如何看待北交大劉峰博士發表的文章「谷歌圍棋AI有科學欺詐表現的三個重要原因」？
原始文章鏈接：科學網—谷歌圍棋AI有科學欺詐表現的三個重要原因，大象關進冰箱要幾步？
update2:
&匿名用戶的看法有點問題，寫本文的計算機博士劉峰應該是這篇論文的作者：
互聯網與神經學的交叉對比研究大家可以去如何看待『彭博商業周刊』中『AlphaGo涉嫌科學欺詐？三個推斷』？ - 知乎用戶的回答 下面圍觀一下本文的參考文獻。
update:
看了下這個作者劉鋒還是北京交通大學計算機博士……好怕被打臉啊。應該就是同一個人：人工智慧專家質疑谷歌圍棋AI大勝是有策劃的營銷吐槽點太多不知道從哪裡開始啊。
1.
總結下該作者在文中的意思是：谷歌你竟然科學詐騙，你竟然商業營銷！我想問，谷歌什麼時候不是商業公司了？百度在研究搜索引擎，百度竟然還推廣自己的搜索引擎，靠競價排名賺錢？微軟在研究人工智慧，微軟竟然還開發了小冰和小娜給大家玩？2.
圍棋總的棋局數是普林斯頓那個教授說的那個數目嗎？不是！那個數目是所有可能的盤面數，棋局數是它的階乘的數量級（由於禁全同），一個棋局又不是只有一個盤面。回去重學組合數學可好？3.
谷歌什麼時候說自己「獲得諾貝爾獎級的知識規律」了？何況和八位數的AlphaGo棋局比起來，人類只有五位數呢。「以幼兒園規模的知識量」？那人類是什麼規模的知識量？算5歲上幼兒園，那就是2000天不到，AlphaGo是人類的1000倍呢，人類的知識量難道是……2天？這樣的知識量的人類竟然還不自量力地總結定式、開局呢。
4.
&5.
關於實驗的那個例子，我就笑了，對局不代表水平嗎？那ImageNet是不是也要和人比一下，不能光用訓練集啊和檢驗集啊。我覺得 @田淵棟 被這位作者引用，算得上是躺槍了吧……
6.
贏了李世石、樊暉，確實可能是因為李世石水平不行，樊暉發揮失常，然而這又怎麼了？我完全沒懂啊，難道一個圍棋人工智慧的發布要求是擊敗世界真正第一高手？那也應該找柯潔啊？它這次的目標是擊敗九段，李世石再不濟，也是個九段。它打敗了李世石，就是擊敗了九段，有問題？7.
哦，原來作者還有個伏筆：如何確認李世石沒有被收買……呵呵如何確認卡斯帕羅夫沒有被收買？
如何確認阿姆斯特朗沒有被收買？如何確認樊暉沒有被收買？如何確認本文作者沒有被收買？還真沒辦法確認，作者你的銀行賬戶打開讓所有人都查查？我相信作者一定會用自己的職業生涯或者聲譽來擔保。屁話，李世石沒有嗎，你不也不信么。總之：不知所云。這篇文章的作者，北交大劉博士的科學素養和邏輯渣到逆天。
要求公布訓練後的神經網路權重這種話也說得出來，神經病網路吧？ANN權重每訓練一回都會變的，而且給了也沒人看得懂。
至於把AlphaGo下贏李世石和科學或者醫藥試驗做對比，說只下贏李世石不算，這個邏輯可能比較迷惑人，我來打臉：
科學/醫藥試驗之所以要在足夠樣本上試驗多次，有的還要對比，是為了排除其他變數，來最大程度確定結果是特定方法或者藥物引起的。
拿葯來說，一個人感冒了可能啥都不吃就自愈了，你不能說就是吃了你的藥丸好的。正確的方法是隨機取兩個感冒程度一樣的人群來分組，一組吃你的藥丸，另一組吃和你的藥丸長得一樣的安慰劑（為啥不幹脆不吃呢，是為了排除用戶以為自己吃藥帶來的心理正能量造成的影響），然後吃藥丸的那組明顯更多人好的更快更徹底，說明葯有效。
