在线翻译求助 10
DanielBump,amathematicsprofessoratStanford,worksonaprogramcalledGNUGoinhissparetime.“...
Daniel Bump, a mathematics professor at Stanford, works on a program called GNU Go in his spare time. “You can very quickly look at a chess game and see if there's some major issue,” he said. But to make a decision in Go, he said, players must learn to combine their pattern-matching abilities with the logic and knowledge they have accrued in years of playing.
One measure of the challenge the game poses is the performance of Go computer programs. The past five years have yielded incremental improvements but no breakthroughs, said David Fotland, a programmer and chip designer in San Jose, California, who created and sells The Many Faces of Go, one of the few commercial Go programs.
Part of the challenge has to do with processing speed. The typical chess program can evaluate about 300,000 positions in a second, and Deep Blue was able to evaluate some 200 million positions in a second. By mid-game, most Go programs can evaluate only a couple of dozen positions each second, said Anders Kierulf, who wrote a program called SmartGo.
In the course of a chess game, a player has an average of 25 to 35 moves available. In Go, on the other hand, a player can choose from an average of 240 moves. A Go-playing computer would need about 30,000 years to look as far ahead as Deep Blue can with chess in three seconds, said Michael Reiss, a computer scientist in London. But the obstacles go deeper than processing power. Not only do Go programs have trouble evaluating positions quickly; they have trouble evaluating them correctly. Nonetheless, the allure of computer Go increases as the difficulties it poses encourages programmers to advance basic work in artificial intelligence.
“We think we have the basics of what we do as humans down pat,” Bump said. “We get up in the morning and make breakfast, but if you tried to program a computer to do that, you’d quickly find that what’s simple to you is incredibly difficult for a computer.”
The same is true for Go. “When you’re deciding what variations to consider, your subconscious mind is pruning,” he said. “It’s hard to say how much is going on in your mind to accomplish this pruning, but in a position on the board where I’d look at 10 variations, the computer has to look at thousands, maybe a million positions to come to the same conclusions, or to wrong conclusions.”
Reiss, an expert in neural networks, compared a human being’s ability to recognize a strong or weak position in Go with the ability to distinguish between an image of a chair and one of a bicycle. Both tasks, he said are hugely difficult for a computer. For that reason, Fotland said, “writing a strong Go program will teach us more about making computers think like people than writing a strong chess program.” 展开
One measure of the challenge the game poses is the performance of Go computer programs. The past five years have yielded incremental improvements but no breakthroughs, said David Fotland, a programmer and chip designer in San Jose, California, who created and sells The Many Faces of Go, one of the few commercial Go programs.
Part of the challenge has to do with processing speed. The typical chess program can evaluate about 300,000 positions in a second, and Deep Blue was able to evaluate some 200 million positions in a second. By mid-game, most Go programs can evaluate only a couple of dozen positions each second, said Anders Kierulf, who wrote a program called SmartGo.
In the course of a chess game, a player has an average of 25 to 35 moves available. In Go, on the other hand, a player can choose from an average of 240 moves. A Go-playing computer would need about 30,000 years to look as far ahead as Deep Blue can with chess in three seconds, said Michael Reiss, a computer scientist in London. But the obstacles go deeper than processing power. Not only do Go programs have trouble evaluating positions quickly; they have trouble evaluating them correctly. Nonetheless, the allure of computer Go increases as the difficulties it poses encourages programmers to advance basic work in artificial intelligence.
“We think we have the basics of what we do as humans down pat,” Bump said. “We get up in the morning and make breakfast, but if you tried to program a computer to do that, you’d quickly find that what’s simple to you is incredibly difficult for a computer.”
The same is true for Go. “When you’re deciding what variations to consider, your subconscious mind is pruning,” he said. “It’s hard to say how much is going on in your mind to accomplish this pruning, but in a position on the board where I’d look at 10 variations, the computer has to look at thousands, maybe a million positions to come to the same conclusions, or to wrong conclusions.”
