2017年机器学习行业分析报告
2017年人工智能行业现状与发展趋势报告
目录CONTENTS1人工智能行业产业链结构2人工智能行业整体市场发展3人工智能行业投资现状4人工智能行业发展前景人工智能行业产业链结构l人工智能产业链结构l人工智能基础技术提供平台l人工智能技术平台l人工智能应用领域PART 01人工智能产业链结构人工智能产业链的主要包含三个核心环节——基础技术、人工智能技术和人工智能应用。
其中，基础技术主要包括数据平台、数据存储以及数据挖掘等，人工智能技术包括语音识别、自然语言处理、图像识别和生物识别等，人用智能应用有工业4.0、无人驾驶汽车、智能家居、智能金融、智慧医疗、智能营销、智能教育以及智能农业等。
基础技术支撑数据平台数据存储数据挖掘计算智能语音识别自然语音处理图像识别生物识别感知智能机器学习预测类API 人工智能平台认知智能工业4.0无人驾驶汽车智能家居智能金融智慧医疗智能营销智能教育智能农业基础技术支撑人工智能技术人工智能应用人工智能产业链结构IaaS代表企业：阿里云、电信天翼云、联通沃云、Ucloud 、青云、万国数据、首都在线等。
基础设施即服务，它是把ICT 基础设施作为一种服务提供的商业模式。
用户通过Internet 可以从服务提供商那里得到完善的计算机基础设施服务。
这些服务包括服务器或虚拟服务器的计算资源、处理能力及基础网络。
PaaS代表企业：科大讯飞、环信、容联、亲加、云知声、思必驰等。
PaaS 的功能主要体现在将现有各种业务能力进行整合，向下根据业务能力需要测算基础服务能力，通过IaaS 提供的API 调用硬件资源，向上提供业务调度中心服务，实时监控平台的各种资源，并将这些资源通过API 开放给SaaS 用户。
SaaS代表企业：百度云、用友云、浪潮、 Ucloud、 Oracle、Infor、Microsoft 等。
SaaS 是一种通过Internet 提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
机器学习行业SWOT分析
市场需求与机会
智能化产品和服务
机器学习技术的快速发展为智能化产品和服务的创新带来了巨大的机会。从智能语音助手 到智能驾驶汽车，从智能医疗诊断到智能推荐系统，机器学习正在赋予传统产品和服务以 智能化的能力。未来，智能家居、智能城市、智能工厂等领域将成为机器学习应用的重要 载体，市场需求将持续增长。
跨界融合创新
技术创新与突破
联邦学习保护数据隐私安全
在数据隐私和安全保护方面，联邦学习成为一种前沿的解决方案。联邦学习通过在设备端 进行模型训练，避免了数据的集中存储和传输，有效保护了用户的隐私。同时，联邦学习 还通过加密、差分隐私等技术手段，进一步增强了数据的安全性。随着联邦学习算法的不 断改进和应用，可以预见它将在更多领域推动技术的创新和突破。
数据驱动的决策
机器学习的核心是数据分析和模型训练，可以帮助企业从海量数据中挖掘出有价值的信息。 随着数据的积累和存储技术的发展，企业可以利用机器学习来进行更加精准的市场预测、 客户分析和产品推荐。通过数据驱动的决策，企业可以更好地适应市场变化，提高运营效 率和竞争力。机器学习在数据驱动决策方面的应用前景广阔。
随着机器学习技术的发展，自动化和智能化生产将成为行业的趋势。通过机器学习算法的 应用，企业能够实现生产过程的自动化控制和优化，提高生产效率和产品质量。同时，智能 化生产还可以实现对生产环境的监测和调节，提升安全性和可持续性。然而，自动化和智 能化生产也会对传统劳动力带来冲击，需要考虑相关的社会问题和政策引导。
机器学习行业SWOT分析
竞争格局与挑战
竞争格局与挑战
市场竞争加剧