而AlphaGo的例子不能類比於上述實驗，為啥？因為一個普通圍棋程序好端端沒可能戰勝李世石！別說超一流的九段了，兩三年前甚至沒人覺得程序可以戰勝職業一段。
就像萊特兄弟造了一架飛機飛上了天，只要飛一次，就足夠證明這是突破了，因為一塊鐵是沒可能自己上天的。
劉博士現在的邏輯，就是明明看到飛機不僅上天了，還不留神飛到了火星，卻硬掰你飛到火星不算，你咋不去金星土星都溜達一圈呢？這一定是欺詐！
直接說AlphaGo是柯潔cosplay的好了，你贏了。不要懷疑」業內人士「怎麼樣，畢竟以他們的水平，公開了他們就可以「創新」 」自主知識產權「 」原創「
誰能告訴我這傻O讀過論文沒有……
PS: 搜索了一下這位作者
Google叫科學欺詐，這隻能叫科學耍流氓了吧。我就不一一評價其他隨便YY一下寫出的內容了，總的來說這篇論文的水平和《從量子力學來論「三個代表」理論的正確性》應該沒多大差別。大概相當於小學四年級的中二空想科學小論文水平吧。
你們還記得這些么？
文件加密了，你怎麼不解密呢？
念一遍
轉了幾個基因
我突然覺得我們對某些人要求太過分了，原來業內人士也會這麼做的.....
題外話說一點，其實這裡確實有一點基於學習的演算法的共性問題，而這位作者又不是做這方面的， 不甚了解也是可以理解的，但亂說話就不對了。
不管是深度學習、字典學習、度量學習，隨著研究的展開和深入，都會遇到這種問題。就是演算法的學習效果很好，但難以解釋學習到的網路、字典、度量的具體的物理意義。儘管也有一些相關方面解釋說明的工作在進行，但一直跟不上一路高歌猛進的性能提高。
就拿深度學習來說，現有的深度學習應用的論文已經習慣性的用結構圖來說明演算法了。原因就是結構太複雜，層數太多。上百層的深度網路，已經很難直覺的解釋具體每層的作用，很難用可視化的方法顯示提取的特徵，很難說明特徵與哪些因素相關。早期的 CNN 還可以去解釋卷積是提取局部模式信息；池化是增強局部特徵對於位移的魯棒性；固定數量的卷積核起到約束模型降低過擬合；少數幾層卷積層可以解釋為前層為邊緣提取、後層為結構提取等。隨著結構不斷的更為複雜，層數的沖高，對於其的理解已經簡化到多層次加非線性。
這篇文章的作者，還在以傳統模式識別的眼光在看問題。我這裡說的傳統模式識別，或者也可以稱為特徵工程方法、專家系統、或者說是具有先驗知識的模式識別。就是根據專家、統計、邏輯推理分析，找出研究對象的特徵，以特徵來進行分析。這是普通人比較容易理解的，也是學術上容易解釋的。例如，在分類A、B兩種魚的圖像的時候，我們可以發現 A 魚顏色偏綠，B 魚顏色偏黃，就可以使用顏色這種特徵來分類。或者其他這種比較容易理解的特徵的排列組合（高維特徵）與概率分布（貝葉斯），來進行分類。
但與新的基於學習的方法相比，這是具有明顯局限的。一方面，這些特徵都必須是首先由領域專家總結分析出來的，很多時候問題複雜，我們沒有相關的專家經驗。另一方面，人類理解問題、分析問題也是有局限的，包括路徑依賴、價值觀、學習成本等。在這方面，計算機其實可以成為絕佳的輔助工具。
