在过去很长一段时间里，国际象棋被公认为是计算机的一个巨大挑战，象棋程序逐渐能挑战人类选手，但结局不甚理想。直到上世纪70年代，这一发展进程出现了转折点，科学家认识到应该让计算机以最快速度来搜索尽可能多的招法，而不是去模拟人类的下棋方式。从那之后，包括“深蓝”在内的各种计算机就把重点放在了如何发挥计算机的计算能力，在规定时间内搜索所有可能招法上来。1996年2，在美国费城举行的著名的人机大战中，“深蓝”计算机对战当时的世界棋王卡斯帕罗夫，结果2:4不敌棋王。随后，深蓝团队对系统和软件进行了升级，并于15个月过后重新向他发起挑战。1997年5月，这个升级版“深蓝”以3.5:2.4彻底击败了这位象棋大师，成为世界上首个在标准比赛时限内击败国际象棋世界冠军的电脑系统。
国际象棋以每盘棋有10的124次方的下法考验着选手的计算力，而这一点上，“深蓝”占据绝对优势。它具备高速计算能力，3分钟内可以检索500亿步棋，不会疲倦，不会有心理上的起伏，也不会受到对手的干扰，但它也有弱点：不能像人一样总结经验，不能进行真正的思考。每场对局结束后，“深蓝”小组都会根据卡斯帕罗夫的情况相应地修改特定的参数。因此，尽管“深蓝”不会思考，但这些工作实际上起到了强迫它学习的作用，这也是卡斯帕罗夫始终无法找到一个对付“深蓝”的有效办法的主要原因。
电视问答节目对战
关键词：数据库，计算力
2011 年， IBM 的超级计算机 Watson参加美国综合挑战节目《危险边缘》，并赢了两位全能冠军选手。这档电视问答节目自 1964 年开播，游戏里的问题包罗万象，几乎涵盖了人类文明的所有领域。
Watson 面临的首要问题是自然语言理解。能否与主持人互动，理解主持人自然语言的语义和语气，甚至区分问题里的双关、隐喻等信息，是 Watson 能够做出回答的前提。实际上，Watson并没有思考能力，而是尝试从从非结构化信息中寻找答案。在题目出现在大屏幕上时，Watson通过摄像头拍下屏幕上的文字，进行光学识别，得到以文字形式存储的题目文本，然后提取文字中的专有名词等基本信息，和数据库进行对比，经过一系列筛选来得到它们的精确含义。在理解题目后，Watson通过搜索自身存储的结构数据和非结构数据来寻找答案，并运用上百种算法对可能的答案进行评估，判断每个答案正确的可能性，最后运用一个语音合成引擎将这个答案的文本转换成语音并播放出来。这所有的一切计算、选择与决策都在3秒钟之内完成。因此，Watson出色表现的背后，是其强大的数据库迅速执行文本搜索的缘故，而不具备真正的智能。
围棋人机对战
关键词：深度学习，神经网络
AlphaGo此前的版本，结合了数百万人类围棋专家的棋谱，以及强化学习的监督学习进行了自我训练，而AlphaGoZero的能力则在这个基础上有了质的提升。它不再需要人类数据，只是从单一神经网络开始，通过神经网络强大的搜索算法，进行了自我对弈。随着自我博弈的增加，神经网络逐渐调整提升预测下一步的能力，最终赢得比赛。更厉害的是，随着训练的深入，AlphaGoZero还独立发现了游戏规则，并走出了新策略，为围棋这项古老游戏带来了新的见解。AlphaGo能否代表智能计算发展方向尚且存在争议，但比较一致的观点是，它象征着计算机技术已进入人工智能的新IT时代，其特征就是大数据、大计算、大决策三位一体。它的智慧正在接近人类。
德州扑克人机大战
关键词：不完美信息的博弈
2017 年 1 月 11 日至 1 月 30 日，美国卡内基梅隆大学开发的人工智能系统 Libratus与 4 名人类顶尖德州扑克选手之间的 “人机大战” 在美国匹兹堡进行，经过了为期 20 天、总计对战 12 万手牌的赛程，最终人工智能取得胜利。
无限德州扑克是一种“不完全信息博弈”，相较于围棋难度更大，因为它不仅信息缺失非常严重，而且策略以及心理等因素都能影响胜局。Libratus的策略并非基于专业玩家的经验，所以它的玩牌方式有明显的不同。研发团队采用了一套叫做反事实的遗憾最小化算法，利用在匹兹堡超级计算机中心大约1500万核心小时的计算，它会先让Libratus反复地进行自我博弈，随机地玩上万亿手扑克，不断地试错，建立自己的策略，最终达到顶尖扑克玩家的水平。Libratus可以通过强大的计算和统计能力，把各种打法杂糅，并通过推理对其进行任意排列，将下注范围和随机性提高到人类牌手无法企及的程度，让人类玩家难以猜测电脑手中到底握有什么样的牌。相比围棋 AI，德州扑克 AI 的应用空间更广泛。现实世界中，不完美信息博弈才是常态，例如在商业谈判、医疗方案制定等领域，这些过去被认为人类拥有独特优势的领域，未来都会面临机器的挑战。
辩论人机大战
关键词：自然语言理解、无偏见推理论述