机器学习行业在过去几年中迅猛发展，吸引了众多企业和创业公司的参与。随着技术的 不断进步和投资的增加，市场竞争进一步加剧。新进入者不断涌现，现有企业加大了研 发和推广的力度。这种竞争格局给行业带来了挑战，同时也为消费者带来了更多的选择。 企业需要在产品功能、性能和价格等方面不断创新，以保持竞争优势。
机器人行业前景分析报告
机器人行业前景分析报告一、机器人行业指导思想（一）基本原则1、科技创新驱动：以科技创新为核心，推动机器人行业的发展。
加强基础研究和技术创新，提升核心技术能力和自主创新能力。
鼓励企业加大研发投入，推动前沿技术与产业深度融合。
2、市场导向、需求驱动：以市场需求为导向，注重产品研发与市场应用的紧密结合。
加强市场调研，了解用户需求，推动机器人技术与实际产业需求相匹配，推广应用有市场潜力的机器人产品。
3、提质增效、可持续发展：注重提高机器人产品的质量和性能，推动机器人制造业的转型升级。
加强标准化和质量监管，提升机器人的智能化程度和稳定性。
同时，注重节能减排和资源回收利用，推进机器人行业绿色可持续发展。
（二）发展思路1、强化核心技术攻关：加强对机器人核心技术的攻关，包括感知与认知技术、运动控制技术、人机交互技术等。
加大对关键技术的研发投入，突破技术瓶颈，提升机器人的智能化和自主性。
2、拓展应用领域：积极拓展机器人的应用领域，包括工业制造、医疗保健、农业、物流运输等。
3、加强国际合作与交流：积极参与国际机器人研究与合作，加强与国外企业和研究机构的交流与合作。
借鉴国外机器人产业发展的经验和先进技术，促进技术创新和产业升级，提升我国机器人产业的国际竞争力。
(三)总体要求1、建立完善的政策法规体系：出台相关政策和法规，为机器人行业的发展提供政策支持和法律保障。
加强知识产权保护，维护市场竞争的公平环境，鼓励企业进行自主创新和技术转化。
2、培养高素质人才：加大机器人人才培养力度，建立完善的人才培养体系。
鼓励高校和科研机构加强与企业的合作，培养具有创新能力和团队合作精神的机器人专业人才，满足行业发展的人才需求。
3、加强产业协同发展：推动机器人产业链的整合和优化，加强上下游企业之间的合作与协同。
发挥各类市场主体的作用，促进资源共享、优势互补，形成良性循环的产业生态系统。
4、加强安全保障与管理：注重机器人安全保障和应用管理，确保机器人在运行过程中的安全性和稳定性。
机器学习的应用前景
机器学习的应用前景机器学习（Machine Learning）作为人工智能的一个重要分支，近年来取得了长足的发展。
它利用数据和算法，使机器可以通过学习和迭代改善性能，而无需明确的编程指令。
机器学习在各个领域的应用前景十分广阔，本文将就以下几个方面进行探讨。
一、医疗领域机器学习在医疗领域的应用前景非常广泛。
首先，机器学习可以通过分析海量的医学数据，帮助医生进行疾病的诊断与预测。
例如，利用机器学习算法，可以通过分析患者的病历数据，为医生提供更准确的诊断结果，大大提高了诊断的准确率。
此外，机器学习还可以应用于药物研发领域，通过对药物分子结构和作用机制的分析，加速新药的研发过程，为人类提供更多的治疗选择。
二、金融领域机器学习在金融领域的应用前景也非常广阔。
例如，机器学习可以通过对历史金融数据的分析，帮助金融机构进行风险评估和预测。
利用机器学习算法，可以对市场趋势进行预测，帮助投资者做出更明智的投资决策。
此外，机器学习还可以应用于反欺诈领域，通过对交易数据的实时监测，检测和拦截潜在的欺诈行为，保护企业和消费者的利益。
三、交通领域机器学习在交通领域的应用前景也非常值得期待。
例如，机器学习可以通过对城市交通数据的分析，实现交通拥堵的预测和优化。
利用机器学习算法，可以对交通流量进行实时监测和调度，提高交通运行效率，减少交通事故的发生。
此外，机器学习还可以应用于自动驾驶技术，通过对驾驶行为的学习和模拟，实现车辆的自主导航和智能驾驶。
四、教育领域机器学习在教育领域的应用前景也十分广泛。