學習類的演算法，一般是設計一個學習結構，再根據目標設定約束（防止過擬合其實就是防止過度學習）。這些演算法，最後學習到的參數，其實是高度依賴於數據集的。同樣的演算法結構應用於不同的數據集，參數是決然不同的。例如：只針對女性圖片訓練網路，是沒有能力區分男女的。參數的數量級也是暴增，遠超人類能夠理解的層次。例如：人臉識別訓練好的模型數據有一個 GB。Pretrained CNNs 這些參數不僅多而且瑣碎，對於其他應用可以說是無關緊要。除非是方方面面完全一致的應用才有可能有用。真正有意義的是演算法的結構設計。相似結構設計可以達到相似的性能，而參數總是可以根據數據學習的。而這種結構設計的探討，可以啟發新的方法，應用到更為付廣泛的領域。
不是很懂深度學習的研究還要把權值發布出來的？？都告訴你了怎麼做的了你自己訓不就好了嗎？
以及你的意思是只有把所有盤面都窮舉完來才是合格的研究了？才是尊重科學發展的規律了？人學習下圍棋需要把這麼多種情況都學完嗎？
這個人如果不是無知的話那就是嘩眾取寵。
其他扯淡的地方， @Richard Xu 已經說的很清楚了。我現在看見有關這件事的新聞就有點鬱悶。
大概醫學生看到轉基因新聞也差不多感覺。
我知道你們想做熱點營銷，想紅，但是人工智慧門檻放在那，能不能別那麼自信？
先說人工智慧威脅論，這套神經網路的所有輸入，是361個點；這套神經網路的所有輸出是一個坐標；你告訴我，它可以危害人類？怎麼危害嘛。。。
（AlphaGo和科幻中的智能差得很遠，而且對我來說，我會選擇先登上火星，再考慮火星人口過剩的問題，我不想再討論這個問題）
圍棋的組合數多，那如果接一個1300萬像素攝像頭過來，算下組合數，至少幾千萬位啊，宇宙原子數目只是它零頭的零頭的零頭，是不是要吹的天掉地上？
好，給你權重，全是數字，小數點後密密麻麻，這樣的數字給你看你確定真的要看？你能領悟出圍棋的奧秘？是不是代碼也給你？你家有谷歌計算集群啊？你自己配環境啊？
還有說AlphaGo厲害是因為它學了XXX的棋譜（算了這個不黑了，不過說一下：），AlphaGo並不背棋譜。現在，它下了「好棋」，就說是XXX下過的，下了「差棋」，就說看吧還是機器。在AlphaGo輸之前，實在不好評價水平，您可別找個茬騙自己。
說到這，作為了解人工智慧的程序員一枚，希望也有預感李世石贏一盤，這樣對人工智慧發展有幫助。
------
高票說北交大博士，看成北大教授（看錯兩個地方也是夠了），嚇一跳，差點以為要被打臉，點進去一看，轉行做主編的博士，拍了拍胸。
通篇扯淡，想紅想瘋了
update 1
另外，我想起了一個梗： 「請把代碼念一遍！」========
原來不公開模型參數算是欺詐，嚇死本寶寶了。還有啊，這位人工智慧學家，你看過他們的文章么？你知道什麼叫做蒙特卡洛隨機樹嗎？你知道什麼是CNN嗎？你知道怎麼做強化學習嗎？最後引用Yoshua Bengio的話Science is NOT a battle, it is a collaboration. We all build on each other"s ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!我覺得這篇文章是AlphaNews寫出來的
身在研發中心工程師，在日本地震後的午餐聊天中，最終核實了一個看法：基本科學素養跟文理科無關，跟學歷也無關。
按照作者的邏輯識別貓是需要把圖片所有像素點值可能的組合都遍歷一遍的...在下跪伏...
