●1996年2月10日，超級電腦深藍於美國賓夕法尼亞州費城首次挑戰國際象棋世界冠軍卡斯巴羅夫，但以2-4落敗。1997年5月再度挑戰，最終深藍電腦以3.5–2.5擊敗卡斯巴羅夫，成為首個在標準比賽時限內擊敗國際象棋世界冠軍的電腦系統。
深藍
●國際象棋有縱橫各8 個矩陣，一共64 個空格，如果按照每盤棋雙方各走30 步棋計算，其變化總數大約是10 的120 次方。 而圍棋卻有361 個交叉點，比國際象棋的棋盤容量大得多，打二還一、空中出棋等變化，可能比10的360次方還要復雜，有個數據是10的768次方。
●而科學家推算宇宙的原子總數為10的80次方。也就是說，按10的360次方計算，圍棋的變化是宇宙總原子數的10的280次方倍！這變化就不是天文數碼的問題了！
●那是不是每種可能性都要算呢？所謂人工智能，那得象個人對吧！請問您買彩票，會買00000000和1111111還有222222...........
●如果您真買了，還中了，我就申請給您封神！
●對於棋類這單一的類別，弱人工智能就能勝任！所以只要算力夠，模型對了！完勝人類不是夢！接下來就是資訊量了對吧！
●你看，聽我的故事，人工智能需要啥這不是弄清了嘛！
●當AI打敗國際象棋世界冠軍的那天起，人類走上一條不歸路
●經過18年的發展，棋力最高的人工智能圍棋程式才大約達到業余5段圍棋棋手的水準，且在不讓子的情況下，仍無法擊敗職業棋手。
●2012年，在4台PC上執行的Zen程式在讓5子和讓4子的情況下兩次擊敗日籍九段棋手 武宮正樹，天馬行空的宇宙流是也！
●2013年，Crazy Stone在讓4子的情況下擊敗日籍九段棋手 石田芳夫！
●2014年AlphaGo的研究計劃啟動，在和Crazy Stone和Zen等其他圍棋程式的比賽中，單機版AlphaGo以499勝：1負的成績畢業。
●而在其後的對局中，分布式版AlphaGo（以 分布式運算執行於多台電腦上）以500：0全勝
●在對單機版的AlphaGo約有77%的勝率
●2015年10月的分布式運算版本AlphaGo使用了1,202塊 CPU及176塊 GPU。完成定型！
●Alpha Go屬於弱人工智能！花了幾個月的時間學習人類對弈的三千萬棋局參 悟人類棋藝！
●2016年3月9日至15日，Google旗下的DeepMind智能系統——AlphaGo在南韓首爾對戰世界圍棋冠軍、職業九段選手李世石AlphaGo在一場 五番棋比賽中4:1擊敗頂尖職業棋手 李世石，成為第一個不借助讓子而擊敗 圍棋職業九段棋手的電腦圍棋程式， 這裏是要說明GO是圍棋的英文！
李世石
柯潔
● 2017年，而采用蒙地卡羅樹搜尋＋深度學習演算法的Alpha Go Zero,不需要透過學習歷史棋譜,而僅靠了解圍棋對弈的基本規則,透過自我博弈 490萬棋局 和自我前進演化, 實作了對Alpha Go以100：0百戰百勝的戰績！
蒙地卡羅樹搜尋
模型
局
盤
棋局
● 差別 在哪呢？我答一句，效率問題！沒錯吧！
● 低階人工智能透過改變模型和演算法就能有這麽大提高！這就是深度學習演算法的力量了。
● ZERO就是0大家都知道吧！而這個演算法就是起點！弱人工智能向強人工智能的起點！
● 我之前說過，人工智能三要素模型、算力、數據！鷹醬連出兩道政令打壓！就是想斷AI的糧！
● 所以看新聞得讀懂背後的邏輯！
● 說回俄烏沖突！二毛能 比大毛強 這麽多？那是不可能的！
● 摳門國家 戰場AI 肯定是支援了二毛，鷹醬 肯定是 幫忙！
● 我 為什麽說 鷹醬 肯定幫忙呢？鷹醬 早就把AI 套用於 情報搜集、輿論控制、顛覆政權、網絡攻擊、指揮控制、效果評估、戰場局勢 把控等,要 鷹醬的C4ISR 主打，大毛會 更慘！
所以人弱工智能投入戰場指揮就能完敗人類！更何況引入強人工智能之後呢？
●圖丫丫在MOSS A裏，那算力跟MOSS C比，瞬間成長！人一生短短的以秒計就能走完！然後強人工智能+量子計算=終結者降臨！
●那麽，阿西莫夫的機器人三大定律是不是該升級了！難道人類不作不行嗎？
世事如棋 ， 了凡如咊