例如，机器学习可以通过对学生的学习行为和数据的分析，为教师提供个性化的学习建议和指导。
利用机器学习算法, 可以实现智能辅导和个性化学习，帮助学生更高效地学习。
此外，机器学习还可以应用于教育评估和监测，通过对大规模的教育数据的分析，提供教学质量的评估和改进建议。
五、智能城市机器学习在智能城市建设中也起着重要的作用。
通过对城市大数据的分析，机器学习可以实现城市资源的智能调度和管理。
人工智能行业环境分析精选全文完整版
可编辑修改精选全文完整版人工智能行业环境中国人工智能领域融资金额居全球之首，达到325亿美元，在全球占比达到58%。
未来的人工智能人才发展，将从基础教育改革开始，依托社会治理的力量逐渐构建形成人工智能教育生态。
需要政府、高校、企业和社会共同努力。
以下对人工智能行业环境分析。
数量上的优势并不意味着质量上的价值。
人工智能行业商情报告指出，中国的顶级人工智能人才仅仅排在第六名，前面分别是美国、英国、德国、法国、意大利。
在人才培养上，美国遥遥领先：44%的博士学位是在美国获得的，在中国获得博士学位的约占11%，其后是英国(6%)、德国(5%)以及加拿大、法国和日本(均为4%)。
全球主要国家获得博士学位占比统计情况相对于传统环卫以人机结合作业方式为核心，以人为主、设备为辅的现状，环卫智慧作业机器人具有“高可靠虚拟安全屏障、绿色新能源动力、智慧智能高效作业、自动无线充电续航”等核心特征，可完全替代人工智能的高端智慧环卫装备产品。
现从四大方面来分析人工智能行业环境。
气候变化2017年7月，微软发起“地球人工智能”计划，旨在将人工智能应用于四大环境风险领域，即气候变化、农业、生物多样性和水资源等相关领域。
2017年12月，微软承诺在未来五年内投入5000万美元用于发展该计划。
人工智能行业环境分析，在挪威，微软公司正在与Agder Energi和Powel AS等电力相关公司合作创建一个更加有效、灵活和智能的电网，从而实现节能，并且更容易将可再生能源与电网整合起来。
通过利用人工智能技术，双方正在努力用智能电网取代常规的电网。
美国能源部称：“智能电网可以视为引入电力系统的互联网，与互联网一样，智能电网将由控制装置、计算机、自动化等新技术和设备共同组成，但这些技术将与电网一起对快速变化的电力需求作出数字化响应。
”维持生物多样性据美国南加州大学人工智能社会中心称，在过去十年中，偷猎行为在不断增加。
如果照这样发展下去，大象和犀牛将在10年后灭绝。
机器学习发展现状及未来趋势分析
机器学习发展现状及未来趋势分析随着人工智能的快速发展，机器学习作为其中的关键分支之一正迅猛发展，并在各个行业展现出了广阔的应用前景。
本文将对机器学习的发展现状进行分析，并展望未来的趋势。
一、机器学习的发展现状1. 数据驱动的技术发展：机器学习的核心是通过大量的数据训练模型。
随着互联网的普及和各类传感器的广泛应用，大量的数据被产生和积累。
这促使了机器学习技术的快速发展，也为模型的训练提供了更加丰富的资源。
2. 深度学习的崛起：深度学习作为机器学习的一个重要分支，通过多层次的神经网络模型实现对数据的分析和处理。
其在图像识别、语音识别、自然语言处理等方面取得了重大突破，不断提升了机器学习的性能。
3. 广泛应用于行业：机器学习技术已经渗透到各个行业中，包括金融、医疗、交通、制造等。
例如，在金融领域，机器学习可以通过对大量的交易数据进行分析，进行风险评估和投资决策；在医疗领域，机器学习可以辅助医生进行疾病诊断和治疗方案设计。
这些应用不仅提高了效率和准确性，也为行业创造了新的商业模式。
二、机器学习的未来趋势1. 模型的优化与创新：随着机器学习应用的广泛推广，如何提高模型的性能和效率成为一个重要的方向。
未来的发展趋势将包括更加复杂的模型结构设计、更加高效的模型训练算法以及模型的集成和融合等方面。