作者知不知道有個東西叫pattern recognition?...我很高興知乎上大部分人都給予這個人以最大的嘲諷。還有，谷歌貌似打算開源了。所以我們壓根不用理他。
關於反駁， @Richard Xu 已經說的很清楚了，不再贅述。// Update猜測有誤，撰寫本篇文章的劉峰確系北交大畢業的博士，具體請參考 @Richard Xu@Yangff 的答案。另外他還有一個頭銜：中國科學院虛擬經濟與數據科學研究中心 客座研究員。/*我想扒一下這個人。這個叫做劉峰的計算機博士最早於科學網發表了 科學網—谷歌圍棋AI有科學欺詐表現的三個重要原因，大象關進冰箱要幾步？這篇文章（不確定是否為最早，至少我是最早在這裡看到的），也就是彭博商業周刊轉載的這篇。注意署名為：作者：劉鋒 計算機博士，互聯網進化論作者，人工智慧學家主編
而在 人工智慧專家質疑谷歌圍棋AI大勝是有策劃的營銷 文章中，頭銜被修改為：北京交通大學計算機博士、《人工智慧學家》主編劉鋒。
北交大的那個劉峰博士，應該是：劉峰 碩導風采 北京交通大學電子信息工程學院，在網上可以找到一些照片：劉峰[北京交通大學教授]_互動百科 ，圖文：北京交通大學教授劉峰演講。
而這個《人工智慧學家》雜誌主編劉峰（博士？），網上也可以找到一張照片：《人工智慧學家》啟動2016世界人工智慧智商測試 --百度百家。
我個人比較臉盲，看起來好像《人工智慧學家》照片中的四個人都不是北交大的劉峰博士。
另外，北交大的劉峰博士是研究隨機系統；切換控制；自適應控制；網路擁塞控制的；而《人工智慧學家》雜誌主編劉峰，大概是研究民科的...（參考他的博客：劉鋒互聯網進化論）
個人猜測：《財經》記者 孫愛民並沒有採訪《人工智慧學家》雜誌主編劉峰，而是杜撰了這個採訪稿，所以才會有這樣的錯誤。*/
整篇文章嘈點多的都不知道往哪裡吐了
哈哈哈哈哈哈哈
我就說一點，公布權值太厲害。雖然說不是不可以，但是你去看看哪篇論文後邊跟了一個文件說這裡是權值 2333
另外，我覺得吧，不放到網上對戰應該有計算能力方面的顧慮。這是北交大被黑得最狠的一次
我覺得劉峰博士就是在借這件事情炒作自己。
劉峰可以消除炒作自己的嫌疑，不是發文章為自己辯護，而是：
1.完整公布他所有銀行賬戶的記錄，或公開其銀行賬戶密碼，讓其他圍觀者可以檢查他是否有從發表本文中牟利。
2.給我50萬元。
這兩條，劉峰博士能做出任意一條都可以看作是消除炒作指控的強有力證據，但在未來一年或更長時間裡，劉峰博士沒有任何動作，那麼劉峰將持續背負有炒作嫌疑，利用科學炒作獲得巨大經濟利益的指控。
EDIT: 說個無關的事情，張振衣我們無怨無仇，為什麼把我拉黑了……
來源還是人工智慧學家？這個作者真的是北交大的劉博士嗎?感覺要麼學校自己人出來把他搞出來，要麼HR們又可以行動了，北交大的同學們今年去IT公司要有壓力了。
這會是cs專業和博士群體在知乎被黑的最慘的一次嗎?
———————
最讓我不解的是阿法狗訓練了八位數的棋局，沒能窮舉所有分支，所以打贏李世石是假賽這個邏輯。說得好像李世石下的盤數能比阿法狗多一樣。我以為只有媒體這麼不要臉，原來現在學術界也混進了這麼多無恥之徒。推薦閱讀：
※AlphaGo與李世石第二局比賽中，黑37手對最終結果造成了怎樣的影響？
※在李世石九段與 AlphaGo 的五局對弈中，有哪些值得回味之處？
※如何評價第一局比賽 AlphaGo 戰勝李世石？
※如何看待 Deepmind 宣稱最新版 AlphaGo 能讓李世乭版本 AlphaGo 三子？
※為什麼很多會下圍棋的人都瞧不起聶衛平？