Reiss, an expert in neural networks, compared a human being’s ability to recognize a strong or weak position in Go with the ability to distinguish between an image of a chair and one of a bicycle. Both tasks, he said are hugely difficult for a computer. For that reason, Fotland said, “writing a strong Go program will teach us more about making computers think like people than writing a strong chess program.” 展开
4个回答
展开全部
在史丹福的单尼尔撞击,一位数学教授, 称为角马的在一个计画上的作品在他的多余的时间内进行。 "你能非常快地看一场西洋象棋游戏而且见到如果 there\' s 一些主要的议题 ," 他说。 但是作决定在去, 他说, 运动员一定学习结合他们的相配式样能力和逻辑和他们多年来玩已经自然增加的知识
一的衡量挑战游戏姿势是表现去电脑程式。 过去五年已经产生逐渐增加的进步但是没有突破性的发展, 大卫 Fotland 说, 一个程序师而且在产生并且卖许多脸的桑河 Jose,加州削设计者去, 很少商业广告之一去计画。
挑战的一部份必须做处理速度。 典型的西洋象棋计画在秒中能评估大约 300,000个位置,而且深的蓝色能够在秒中评估约二亿个位置。被在-之中游戏, 最去计画每秒能评估只有一些一打的位置, Anders Kierulf 说,他[她] 写了叫做 SmartGo 的一个计画。
在一场西洋象棋游戏期间,一个运动员有 25-35 的平均动作可得的。 在去, 另一方面,一个运动员能从 240 的平均动作中选择。一去-玩计算机会需要大约 30,000 年看同样地远向前地当做有三秒的西洋象棋的深的蓝色罐子,说麦可再是, 在伦敦的一位计算机科学家。 但是障碍变比处理力量深。 不只确实去计画在很快地评估位置方面有麻烦; 他们在正确地评估他们方面有麻烦。然而,当它摆姿势的困难鼓励程序师在智化前进基本的工作时候,计算机的诱惑去增加。
"我们认为我们有我们做如人类下来轻拍的基本 ," 撞击说。 "我们在早晨起床而且制造早餐,但是如果你试着规划一部计算机做那,你将会很快地找什么很简单对你对一部计算机是不能采信困难。”
一样的是真实的对去。 "当你正在决定的时候什么变化考虑 , 你的潜在意识思想是修剪 ," ,他说。 "说多少正在你的思想继续完成这一个修剪很困难,但是在我将会审查 10个变化的董事会上的一个位置中,计算机必须看数千,也许一个百万放置得到相同的结论, 或对错误的结论。”
再是, 一个专家在被比较一个人类的能力认识一个强壮或者弱的位置的类神经网路在与能力搭配区别椅子的一个图像和脚踏车之一。 两者的工作, 他说为了一部计算机巨大困难。 对于那理由, Fotland 说,"写一强壮的去计画将会超过写强壮的西洋象棋计画有关使计算机想教我们更多相似的人。”
一的衡量挑战游戏姿势是表现去电脑程式。 过去五年已经产生逐渐增加的进步但是没有突破性的发展, 大卫 Fotland 说, 一个程序师而且在产生并且卖许多脸的桑河 Jose,加州削设计者去, 很少商业广告之一去计画。
挑战的一部份必须做处理速度。 典型的西洋象棋计画在秒中能评估大约 300,000个位置,而且深的蓝色能够在秒中评估约二亿个位置。被在-之中游戏, 最去计画每秒能评估只有一些一打的位置, Anders Kierulf 说,他[她] 写了叫做 SmartGo 的一个计画。
在一场西洋象棋游戏期间,一个运动员有 25-35 的平均动作可得的。 在去, 另一方面,一个运动员能从 240 的平均动作中选择。一去-玩计算机会需要大约 30,000 年看同样地远向前地当做有三秒的西洋象棋的深的蓝色罐子,说麦可再是, 在伦敦的一位计算机科学家。 但是障碍变比处理力量深。 不只确实去计画在很快地评估位置方面有麻烦; 他们在正确地评估他们方面有麻烦。然而,当它摆姿势的困难鼓励程序师在智化前进基本的工作时候,计算机的诱惑去增加。
"我们认为我们有我们做如人类下来轻拍的基本 ," 撞击说。 "我们在早晨起床而且制造早餐,但是如果你试着规划一部计算机做那,你将会很快地找什么很简单对你对一部计算机是不能采信困难。”