2. 强化学习的突破：强化学习是机器学习的一个重要分支，其通过智能体与环境进行交互学习，从而实现对决策问题的优化。
未来，强化学习将在自动驾驶、机器人控制等领域发挥更加重要的作用，并突破新的应用场景。
3. 面向边缘计算的优化：随着物联网和边缘计算的快速发展，越来越多的设备和传感器会产生大量的数据。
如何在边缘设备上进行智能的数据处理和决策将成为一个重要的方向，与此相关的机器学习算法和技术也将得到进一步的优化和创新。
4. 融合人工智能的发展：机器学习与其他人工智能技术如自然语言处理、计算机视觉等的融合将成为未来的一个发展方向。
2024年机器学习市场需求分析
2024年机器学习市场需求分析简介机器学习作为人工智能领域的核心技术之一，在近年来得到了广泛的应用和发展。
随着技术的不断进步和应用场景的不断增多，机器学习市场逐渐呈现出蓬勃的需求。
本文将对机器学习市场的需求进行分析，从行业应用、市场规模和发展趋势三个方面进行探讨。
行业应用机器学习技术在各个行业中都具有广泛的应用。
首先，在金融领域，机器学习在风险评估、投资分析和交易执行等方面发挥着重要作用。
其次，在医疗健康领域，机器学习可以应用于疾病预测、医学图像分析和精准医疗等方面。
此外，在零售、制造、能源等行业也存在着诸多应用场景。
随着技术的不断进步和行业应用的不断深化，机器学习在各个行业中的需求将持续增长。
市场规模机器学习市场规模在过去几年中快速增长。
根据市场研究公司的数据，2019年全球机器学习市场规模达到了XXX亿美元，并预计在2025年将增长至XXX亿美元。
其中，北美地区是机器学习市场的主要消费市场，亚太地区的增长势头也十分迅猛。
这一市场规模的增长主要是由于机器学习技术的不断成熟，以及行业应用的不断扩大所驱动的。
发展趋势在未来几年中，机器学习市场将继续保持高速增长并呈现出一些明显的趋势。
首先，随着人们对机器学习技术认识的不断深化，市场对于高质量算法和模型的需求将持续增加。
其次，数据的价值将在机器学习市场中发挥越来越重要的作用。
数据驱动的机器学习应用将成为未来市场的主流。
此外，随着边缘计算和物联网技术的发展，机器学习在边缘设备上的应用也将迎来新的机遇。
结论综上所述，机器学习市场的需求在不断增加，并且呈现出快速增长的趋势。
各个行业对机器学习技术的需求不断扩大，市场规模也在不断拓展。
在未来几年中，机器学习市场将持续发展，并呈现出算法和模型质量要求提升、数据驱动应用增加以及边缘计算和物联网应用兴起等趋势。
对于相关企业和从业者来说，抓住机器学习市场的机遇，提供高质量的算法和模型，并结合行业需求，将是关键的竞争优势。
机器学习的应用场景分析
机器学习的应用场景分析随着人工智能和大数据技术不断发展，机器学习应用于各个领域的速度越来越快。
机器学习的主要任务是让计算机自动运用数据分析、学习以及训练，不断优化模型从而预测结果。
在这篇文章中，我们将从不同领域分析机器学习的应用场景，以及它能够带来的价值。
1.金融领域机器学习在金融领域的应用场景非常广泛。
例如，机器学习可以帮助银行识别金融欺诈，提升客户服务质量，以及优化银行的营销策略。
此外，机器学习还可以在股票市场分析、风险管理和贷款审批等方面发挥重要作用。
例如，机器学习可以对大量数据进行分析、预测和优化，从而避免错误的投资决策，并提高交易效率和准确度。
2.零售行业机器学习在零售行业的应用场景也非常广泛。
例如，零售商可以利用机器学习技术来预测顾客的购买习惯，优化产品库存和配送计划，从而提高商品销售量。
另外，机器学习还可以帮助零售商更好地理解消费者，了解他们的购买意愿和偏好，因此能够制定更加有效的营销策略和促销活动。
3.医疗健康机器学习在医疗健康领域的应用也非常广泛。
例如，机器学习可以帮助医生更准确的诊断疾病、提高诊断准确度和预测疾病风险。
