布萊恩的創業小窩

本系列文章為【終極版AlphaGo-MuZero 】的下篇，MuZero竟然不用靠人類訓練，就可以自我摸索出西洋棋規則？請 點此 看上篇閱讀了解     今天讓我們繼續討論 人工智慧 MuZero!它竟然還會這麼多技能!   除了下棋⋯⋯人工智慧 MuZero 還可壓縮影片！有望降低 YouTube 成本 除了下棋玩遊戲之外，MuZero 也被投入商業用途。 David Silver 表示，DeepMind 正嘗試用 MuZero 來開發新型的影片壓縮技術：「如果查看整個網路世界的資料流量，會發現影片占了很大的比例，如果可以更有效地壓縮影片的大小，可以省下大量資金、縮減經營成本。」 「初步實驗顯示，只是單純壓縮影片能取得的收益也非常可觀，我們對此感到很興奮。」     ▲ 思科（Cisco）預估 2022 年時，影片將佔據全球 82 %的網路流量。來源：CardMapr on Unsplash   由於同為 Alphabet 旗下的 Google 握有世界上最大的影音平台 YouTube，因此 YouTube 很有可能成為最大獲益者。然而 David Silver 拒絕透露 Google 將在何時、何地使用 MuZero的功能，只表示未來一年內將會公布更多細節。 此外，MuZero 也計畫被用於解決化學或量子物理等問題，潛在應用領域也包括新一代虛擬助理、個人化醫療與搜索救援技術等。     AI 人工智慧 更像人了 DeepMind 的核心理念是利用 人工智慧 為世界做出貢獻，MuZero 的能力與多種實際應用的可能，是 AI 走出理論的象牙塔、更貼近現實的重要里程碑。 但突破性的進步往往也伴隨著隱憂。南安普敦大學電腦科學教授、人工智慧委員會成員 Wendy Hall 認為，DeepMind 一心追求提升 AI 性能，但對於可能造成無法預料的嚴重後果：「就像是噴射機的發明者可能沒考慮過汙染問題。人們必須要在發展與風險中取得平衡。」 MuZero 可以歸納實際情況與當下的行動，不需要通曉所有的可能性，也能表現出色。這個特色非常人性化，也很接近人類處事的模樣。但這是會讓 人工智慧 成為更出色的虛擬助理呢？...

人工智慧 MuZero竟能和AlphaGo匹敵,而且似乎還更上一層樓..   比打敗人類棋王的AlphaGo更強！無師自通的人工智慧MuZero誕生 2016 年，DeepMind 開發的 人工智慧 圍棋軟體 AlphaGo 打敗了韓國棋王李世乭，成為第一個擊敗人類棋手的 AI。2018 年， 它的繼任者 AlphaZero 從零開始，靠自學學會西洋棋、將棋、圍棋 。 近日，DeepMind 發表超越 AlphaGo、AlphaZero 的 人工智慧 系統 MuZero，就算不知道規則也能精通西洋棋、圍棋、將棋，以及 57 款雅達利（Atari）遊戲，甚至還能用來壓縮影片。     ▲ 來源：DeepMind 官網。       AlphaGo還需靠真人來訓練，MuZero卻能自我摸索出規則 DeepMind 過去研發出的幾款 人工智慧 ，都在各種棋類遊戲上展現出壓倒性的優勢。但無論是 AlphaGo、AlphaGo Zero 或 AlphaZero，都是基於已知規則，再加上人類資料訓練或是自我學習訓練而成。 而最新登場的 MuZero 與其他的 AI「前輩」們最大的不同在於，它未事先輸入任何的已知規則，在未知的動態環境下能自行摸索出規則，並作出最佳的判斷。 MuZero 的拿手範圍不只圍棋、西洋棋和將棋等棋類遊戲，還包含經典電腦遊戲公司雅達利（Atari）出品的 57 款遊戲，且都拿出了亮眼的表現。   跟人類一樣的「規劃能力」　MuZero 以有限資訊做出最佳決策 2019 年 DeepMind 就曾透露過 MuZero 的存在，但直到 2020 年底才正式於《自然》期刊發表論文，詳細介紹它的能力與原理。DeepMind 表示，MuZero 最大的突破在於表現了「對未知環境的掌握能力」。 「我們只是告訴 人工智慧 ：用你自己建構的認知，去了解這個世界怎麼運作。」曾任 AlphaGo 與 AlphaZero 首席研究科學家、現正領導 DeepMind 強化學習研究小組的 David Silver 表示，「只要內部的理解成功對上了某個現實事物，那我們就滿意了。」     ▲ MuZer...