一样的是真实的对去。 "当你正在决定的时候什么变化考虑 , 你的潜在意识思想是修剪 ," ,他说。 "说多少正在你的思想继续完成这一个修剪很困难,但是在我将会审查 10个变化的董事会上的一个位置中,计算机必须看数千,也许一个百万放置得到相同的结论, 或对错误的结论。”
再是, 一个专家在被比较一个人类的能力认识一个强壮或者弱的位置的类神经网路在与能力搭配区别椅子的一个图像和脚踏车之一。 两者的工作, 他说为了一部计算机巨大困难。 对于那理由, Fotland 说,"写一强壮的去计画将会超过写强壮的西洋象棋计画有关使计算机想教我们更多相似的人。”
参考资料: 爱词霸
展开全部
单尼尔撞击, 在史丹福的一位数学教授, 在一个被称为角马的计画上工作在他的多余时间内进行。 "你能非常快地看着一场西洋象棋游戏而且如果有一些主要的议题 ," 他说。 但是作决定在去,他说,运动员一定学习结合他们的相配式样的能力和他们多年来已经玩自然增加的逻辑和知识。
对挑战的衡量游戏姿势是表现去计算机计画。
挑战的部份必须由于处理速度做。 典型的西洋象棋计画能大约评估以秒为单位的 300,000个位置,而且深的蓝色能够评估以秒为单位的约二亿个位置。藉着中间的-游戏, 最去计画每秒能评估只有一些一打的位置,Anders Kierulf 说,写了一个计画叫做 SmartGo。
在一场西洋象棋游戏期间,一个运动员让 25 到 35次移动的平均可得的。 在去,另一方面,一个运动员能从 240次移动的平均中选择。 一去- 玩计算机大约 30,000 年会向前地同样地看远如深的蓝色能由于以三秒为单位的西洋象棋, 说麦可再是,伦敦的一位计算机科学家。 但是障碍去深入地比较处理力量。 不只确实去计画在很快地评估位置方面有麻烦;他们在正确地评估他们方面有麻烦。 然而,计算机的诱惑去增加如它摆姿势的困难鼓励程序师在智化中前进基本工作。
"我们认为我们我们所做的有基本当人下轻拍置于地面 ," 撞击说。 " 我们在早晨起床而且制造早餐,但是如果你试着规划一部计算机做那, 你很快地将会找对你是简单的事情不能采信地对一部计算机是困难的."
一样的是真实的对去。 "当你正在决定的时候考虑什么变化,你的潜在意识思想是修剪 ," 他说。 " 是难的多少正在你的思想中继续完成这一个修剪,但是在在我将会看着 10个变化的董事会上的一个位置中,计算机必须看着数千, 也许一个百万位置得到相同的结论, 或对错误的结论."
再是,神经的网络一个专家, 把人类的能力与一个强壮的或弱位置作比较在与能力搭配区别椅子和脚踏车之一的一个图像。 两件工作, 他说巨大地对一部计算机是困难的。因为说服,Fotland 说," 写作一强壮的去计画将会有关使计算机多教我们相似的人比较写一个强壮的西洋象棋计画."
对挑战的衡量游戏姿势是表现去计算机计画。
挑战的部份必须由于处理速度做。 典型的西洋象棋计画能大约评估以秒为单位的 300,000个位置,而且深的蓝色能够评估以秒为单位的约二亿个位置。藉着中间的-游戏, 最去计画每秒能评估只有一些一打的位置,Anders Kierulf 说,写了一个计画叫做 SmartGo。
在一场西洋象棋游戏期间,一个运动员让 25 到 35次移动的平均可得的。 在去,另一方面,一个运动员能从 240次移动的平均中选择。 一去- 玩计算机大约 30,000 年会向前地同样地看远如深的蓝色能由于以三秒为单位的西洋象棋, 说麦可再是,伦敦的一位计算机科学家。 但是障碍去深入地比较处理力量。 不只确实去计画在很快地评估位置方面有麻烦;他们在正确地评估他们方面有麻烦。 然而,计算机的诱惑去增加如它摆姿势的困难鼓励程序师在智化中前进基本工作。
"我们认为我们我们所做的有基本当人下轻拍置于地面 ," 撞击说。 " 我们在早晨起床而且制造早餐,但是如果你试着规划一部计算机做那, 你很快地将会找对你是简单的事情不能采信地对一部计算机是困难的."
一样的是真实的对去。 "当你正在决定的时候考虑什么变化,你的潜在意识思想是修剪 ," 他说。 " 是难的多少正在你的思想中继续完成这一个修剪,但是在在我将会看着 10个变化的董事会上的一个位置中,计算机必须看着数千, 也许一个百万位置得到相同的结论, 或对错误的结论."
再是,神经的网络一个专家, 把人类的能力与一个强壮的或弱位置作比较在与能力搭配区别椅子和脚踏车之一的一个图像。 两件工作, 他说巨大地对一部计算机是困难的。因为说服,Fotland 说," 写作一强壮的去计画将会有关使计算机多教我们相似的人比较写一个强壮的西洋象棋计画."
本回答被网友采纳
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询