IBM Watson 的獲勝意味著什麼？

01-14

首先，還是要充分肯定watson的工作的。NLP（自然語言處理）的確是一個很難的問題，縱然題目類型比較固定，容易掌握規律，還是有很多紮實工作需要做的。

或許下一個里程碑是計算機圍棋，公認最難的人工智慧領域問題之一。或許在十年內能得到解決。

但是儘管如此，要使計算機能像人類一樣思考，無論從理論，還是實際上都比上面這些要難得多。可以說是一條看不見終點的道路。

Watson 主要是 IBM DeepQ/A(Question Answer)項目的研究和發展的成果，你可以把它看出一個專家系統，它的意義不僅僅是自然語言處理(NLP)的進步，還包括Information Retrieval, Machine Learning，因為除了「理解」問題，還要獲取問題的相應信息，更要找到問題的答案

watson 這此的獲勝不是自然語言處理理論上有什麼重大突破，而是長期積累的結果。可以說主要得益於機器速度的提高，存儲容量的提升或者整體信息處理能力的大幅攀升，有更多的基於統計學習的方法可以得到應用（統計學習一向是比較依賴處理能力的）。當然除此之外也要做很多紮實細緻的工作，包括模型優化，訓練學習演算法優化等等。

其意義更多的是幫IBM建立品牌形象吧，對學術領域的影響很小

BTW ，現在一塊顯卡 nvidia GTX 480 的浮點計算能力就是當年深藍系統的幾十倍

希望能參與到Watson項目中 http://user.qzone.qq.com/574747/blog/1353857044

一個專家系統在某一領域擊敗人類，沒什麼了不起的。

修改：收回之前說的——IBM Watson的牛B之處在於它對自然語言的理解，它能直接「聽懂」人類的說的話，不藉助任何輸入設備，也不規範一定的格式，這的確了不起！

Watson的硬體體系結構並沒有根本性的變化，使用的仍是商用硬體power7的cpu。Dr.David Ferrucci的團隊只是在軟體上面進行了改進，涉及數據深度分析和自然語言處理。

意味著窄人工智慧的又一次進步，但仍然是量變階段，還沒有質變。

作為全球首個認知系統，Watson是IBM認知計算系統的傑出代表。Watson具備用用自然語言進行深度問答、關係抽取、性格分析、清晰分析，權衡分析等28項能力，而且這些能力也都被轉成了數字服務或API；到2016年底，Watson API的數量將達到50項。

圍繞IBM Watson這個基於雲計算和開放標準的平台，一個認知生態系統正在被構建和分項給每一個人，目前：

有36個國家、17個行業的企業都在使用認知技術

超過7.7萬名開發者已參與到Watson Developer Cloud平台來引導、測試和部署他們的商業構想

超過350個生態系統合作夥伴及既有企業內部的創新團隊，正在構建基於認知技術的應用、產品和服務，其中100家企業已將產品推向市場

Watson API的月調用量高達13億次，並仍在增長

IBM Watson能夠幫助企業將大數據分析、人工智慧、認知體驗、認知知識和計算機基礎架構等認知技術融入數字應用、產品與運營。

數據分析的增長是一項關鍵業務功能，需要藉助新的工作和技能來滿足需求。Watson扮演的角色是增強人們開展工作的能力，而並非取代。例如，位於墨西哥和新加坡的銀行利用Watson增強員工的理財知識，為其提供以往無法承受的新服務。總之，隨著科技的進步，某些工作可以被取代，但利用Watson真正的目的是補充人們的知識和技能，使其更加明智、更好地開展工作。

現在來看，Watson當時的獲勝的確是邁出的重要一步，但顯然比較過去，現在所處的位置和發展步伐更加可圈可點，畢竟Watson的實際行業應用正在越來越多，從醫療到零售，再到製造、金融。

從人工智慧和認知計算對比的角度，現如今Watson在認知計算領域的成長已經超出人工智慧的範疇。雖然認知計算包括人工智慧的一些要素，但前者是一個更寬泛的概念。認知計算不是製造「為人們思考」的機器，而是與「增加人類智慧」有關，能夠幫助人們更好地思考和做出更為全面的決定。

人工智慧的概念已經有二十多年了，人工智慧從歷史和研究角度來講主要目的是為了讓機器表現得「更像人」，我們稱之為Intelligent Behavior，它只是認知計算的一個維度。

IBM的認知計算從技術角度上來講和人工智慧是有很多共性的地方，比如機器學習(Machine Learning)、深度學習(Deep Learning)等方面都很類似。

但是，認知計算目的並不是為了取代人，認知計算的時候除了要能夠表現人和計算機的交互更加自然流暢之外，還會更多強調推理和學習，以及如何把這樣的能力結合具體的商業應用、解決商業的問題。

可以用這個認知系統，推進國中中小學慕課設計審美10門必修課實現。

watson回答的很多的問題，本身都比較適合機器回答的，比如回答某個人，某個地點之類的。這些只要初步分析語法，用搜索技術就可以限制範圍。所以不能算是太大突破，真正的圖片，是讓機器人理解自然語言，也就是讓機器能主動的運用學到的東西。比如，是否能用來解決小學應用題呢？這個恐怕就不能完全靠記憶了，必須理解和推理真正的結合

In my oponion, it is just an improvement of computation power and implementation. Not many interesting new ideas.

它獲勝，有外媒說，IBM下一步該開發能夠打牌的機器人了

幾年前，有個機器人跟人打牌，看到過金融時報專欄作家的一篇文章

http://www.ftchinese.com/story/001004969

提姆?哈福德(Tim Harford)

在目前，幾乎任何一位頂級人類玩家都能戰勝電腦。在世界機器人撲克大賽結束後進行的兩場表演賽中，知名撲克玩家、綽號「隱形炸彈手」的菲爾?拉克 (Phil Laak)參加了與機器人的比賽。狂熱的支持者高喊著「人類加油！人類加油！」，他很快地戰勝了艾伯塔的程序和一個名為 PokerPro的新科狀元。沒人對此感到驚訝。

在撲克遊戲中，人工智慧研究人員目前面臨的挑戰與馮?諾伊曼在大約80年前所遇到的挑戰一樣，即如何理解那些騙人的詭計。目前，馮?諾伊曼的博弈論仍是最成功的招數，這一點得到了強大的計算機程序SparBot 的證實——它擊敗了大多數登陸艾伯塔網站想要一試身手的人。比林斯預言：「我相信電腦最終將會比所有人類都玩得更好。」弗格森對此表示贊同：「如果用在撲克機器人方面的資源達到象棋機器人的十分之一，那麼它們早就打敗我們了。」

在我認為機器人能在某些方面做的比人好並不奇怪，如果設計這個程序的那些人，他們在某方面了解的足夠多，完全可以擊敗這方面的高手，機器可以記住的東西遠比人多，只要讓他記住足夠多的東西就可以，但是機器只是一個機器，他只是一個執行的東西，沒有任何的創造力。人類的偉大就在於創造力。