人工智慧 AlphaFold到底有多少機會能突破瓶頸,這篇繼續探討~ 人工智慧 AlphaFold 有望突破現有生物．醫學瓶頸 《MIT 科技評論》報導表示，DeepMind 未來希望能將 AlphaFold 投入疾病研究，如瘧疾、嗜睡病、利什曼病等，這些寄生蟲引發的疾病都牽涉到許多未知的蛋白質結構；亦有傳統方法難以辨別的蛋白質，用 AlphaFold 預測可能會特別有效，例如因不容易結晶而很難透過實驗來判斷的膜蛋白。   ▲ DeepMind 的科學家與工程師的幕後故事，談論他們如何創建出 AlphaFold。     蛋白質可以成為催發化學反應的酵素、抗擊疾病的抗體或是胰島素等等，美國馬里蘭大學生物科學與生物技術研究所的約翰‧莫爾特博士（John Moult）表示：「蛋白質分子哪怕是微小的重新組合排列，都會對人們的健康產生災難性的影響。因此，要了解疾病和找到新治療手段就要研究蛋白質。」 若 AlphaFold 的預測精準度未來可以再升級，除了可以突破現階段的醫療瓶頸，也能讓人類更能應對新病毒、新疾病，亦能加快新藥開發時程。   AlphaFold 的不足與未來展望 AlphaFold 的確可以協助預測蛋白質折疊的結構，但想準確預測，仍然有諸多限制。 中央研究院生物醫學科學研究所研究員黃明經表示， 人工智慧 預測的是最終蛋白質摺疊的結果，和自然界蛋白質折疊的軌跡有差異。換句話說，AlphaFold 並不是因為理解過程而解碼這個問題，是靠電腦分析大量資料的技術；AlphaFold 雖然可以預測單一蛋白質結構，但仍無法精準預測較複雜的蛋白質複合體。 故即使 AlphaFold 在 CASP14 中表現驚人，但競賽中仍有約 1/3 的蛋白質是 AlphaFold 尚無法精準預測的。 得知蛋白質的結構只是第一步，目前 人工智慧 還未能準確地預測蛋白質摺疊後的功能，亦無法完全取代傳統的實驗方法，但可以協助科學家在複雜的實驗數據中縮小找尋結構的範圍，幫助解出困難的結構；AI 也可以學習到更多的結構、得到更準確的預測，所以 AI 和傳統方法是相輔相成的。 未來，有更多重要的問題等著 人工智慧 與人類一起攜手突破。   本系列文章為【生物學最大謎團被...

人工智慧 將成功破解蛋白質折疊嗎?今天就來跟你分享!     因開發出橫掃棋壇的圍棋 AI「AlphaGo」而廣為世人所知的 人工智慧 實驗室 DeepMind 又傳出捷報──這次他們開發出名叫「AlphaFold」的 AI，解決了困擾生物學界超過 50 年的「蛋白質折疊」難題，以往要精確得知一個蛋白質的完整結構，需要數月、數年甚至數十年的實驗研究，而 人工智慧 只要花費幾小時就能完成。 推薦閱讀： 人工智慧 Suphx 打敗人類雀聖！微軟：研發麻將 AI 比圍棋 AI 複雜 且由於蛋白質的結構影響它的 功能，許多疾病又和蛋白質的功能有關，若能解決這個難題，就表示醫療領域可以再進一大步，未來人類將能更了解包括新型冠狀肺炎等疾病，亦能加速新藥物的開發。   蛋白質折疊：生物學最大謎團之一 胺基酸是構成蛋白質的基本單位，蛋白質是由一條氨基酸鏈摺疊成特定三維結構所構成，而蛋白質的功能就取決於這個三維結構，甚至被稱為「理解生命的密碼」。這半個世紀以來，科學家一直試圖掌握不同蛋白質的形狀，以期深入理解它們的作用及引起疾病的方式。然而因為氨基酸鏈摺疊的可能性太多，「蛋白質摺疊」（Protein folding）難題便成為生物學最重大的挑戰之一。     ▲ DeepMind 上傳說明影片，解釋何謂「蛋白質折疊」。     自 1972 年，諾貝爾化學獎得主克里斯蒂安．安芬森（Christian Anfinsen）就表示：若要從胺基酸序列預測蛋白質架構，折疊的可能方式會多到無法估計；生物學家塞瑞斯．列文塔爾（Cyrus Levinthal）具體指出，蛋白質折疊有「10 的 300 次方」種可能方式，想靠人工計算來暴力破解，花費時間可能比宇宙存在的時間都長。 這也是為什麼 DeepMind 開發出可以預測蛋白質最終結構的 AlphaFold，會讓全世界震驚於 AI 的突破。   能預測蛋白質結構的 AI 系統「AlphaFold」 DeepMind 表示，AlphaFold 可以藉由胺基酸序列，快速且準確預測蛋白質的三維立體結構。 AlphaFold 的神經網路上添加了注意力機制（Attention Me...