IBM称，让Debater学会辩论的真正目的是让AI系统地掌握人类语言。目前Debater系统能够针对复杂话题进行更长时间的听和理解，并进行连续性的演讲，最长可持续4分钟。听懂复杂辩论内容、快速构建逻辑表达以及模拟人类在辩论中的两难境地，Debater的这些能力已经超越了简单的自然语言理解，而是有更深层的AI能力在支撑。
人工智能将会取代人类还是丰富人类生活？
自2006年起，人工智能进入加速发展的快车道，而日益成熟的互联网技术，以及并行计算能力、大数据和先进算法也在给予助力。从AlphaGo战胜世界顶级围棋高手李世石，到后面接连一发不可收拾的各领域突破：人机高考作文大战、智能机械手臂、无人驾驶、人脸识别……不经意间，人工智能已经悄无声息地渗透到人们生活中的方方面面。随着人工智能逐渐在多领域打败人类，社会对人工智能的争议不断，人们对于AI威胁的恐惧感也是与日俱增，比如霍金生前曾三番五次表态，“人工智能可能会毁灭人类”。
毫无疑问，智能自动化的浪潮不可避免，很多机械重复性工作将被机器取代。据去年日本经济新闻和英国金融时报合作调查发现，在其抽查样本的820 种职业、2,069 项业务（工作）中，34%（710 项工作）的比重可被机器人替代。但随着人工智能的发展，同时也会新增一系列新工作，除了那些对员工能力有更高要求、需要具备洞察力和决策力的工作，还包括与机器密切合作的工作，比如维护机器、指令机器、监督机器伦理道德问题等类似岗位。因此，与其被“AI威胁论”吓到，坐等未来失业，不如努力跟上时代步伐，学习新知识傍身。
其实，单从那些已经被人工智能彻底打败的领域来看，人类也大可不必太过担心机器所带来的威胁。譬如二十年前输给“深蓝”的国际象棋领域，因暴力计算而打造出的非常强大的国际象棋引擎，迅速地在大众中普及开来。如今，所有人都可以与比最伟大的人类国际象棋大师还要强大的软件免费对战，让全世界的国际象棋爱好者们都能获得顶级训练。在“深蓝”出现之前，悲观主义者预计，机器打败世界国际象棋大师将会导致国际象棋的消亡。事实上，据世界国际象棋联合会统计，在今天，下国际象棋的人比历史上任何时期都多。
同时，国际象棋引擎也带来了精彩的新玩法。1998年，卡斯帕罗夫推出了“进阶国际象棋”：通过人机组队将机器的计算能力和人的模式匹配能力结合在一起。在围棋领域，人们也开始尝试这种“人机组队”新玩法。虽然人机之间一对一的比赛没有了悬念，但正像棋圣聂卫平向谷歌和DeepMind建议的一样，以后可以考虑组织人机协作赛，会更有意思。智能程序提供各种方案，人类高手来做选择和把控，这样会下出无与伦比精彩的棋谱，而且人类棋手的境界会有显著提高。这表明，人工智能可以激发人类的创造力，而不是对其产生阻碍。
未来的趋势是人机协同？
除了棋牌领域展开人机协作竞赛新模式，其实人工智能已经参与到人类方方面面，协作人类更好的工作、生活。Watson在辅助临床诊断中已取得完美表现，使医生有更多的时间用于与病人沟通和临床科研；写作机器人已被广泛运用于各大媒体机构，释放编辑记者去策划完成一些更深度的内容专题。今年初，埃森哲发布一份人工智能报告，认为在人工智能时代之下，企业的成功将越来越多地依赖于人与机器之间的相互协作。人工智能将提升人类的能力，而人类则帮助智能机器完成学习与提升。这样的结合不仅能够提高效率，亦将创造新的增长与创新形式。
展望未来，依托于人工智能，人类或许将被激发出更多的潜能，创造出新的竞技类型、新的艺术流派、伟大的文学作品，哲学问题也上升到新高度，未来的工作种类也因机器的参与而发生翻天覆地的变化。更进一步发展，或许有一天，人类的智慧和机器的智能会有机结合，真的产生如尼采所说的超人，这一天会来吗？
本文已收录在Github，关注我，紧跟本系列专栏文章，咱们下篇再续！? 魔都架构师 | 全网30W技术追随者? 大厂分布式系统/数据中台实战专家? 主导交易系统百万级流量调优 & 车联网平台架构? AIGC应用开发先行者 | 区块链落地实践者? 以技术驱动创新，我们的征途是改变世界！? 实战干货：编程严选网0 前言MCP Java SDK 为 AI 模型与工具和数据源的
现在有这么个需求，网上购物，需要根据不同的规则计算商品折扣，比如VIP客户增加5%的折扣，购买金额超过1000元的增加10%的折扣等，而且这些规则可能随时发生变化，甚至增加新的规则。面对这个需求，你该怎么实现呢？难道是计算规则一变，就要修改业务代码，重新测试，上线吗。其实，我们可以通过规则引擎来实现，Drools 就是一个开源的业务规则引擎，可以很容易地与 spring boot 应用程序集成，那
Oracle数据库的还原数据都是存储在还原表空间中，其作用主要体现在以下3个方面：首先，还原数据用于支持查询的一致性读取。为了保证在同一个事务中前后读取数据的一致性，原始信息必须作为还原数据存在。只要保留的还原数据，Oracle数据库就能通过重建数据来满足读取一致性查询的要求。其次，闪回技术也是基于还原数据的。例如，闪回查询可以查找过去某个时间存在的某个版本的数据。只要在还原数据中过去那个
