AI Leads the Life

Question1：AlphaGovs AlphaGo Zero

一、AlphaGo与AlphaGo Zero的不同之处体现在哪里？

从使用策略和技术层面回答。

AlphaGo Zero Theory（AI领域）:

1、使用策略：蒙特卡洛树搜索Tree Search 针对国际象棋，对于国际象棋搜索树的结构：可能发生的情况比围棋少的太多太多，因此通过计算机的广泛搜索完全可行！而在围棋中放弃了广泛搜索，取而代之的是深度搜索！之所以这样做，其目的是为了节省计算资源！ 对于有限的情况，它的分析更加准确，在使用蒙特卡洛树搜索Tree Search的同时 还要加上神经网络结构，用来对当前状态进行评估和做出决策！

2、技术层面：一个简单的神经网络包括三个方面：1、接受外部信息（通过神经网络内部千万个神经结点将接收到的信息进行加工处理à可比作为人类的“理解过程”）2、将理解的东西输出，可以是下一个要采取的动作或者是对当前下棋状态的评估（采取两套神经网络系统：一个神经网络基于当前状态给出下一个状态；一个神经网络用来评估当前的状态是否对自己有利）3、神经网络配合搜索树来提供好的行为，这些好的行为作为训练数据反过来训练神经网络，这样一来一回使用强化学习的方法不断训练，我们的神经网络就会不断提高下棋的能力à这就是AlphaGo能够战胜人类的主要原因；

AlphaGo Zero Theory（AI领域）:

1、使用策略：self-play（自我学习）AlphaGo Zero完全没有学习人类的任何棋谱……即无需学习下棋原则，可谓“ 无师自通“（这就是它的神秘之处）！！！

2、技术层面：两套神经网络系统融合成à一个神经网络系统，从而能更加有效的利用资源，取代GPUà使用自家的TPU计算；使用的个数不断降低，然而学习的效果不断的上升！！在短短40天没有陪练的情况下，战胜它之前的所有版本（或者称之为前辈），在围棋场上所向披靡！！

一个无师自通AlphaGo的产生，并不仅仅意味着我们的AI能在围棋场上战胜人类，放眼未来，它还意味着在更多方面，我们能使用这样的AI创造出更多人类历史上的新篇！

Question2：OpenCV 人脸识别LBPH算法

一、在人脸识别领域，使用改进后的LBPH算法较原始的LBP算法有哪些好的特性？

可以从模式的转换方式和特征检测的原理方面阐述改进后的算法对人脸识别技术确实有较好的效果！！

Question3：IntelligentCleaning Robot

智能扫地机器人

一、扫地机器人是如何高效地进行清理工作？

可以从扫地机器人在线覆盖算法--（robotic online coverage algorithms）和覆盖路径规划--（Boustrophedon分解）阐述其工作流程！！！