧。作为做quantum computation implementation的phd student真的是要为量子计算来正名。的确，量子计算中得shor algorithm和Grover algorithm是要猜，只要unitray operators足够多就可以measurement成功率到达1. 但是这个并不是可解还是不可解的问题，这个是解决时间的问题。其次，根据complexity theory，对于这种下围棋的问题，是绝对存在最优解（获胜解）的。所以别说量子计算机可以解，甚至与经典计算机都能找的到最优解，只是一个时间的问题。而且可以证明的是量子计算一定是可以包含与经典计算机的，因为量子计算机的Toffoli gate可以改成所有的classical gates。更别说CNOT gate和universal single gate了。并且，量子计算的“cpu”是完完全全不一样与经典的计算的“cpu”的。我就是做这个的，这个是题外话。那么根据对手的出棋的位置，量子计算机就可以找到最优的下一步棋。只不过需要多少个unitray operators才能达到1而已，或者是99.99999%的最优解的概率。你觉得你就那么幸运的成为买彩票中五百万的那个？现在的问题只是找围棋最优解是不是efficient而已，要的时间多少。我并不知道解围棋是什么问题，可能现在没有经典的算法“有效的”找到最优解而已（请注意是有效，并不是不能）。至于量子计算机能不能efficient解决这个问题，我也不知道，也没有人知道。因为现在量子计算机到底是什么计算能力现在没有人知道。补充一点，@ BQP是量子计算机可以达到的，但是不是最大的。有一个模型post-BQP才是量子计算的极限。
对被打脸做一个回应吧：下图是新智元1月11日发的文章，链接在这里：好吧，对于计算机围棋何时战胜职业的预测时间点过份谨慎确实已导致被打脸--------------------------------------------------------------------------------------------------------------------------------虽然不懂量子计算机，但还是决定要强答一波。首先那些说解决围棋只是时间问题的，你们够了。围棋是个np hard问题，19路围棋的状态空间复杂度为，对比国际象棋的状态空间复杂度，即使量子计算机在计算能力上比电子计算机强1亿倍，然并卵。然而计算机围棋的复杂性并非仅体现在计算量一个维度上，更重要的是专家评估系统的能力：下图是威孚房开杯半决赛范蕴若VS李轩豪的对局，这两位均是中国当前的一线职业棋手，不了解的请自行百度。棋局至此刻要注意的是白框黑棋和三角白棋均为活棋。图一当棋局行进至白棋G16后已进入混沌不清的状态，三角白子和圆形黑子处于对杀状态图二此刻黑棋下了这步，下方白棋巨龙立刻卷入对杀的漩涡中图三最终的结果是三角白子全部阵亡，方框黑子亦全部阵亡，黑白双方在此处做了一次转换。图四黑白双方经过这般沧海桑田的大转换后，最终黑棋以半目优势（围棋中最小的优势）获得本局胜利。我想问，在图三发生的那一刻，量子计算机如何能评估出转换后双方的价值得失？结论一：计算机为何围棋下不过人的主要原因之一就是一个精准的专家评估系统实在是太特么难做了！围棋的知识被我们分为两种：一种叫调用型知识；另一种叫计算型知识。调用型知识指对局者根据以往的经验，凭直感或本能下出的棋，如下图这个定式双方不需要计算，只需根据经验调用。这类知识基本全部集成在海量的棋谱里，在计算机围棋中，这类知识统称为“模式”，对应当前最前沿的解决方案深度卷积神经网络（DCNN）。Facebook目前的AI黑暗森林就用了这个方法解决模式的问题。我们去年也做了个基于海量数据的围棋搜索引擎，见