此外，机器学习还可以优化医疗资源分配和医生排班，实现医疗资源的合理利用。
在公共卫生方面，机器学习可以通过自动化的健康监测系统、诊断和预警系统、以及流行病预测，帮助拯救和预防疾病，从而提高公众健康水平。
4.自然语言处理机器学习在自然语言处理(NLP)方面也有广泛的应用。
NLP技术可以帮助计算机理解和处理人类语言。
例如，机器学习可以帮助建立智能客服机器人，实现智能语音识别和自动翻译，从而促进跨语言交流。
此外，机器学习技术还可以在文本挖掘方面发挥重要作用，例如情绪分析和自动文本分类等。
5.交通运输机器学习在交通运输领域也有广泛的应用。
例如，机器学习可以帮助交通部门进行交通流量预测、优化拥堵道路的通行时间，并帮助智能交通系统更好地管理交通流。
此外，机器学习还可以提高交通安全水平，帮助汽车的自动驾驶系统更准确的识别障碍物、提高车辆性能等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(此文档为word格式，可任意修改编辑！）2017年2月正文目录人机大战烽火不断，人工智能捷报频传 (5)连胜60局：谷歌AlphaGo横扫中日韩棋坛 (5)力克职业玩家：德州扑克成为人工智能挑战人类的新战场 (7)围棋被攻陷后，为何是德州扑克来承载人类应战的责任？ (9)下一场人机德扑大战，何时揭晓战果？ (10)机器学习：人工智能的璀璨明珠 (11)机器学习是人工智能的方法，深度学习是机器学习的分支 (11)七十年变迁：机器学习的前世今生 (12)高效性与普适性是机器学习崛起的核心优势 (15)核心优势之一：高效性 (15)核心优势之二：普适性 (16)机器学习的主要应用概览 (16)应用之一：语音识别 (16)应用之二：人脸识别 (17)应用之三：自动驾驶 (19)应用之四：医疗诊断 (20)机器学习的技术路径解析 (21)机器学习的方式类似于人脑的思考过程 (21)机器学习的关键技术支持 (22)硬件方面：大容量存储和强大GPU是技术关键 (22)软件方面：算法与数据源至关重要 (23)技术局限性：数据源限制、计算时间限制、硬件水平限制 (25)数据源限制 (25)计算时间限制 (25)硬件水平限制 (26)机器学习的明天：平台化、云端化、算法商用化 (26)趋势之一：平台化 (26)趋势之二：云端化 (26)趋势之三：算法商业化 (27)机器学习产业蓬勃发展，全球多领域巨头争相布局 (27)全球多领域巨头争相布局机器学习，并购扩张加速产业崛起 (28)人工智能打造最强大脑：服务机器人产业生态圈再添新生机 (32)服务机器人：即将走进人类生活的方方面面 (32)人工智能携手云计算，服务机器人有望突破性智能升级 (34)机器学习和深度学习是机器人高度智慧的源泉 (34)云计算、大数据、高速移动网络将机器学习与智能机器人隔空相连 (35)国内智能服务机器人产业格局解析 (37)风险提示 (39)图表目录图表1：谷歌AlphaGo对战前的学习过程 (6)图表2：谷歌AlphaGo与李世石对战现场 (6)图表3：谷歌AlphaGo与李世石第一场对战棋局回顾 (7)图表4：2016年7月世界职业围棋Go Ratings排名 (7)图表5：DeepStack与职业扑克选手较量结果（以AIVAT 和所赢得的筹码进行衡量，单位mbb/g） (8)图表6：HUNL（heads-up no-limit，一对一无限注）公共树的一部分 (9)图表7：卡内基梅隆大学Libratus的德州扑克人机对战现场 (10)图表8：人工智能、机器学习、深度学习三者关系示意图 (12)图表9：深度学习原理简化示意图 (12)图表10：Hebb学习规则示意图 (13)图表11：最近邻算法示意图 (13)图表12：决策树算法示意图 (14)图表13：随机森林模型示意图 (15)图表14：机器学习在语音识别中的运用 (17)图表15：语音识别的错误率变化趋势 (17)图表16：人脸识别的面部训练数据提取示意图 (18)图表17：人脸识别的图像信息处理过程示意图 (18)图表18：2017年CES展上的自动驾驶汽车 (19)图表19：自动驾驶的机器学习网络训练回路 (20)图表20：IBM Watson系统的发展历程 (21)图表21：机器学习与人脑思考的过程比较 (22)图表22：CPU和GPU的逻辑架构对比 (23)图表23：机器学习的主要算法一览 (24)图表24：机器学习系统眼中的围棋 (25)图表25：2016年上半年全球人工智能领域各类别公司数量 (28)图表26：全球人工智能行业年度总投资额（单位：十亿美元） (28)图表27：近年谷歌公司机器学习领域主要成就一览 (29)图表28：近年百度公司机器学习领域主要进展一览 (31)图表29：服务机器人与人工智能的关系示意图 (33)图表30：服务机器人主要分类一览 (34)图表31：人工智能、云计算、大数据、移动互联共同引领智能升级 (36)图表32：国内服务机器人主要研究机构 (38)图表33：国内服务机器人民营非上市企业 (38)图表34：国内上市公司服务机器人布局情况一览 (39)人机大战烽火不断，人工智能捷报频传长久以来，“人机对战”一直都被公认为用于衡量人工智能进步程度的重要途径之一。
在过去的20年里，随着人工智能的不断发展，传统智力游戏领域不断涌现出新的挑战者，我们多次见证了人工智能已经在大量的游戏、竞技比赛中超越了人类，例如国际象棋、中国象棋、西洋双陆棋、跳棋、Jeopardy智力竞赛、Atari电子游戏等。
在过去的一年里，人工智能再一次凭借“人机大战”竞技场上的良好表现引发了全球对人工智能的持续关注。
连胜60局：谷歌AlphaGo横扫中日韩棋坛在刚刚过去的2016年里，谷歌旗下DeepMind 公司研发的人工智能AlphaGo 在围棋界引起波澜。
2016年1月27日，谷歌DeepMind依托“深度学习”原理打造的AlphaGo 在没有让子的情况下战胜了欧洲职业二段选手樊麾，人工智能第一次在完整的围棋竞技中击败专业选手。
成功战胜围棋大师李世石使谷歌AlphaGo一战成名。
李世石于2003年获第16届富士通杯冠军后升为九段棋手，加冕富士通杯以来在十年时间里共获得18个世界冠军，是继李昌镐之后韩国最具代表性的顶尖棋手。
在与李世石对局前，谷歌AlphaGo已经集中学习半年，谷歌为其输入了3000万步人类围棋大师的走法，让其自我对弈3000万局，积累胜负经验，同时在自我对弈的训练中形成全局观，并对局面做出评估。
2016年3月9日到15日，AlphaGo最终于以4：1的总比分战胜了世界围棋冠军李世石，这表明AlphaGo在围棋领域已经达到超越了世界顶尖水平。
成名后的AlphaGo凭借60局连胜中日韩高手再度引发全球关注。
力克李世石后，谷歌AlphaGo并没有停下它征战的步伐。
2016年7月18日，世界围棋排名网站Go Ratings公布谷歌AlphaGo的总积分超过原排名第一的柯洁，人工智能首次在围棋领域荣登世界榜首。
在2016年末至2017年初，谷歌AlphaGo化身棋手Master在网络围棋平台的快棋对决中多次击败了包括聂卫平、柯洁、朴廷桓、井山裕太在内的数十位中日韩围棋高手，拿下60局全胜的战绩，人工智能的杰作谷歌AlphaGo在围棋界已经登峰造极。
图表1：谷歌AlphaGo对战前的学习过程图表2：谷歌AlphaGo与李世石对战现场图表3：谷歌AlphaGo与李世石第一场对战棋局回顾图表4：2016年7月世界职业围棋Go Ratings排名力克职业玩家：德州扑克成为人工智能挑战人类的新战场在攻陷围棋之后，人工智能的触角开始伸向德州扑克。
