AlphaGo技术原理分析及人工智能军事应用展望

被引：72

作者：

陶九阳 ^{[1
,2
]}

吴琳 ^{[1
]}

胡晓峰 ^{[1
]}

机构：

[1] 国防大学信息作战与指挥训练教研部

[2] 解放军理工大学指挥信息系统学院

来源：

指挥与控制学报 | 2016年 / 2卷 / 02期

关键词：

AlphaGo; 深度学习; 增强学习; 态势感知; OODA循环;

D O I：

暂无

中图分类号：

E919 [其他学科在军事上的应用]; TP18 [人工智能理论];

学科分类号：

1111 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

以"深蓝"的技术原理为比对,研究了AlphaGo有监督学习策略网络、快速走子模型、增强学习策略网络和价值网络等核心模块,较为详细地分析了策略网络、价值网络引导的蒙特卡洛树搜索算法的实现;以AlphaGo的技术突破为起点,展望了人工智能在物理域、信息域、认知域和社会域上的可能应用,分析了美国国防部高级研究计划局资助的人工智能军事应用项目;以OODA循环理论为基础,研究了人工智能应用于军事领域可能会带来的颠覆性效果.

引用

页码：114 / 120

页数：7

共 6 条

[1] Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond [J].

FeiYue Wang ;

Jun Jason Zhang ;

Xinhu Zheng ;

Xiao Wang ;

Yong Yuan ;

Xiaoxiao Dai ;

Jie Zhang ;

Liuqing Yang .

IEEE/CAAJournalofAutomaticaSinica, 2016, 3 (02) :113-120

[2]

博弈与信息[M]. 中国人民大学出版社 , (美) 拉斯穆森 (Rasmusen, 2009

[3]

Deep Blue[J] . Murray Campbell,A.Joseph Hoane,Feng-hsiung Hsu.Artificial Intelligence . 2001 (1)

[4]

Simple statistical gradient-following algorithms for connectionist reinforcement learning[J] . Ronald J. Williams.Machine Learning . 1992 (3)

[5]

Searching for solutions in games and artifcial intelligence. ALLIS L V. University Limburg . 1994

[6]

Deep reinforcement learning with double Q-learning. van Hasselt H,Guez A,Silver D. Proceedings of the 30th AAAI Conference on Artificial Intelligence . 2016

← 1 →