作者 高焕堂 台湾VR工业联盟主席、厦门VR/AR荣誉会长兼总参谋
在当今AI潮流下，企业和年轻人，怎么高人一等呢? AI机器人AlphaGo打败全国无敌手，现已高人一等了。人们何不向AlphaGo(及AlphaGo Zero)学习呢?
由于AlphaGo懂得怎么降服自己面临的巨大不确认性棋局，因此逾越了人类顶尖高手。学习AlphaGo怎么探究时机之后，创客就懂得了怎么面临AI的不确认商场。企业就像AlphaGo相同，能够逾越顶尖的人类竞争对手，高人一等了。
传统上，人类的学习偏重于“使用”所学的常识，去发挥所长，解决问题。假如人类(如创客)能从AI强化学习得到启示，强化探究才能，则人人能探究更多或许，得到更多时机，如图1所示。
在高度不确认性的环境里，唯有懂得下降危险，才敢斗胆探究、进步胜率。一旦你挑选了创客/创业之路，若能向它学会探究时机的办法，将会帮忙你在创业路程上心想事成，鸿图大展。
1 强化学习：探究和使用之间找到平衡
强化学习(Reinforcement Learning)的算法又称为近似动态规划(approximate dynamic programming，简称ADP)。它在探究(在不知道的范畴)和使用(现有常识)之间找到平衡。探究便是测验曾经从未想过或做过的工作，以求取得更高的酬劳。使用便是做当时条件下能发生最大报答的工作。
例如，假设在你家的邻近有十个饭馆，到目前为止，你只在其间的八家饭馆吃过饭，了解了这八家饭馆中哪家是最好吃的。假如有一天，你的女朋友来看你，你想请她去最棒的饭馆晚餐。请问您会怎么挑选饭馆呢?在这个比如里，使用就意味着你带她去所知道的八家中最好吃饭馆;而探究则是带她去你从没吃过的第九家或第十家饭馆晚餐。
假如你挑选八家中最好吃的饭馆，那么，或许第九家或第十家比这八家都好吃呢?反之，假如你挑选第九家或第十家，或许这两家也或许比那八家都难吃。
那么，你该怎么挑选呢?这便是“探究-使用”窘境。强化学习更挨近生物学习的实质，一个规范的强化学习算法必定要包含探究和使用，强化学习更挨近生物学习的实质。
谷歌的专家们(即人类教师)现已把这种“探究和使用”平衡的技巧(算法)教给了AlphaGo(机器学生)，让AlphaGo(及AlphaGo Zero)逾越了人类的围棋顶尖高手。
传统的人类学习是学以致用(使用所学)为依归，由于常常受限于现有常识，无论是人类或机器学生都只能得到区域最优，如图2所示。
因此，无论是机器学生或人类学生，一旦具有强化学习才能，都能大大提高其探究不知道时机的才能，有决心去探究更大的状况空间，然后得到大局最优，让学生们成为AI年代的大赢家，人人能探究更多或许，也捕捉到更多好时机。
2 懂得避危险，才敢斗胆探究、才有热心立异
斗胆探究的一起，有必要要有用下降危险。这是AI年代人类能够向机器学习的重要一课。AI强化学习现已把这种“探究-使用”最佳平衡的算法效益发挥出来，可是需求调配一种下降危险的战略。AlphaGo的方针总是将制胜机率最大化放在第一位，它会透过寻觅确认的查找途径完成最低危险的制胜时机。例如，AlphaGo的行为会倾向为了制胜而抛弃更多赢子数，只为了下降不能制胜的危险。
AlphaGo的蒙地卡罗算法给出的是查找之后的胜率评价，然后AI会根据这个胜率来挑选落子点。懂得防止危险，才敢斗胆探究、热心立异。因此，AlphaGo能在高度不确认性的围棋棋局中逾越人类高手。俗语说，商场如战场，它们都跟围棋比赛相同具有高度的不确认性。因此人们(如企业家)能够从AlphaGo学会怎么在商场上，长于面临如围棋棋局中高度不确认性的商场环境，逾越其他竞争者!