2017 年初，加拿大和捷克的几位科学家在《DeepStack：无限注德扑的专业级人工智能玩家》的论文中介绍了DeepStack这种能在一对一无限注德扑中击败人类玩家的新算法，奠定了人工智能征战德扑的里程碑。
论文记录的人机对战中，DeepStack平均胜率达到了492mbb/g。
研究者邀请了来自17个国家的33名专业扑克选手挑战DeepStack，进行了44852次较量。
DeepStack成为了首个在一对一无限注德扑中战胜人类玩家的人工智能，并且平均胜率达到了492mbb/g 一般人类玩家到50 mbb/g就被认为拥有较大优势，750mbb/g 就是对手每局都弃牌的赢率）。
图表5：DeepStack与职业扑克选手较量结果（以AIVAT 和所赢得的筹码进行衡量，单位mbb/g）图表6：HUNL（heads-up no-limit，一对一无限注）公共树的一部分围棋被攻陷后，为何是德州扑克来承载人类应战的责任？“人心不可测”的德州扑克是典型的不完整信息博弈游戏，也是人工智能面临的长期挑战。
围棋对弈，双方的棋子都尽显在一方棋盘中，也就是“完整信息博弈”，因此阿尔法狗的胜利，实质上就是揭开了围棋玄而又玄的神秘面纱，证实了围棋背后的计算本质。
然而，德州扑克则是“不完整信息博弈”，信息不完全透明，玩家只看得到自己手中的牌，无法得知对手的牌，并在博弈过程中包含了欺骗、推测。
简单来说，这是一个“人心不可测”的博弈。
由于德州扑克包含了更接近真实世界情况的欺骗、推测等非完美信息，这一特征对人工智能的算法和数据处理能力提出了更高的要求。
DeepStack力挫专业德扑选手的奥秘究竟如何？人工智能已经读懂人心了吗？德扑对战中你不仅要思考别人要做什么，思考自己做什么，甚至要思考别人会认为你做什么，进而推理出自己的下一步，这些尔虞我诈的战术更像是兵法。
DeepStack注重培养人工智能德扑对战出牌时的“直觉、牌感”。
在这篇论文中，多次出现一个词：“直觉”，也就是我们常说的“牌感”。
DeepStack结合循环推理来处理信息不对称，使用分解将计算集中在相关的决策上，并且使用一种深度学习技术从单人游戏中自动学习以获取对扑克任意状态的直觉形式。
在运用深度学习，反复自我博弈之后，DeepStack 学会了在每一个具体情境出现时进行推理。
这非常接近人类玩家的“牌感”，即在当前情境下对个人牌面大小的感觉，并作出相应的决策。
对战超过一定手牌数时，运气成分将被稀释，人工智能强大的记忆力优势将被突显。
不同于围棋、国际象棋等纯技术类游戏，德州扑克短期的对局中运气因素十分重要。
人类完全靠记忆记录对手逻辑思维顺序，还有打牌的模式套路，而人工智能会直接存档，把你每一手牌的牌和过程全部记录下来，客观上这一点人类就比较难做到。
所以在一个较长手牌数的对局中，人工智能将数据充分收集并快速分析后，人类完全难以与之抗衡。
下一场人机德扑大战，何时揭晓战果？2017 年1 月11 日，由卡内基梅隆大学开发的同样适用DeepStack 算法的人工智能“Libratus”开始在无限制德州扑克比赛中同四个顶级德扑职业玩家展开挑战，赛程为期20天，总共将对战12万手牌，一旦最终战果揭晓，人工智能征战“人机对战”的历史将再添浓重一笔。
图表7：卡内基梅隆大学Libratus的德州扑克人机对战现场不论是AlphaGo在围棋界连奏凯歌还是Libratus向德州扑克领域全力进发，都展现了近年来人工智能，特别是机器学习领域的迅猛发展。
通过本文，我们将为您深度解读“机器学习”技术的前世今生。
机器学习：人工智能的璀璨明珠机器学习是人工智能的方法，深度学习是机器学习的分支通俗而言，人工智能（Artificial Intelligence）目的就是使机器具备部分（甚至是全部）人类的智能。
人工智能作为计算机科学的一个分支，是研究用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科。