如下图，A-E是下法和下法的评分。而计算型知识指现场通过计算加工出来的参考图，比如某个对杀或死活问题。下图白杀黑，来感受一下计算型知识。求解这类知识的方法目前最常用的就是各位说的求解这类知识的方法目前最常用的就是各位说的蒙特卡洛树搜索（MCTS）不赘述了。结论二：现在使用的普遍解计算机围棋的方法是DCNN+MCTS。如果你精通以上方法且还是围棋高手，那么有望能够在未来几年内开发出对抗业6或三线职业棋手的程序。是的，目前来看高等级的围棋程序一定是由围棋高手开发出来的。结论三：如果希望程序能战胜顶级围棋高手，比如李世石大师，客观的说还是图样图森破。（虽然我是李世石大师的棋迷，但还是真心希望有程序能击败他）之所以这么说是因为除了以上讨论的智力比拼维度外，绝顶高手还要比拼心理和灵性。马晓春的棋被人称为妖性十足，这种妖被李世石发扬光大了，所谓的“妖”就是善于在心理层面给对手设套。这是前不久梦百合决赛第五局柯洁执黑对李世石的棋，此时黑棋大概盘面领先15目左右。让我们来看看李世石大师妖性十足的逆转功夫。白棋先去一路扳，强调这个劫的价值，黑棋的注意力瞬间就转移到这个劫争的劫材上来了，结果导致柯洁在右上角出现重大失误，险些被翻盘。这种心理牵引能力的形成过程已远超我对围棋本身的理解范畴。出于对这种能力的尊重，我认为现有的计算机围棋思想配合一个极度精确的专家评估系统也难以战胜顶级职业棋手。这种心理牵引能力的形成过程已远超我对围棋本身的理解范畴。出于对这种能力的尊重，我认为现有的计算机围棋思想配合一个极度精确的专家评估系统也难以战胜顶级职业棋手。最后强发一个自己讲棋的视频无耻求赞。
你的命题已经不成立，Google已经发明了可以打败人类的人工智能围棋大师就在今天，《Nature》杂志以封面论文的形式，介绍了 Google DeepMind 开发的人工智能程序 AlphaGo，它击败了欧洲围棋冠军樊麾，并将在 3 月和世界冠军李世?对战！Google 特地为此准备了 100 万美元奖金。从国际象棋的经验看，1997 年人工智能第一次打败人类后，2006 年成为了人类在国际象棋的绝唱，自此之后人类没有战胜过最顶尖的人工智能国际象棋选手。在 AlphaGo 打败了欧洲围棋冠军后，世界冠军李世?和 AlphaGo 的对弈，是否会成为人类在围棋领域的绝唱？Nature 封面论文：Mastering the game of Go with deep neural networks and tree search（通过深度神经网络和搜索树，学会围棋游戏）AlphaGo 给围棋带来了新方法，它背后主要的方法是 Value Networks（价值网络）和 Policy Networks（策略网络），其中 Value Networks 评估棋盘位置，Policy Networks 选择下棋步法。这些神经网络模型通过一种新的方法训练，结合人类专家比赛中学到的监督学习，以及在自己和自己下棋（Self-Play）中学到强化学习。这不需要任何前瞻式的 Lookahead Search，神经网络玩围棋游戏的能力，就达到了最先进的蒙特卡洛树搜索算法的级别（这种算法模拟了上千种随机自己和自己下棋的结果）。我们也引入了一种新搜索算法，这种算法将蒙特卡洛模拟和价值、策略网络结合起来。通过这种搜索算法，AlphaGo 在和其他围棋程序比赛的胜率达到了 99.8%，并以 5：0 的比分击败了人类欧洲围棋冠军樊麾。这是电脑程序第一次在全尺寸（19X19）的棋盘上击败了人类专业选手，这一成果过去认为至少需要 10 年才能实现。通过将 Value Networks、Policy Networks 与树搜索结合起来，AlphaGo 达到了专业围棋水准，让我们看到了希望：在其他看起来无法完成的领域中，AI 也可以达到人类级别的表现！
所以说不要下好结论再去找理由。（题主可能并没有，然而很多回答）先入为主地认为电脑就是下不过人类，再去想各种似是而非的理论信誓旦旦地说不可能，最后难免就会被打脸：Deepmind(Google子公司)的AlphaGo已经打败了欧洲围棋冠军Fan Hui[1]。没有让子，五场比赛，AlphaGo五场全胜。当然这对所有人来说都是一个意外----很多用相似算法在研究围棋的人都曾认为这件事至少还要十年才会发生。这再次证明了（尤其是AI领域）我们对什么是可能，以及可能性是如何变成现实的，依然相当缺乏理解。[1]:
今天的新闻，谷歌的alphago ai成功5比0战胜职业2段。并且和其他围棋程序对弈有99.8%的胜率。
已有帐号？
无法登录？
社交帐号登录