3 与不确认性共舞(Living with uncertainty)
向AlphaGo学习，有助于提高人们(如学生)的避危险才能和决心，以便更具有立异精力。就好像，下述这句名言：
“When you focus on problems，you’ll have more problems. When you focus on possibilities，you’ll have more opportunities.”(当你专心于问题时，您就会有更多的问题;当您专心于或许性时，您就会有更多的时机。)
当人们一向专心于问题时，是根据曩昔经历，评价具有实际条件支撑，力求化解问题或防止问题发生的或然性(probability)，在心中逐渐萌发具有高度的明晰感。这种通过或然性思想而得到地明晰感称为或然性明晰感。
我们都知道，当面临不确认状况时，人们总是需求明晰感才会安心。大多数人习惯于或然性思想，一向专心于问题，力求化解问题或防止问题发生的或然性。所以，在心中逐渐萌发具有高度安心的明晰感
这种或然性思想得到的明晰感称为或然性明晰感，可是，常常会根据经历和实际而过滤掉机率小的或许计划，而失掉许多时机。
或许性明晰感企图包括未来各种或许的时机，防止根据经历和实际而过滤掉或机率小的或许计划。然后，逐渐探究经历和实际进行否证而去芜存菁，逐渐提高心中的明晰感。即面临杂乱和新的不知道国际，培育先包容心里的不确认性，规划计划并采纳举动实验(试错)，逐渐提高明晰性和决心。
或许性意味着或然性很小的事情，有人称之为“黑天鹅”。它的呈现，初期并不起眼，通过一段时刻，逐渐发生乘数作用的巨大效应。为什么会是“当你专心于或许性时，你就会有更多的时机”呢? 由于上述的一段时刻是一项名贵的财物，例如，张荣发先生也是观察到物流集装箱(黑天鹅)而取得名贵时刻，而且预做准备，因此取得更多时机。而后来才进入的竞争者，就因缺少时刻资源而失掉竞争力。
大多数人习惯于或然性思想者，他们常常成为失掉名贵时刻的后知后觉者，由于他们会觉得黑天鹅，还没遍及盛行，没有成气候。这种面临不确认，逐渐提高心中的明晰感，通称为与不确认性共舞。人们总是需求明晰感才会安心。或然性明晰感与或许性明晰感，其意图是共同的：满意心里所需的明晰感。仅仅手法不同罢了。
例如，一只小狮子肚子饿了，根据成功经历奋力去追兔子，仅仅捕获的兔子日渐削减(或许兔子变活络了)，有些困惑(明晰感下降)。这只小狮子的妈妈就教他：肚子饿了，就闭上眼睛睡大觉，不要乱跑。小狮子满脑困惑，不确认感急速上升，十分不安。但母命难违，只好牵强为之，公然耳朵变活络了，明晰地听见兔子声响越来越近，然后突然奔出一抓，简单捕获，饱餐一顿，持续睡大觉。
君不见，身为野兽之王的雄狮、母狮，常常看似想睡觉的表情，真是“总裁狮子心”呀! 小狮子专心于问题(如肚子饿了)，却引来更多的问题(如追累了，走不动，引来生命危险)。妈妈教小狮子不要环绕问题，而专心于或许性(如本来认为兔子不或许主动送上门)，反而发现更多的时机(如更简单填饱肚子的新途径)。
4 定论
从AlphaGo下围棋能够发现，在面临高度不确认性的环境时，它懂得专心于或许性，探究更多时机，取得大局最优而高人一等。人类能够从AlphaGo学习到与不确认性共舞的才能，就会好像小狮子一般，探究到更多赢家之道。
参考文献：
[1] 高焕堂. VR内容、资料及其职业使用[J].电子产品国际, 2016(11):88.
[2]王莹.人工智能的开展及开展主张[J].电子产品国际, 2017(2-3):23-26.
[3]王莹,王金旺.异构计算带来AI视觉新打破[J].电子产品国际, 2017(7):28-29.
本文来源于《电子产品国际》2018年第5期第76页，欢迎您写论文时引证，并注明出处。
