跳棋被搞定了

 

从 Reddit看到的。 BBC报道Alberta大学的一个 研究小组号称解决了 双陆棋 （跳棋）（checker, 又叫draught）， 他们的程序可以保证每盘棋是胜局或者平局。值得注意的是，这个研究小组用的方法相当“粗暴”：计算机集群遍历所有的可能对局（一局棋大概有10 ²⁰种可能性）后，存下对局过程备查。程序在实际对局时，根据局面选择最佳步骤，并且预测并证明可能的结局。有兴趣的老大可以到 这里实时体验一下。

 

 

这套解决办法倒符合Google创始人Larry Page 对AI的预见：当AI成为现实的时候，我们会看到大量的计算。不是科学家在白板上勾画出的巧妙算法。就是大量的计算。看看我们自己的程序，DNA，压缩后不过区区600MB，远小于现代操作系统的尺寸，但我们的模式匹配能力轻易超越任何一台计算机。所以Larry猜真正的AI来自于海量的计算能力，而不是什么精绝的算法。说到模式匹配能力，可以到 这个网站体验一下：我们可以轻易地分辨出那些简单人形的性别，体型，甚至情绪。

 

另外一方面，海量数据的收集和处理也是非常有 趣的问题。比如怎么自动遍历每种棋局，怎么组织得到的棋谱，和怎么搜索。海量数据从本质上影响了算法的设计和选用。很多论文上的牛B算法在 海量数据面前不堪一击，因为论文作者往往用玩具数据来测试他们的算法。去年推出现在还未结束的 Netflix大奖赛是一个安逸的例子。NetFlix公开了他们的用户数据，让世界各地的编程高手们开发出准确率更高的推荐系统。谁能比NetFlix现有系统的准确率高出10%，就能得到100万美元的奖金。奖金事小，这套公开的数据才真正让众多研究机器学习的老大们兴奋。三万影片，48万用户，一亿评分数据。这么大量的真实数据是检验算法的利器，也是催生革新的绝佳营养。清牛（清华牛人的缩写） 张奕的 论文可做例证。她是wxyzconsulting.com参赛队的成员。该队目前在Netflix比赛里排名第10。

翠花儿，上统计。