Pyston团队宣布加入Anaconda
Python 爬虫联合 OpnAPI 加 DeepSeek 强强联手
摘要：Hadoop并行处理可以成倍地提高性能，GPU也日益成为计算任务的重要分担者，Altoros Systems研发团队一直致力于探索Hadoop+GPU的可能性，以及在实际的大规模系统中的实现，这篇文章就是他们的部分研究成果。Hadoop并行处理可以成倍地提高性能。现在的问题是如果将一部分计算工作从CPU迁移到GPU会怎么样？能否更快理论上，这些处理如果经过了并行计算的优化，在GPU上执行
不一定，非要是传统的分页，查询。 也可以很灵活。
“行进中国”调研行 从“苏大强”到“强富美高” 在“行”中，看见“进”的中国。今年5月，人民网启动“行进中国”大型融媒体系列调研行，340名年轻记者，耗时2个月，走访31个省区市的111座城市，前往500余个基层一线点位深入采访，“即采
写本程序的目的，是为了理解委托... 效果截图如下： 主要代码如下：//线程处理函数 public void threadProc() { setTextBox("测试成功"); } //声明委托 delegate void myDelegate(String text);
关估计，Pinterest
使用Python做数据处理的数据科学家或数据从业者，对数据科学包pandas并不陌生，也不乏像云朵君一样的pandas重度使用者，项目开始写的第一行代码，
Windows Server 2008上市是IT界的一大盛事，因为它是继客户端操作系统Windows Vista上市以来，最令全球IT人士所瞩目的Windows Server操作系统的全面改版，Windows Server 2008除了拥有前所未有的最高安全性设计之外，从可靠度、性能优化、系统管理到降低IT运营的成本，都将提供给企业绝佳的新体验。通过本书介绍的循序渐进的学习方式，您不需要再进行太多
去年，谷歌、DeepMind联手推出基于模型的强化学习智能体PlaNet，能解决各种基于图像的控制任务，性能可媲美当时最先进的无模型智能体，并且在数据效率上提升50倍，为强化学习带来了新的突破。然而，该智能体依旧受到无效或计算成本高昂的规划机制的局限性。现在，谷歌、DeepMind再度强强联手推...
Quartz与Spring强强联手，定时任务实现更容易 环境：Spring 2.5.4Quartz 1.6.0 Quartz是一个企业级的定时任务执行工具，使用起来也相当容易。但是也有点约束----每个作业必须实现Job接口。 Spring早在1.0就对Quartz提供了支持。Spring AOP的强大功能可以将这个无聊的事情见鬼去吧。
今天团队发表的CIKM '20的最新论文《Graph Neural Network for Tag Ranking in Tag-enhanced Video Recommendation》。推荐这篇论文的原因有二：微信团队实际上面临的是一个“迁移学习+多任务”的场景。但是，微信团队的解决方案并不是传统常见的 multi-task learning、soft/hard parameter &nbs
一、APS：制造业的中枢 APS（AdvancedPlanningandScheduling），堪称制造业的数据接收和处理中枢，其借助前沿的算法与缜密的逻辑构建排程模型，全方位综合考量市场的多元需求、工厂的实际产能、物料的储备情况、人员的配置等诸多生产资源约束，进而计算出极具科学性、合理性的生产规划。二、MES：制造业的执行者 &n
重庆正处在经济社会发展的关键时期，面临着工业化、信息化、城镇化、市场化、国际化深入发展带来的一系列新矛盾新课题。在新的历史阶段，“畅通重庆”是全面加强城市建设，提高城市管理水平的基本内容之一，是以畅通促进重庆城市和社会经济可持续发展的先导性、基础性战略工程。要把重庆打造成中国内陆开放高地，使重庆成为西部地区新的增长极。 日前，重庆城市交通开发投资（集团）有限公司（
Spring Security+Spring Data Jpa 强强联手，安全管理没有简单，只有更简单！这周忙着更新 OAuth2，Spring Security 也抽空来一篇。Spring Security 系列我们前面已经更新了 6 篇了，本文是第 7 篇，建议先看本系列前面的文章，有助于更好的理解本文：挖一个大坑，Spring Security 开搞！松哥手把手带你入门 Sprin...
8月23日，由新华网、哈尔滨市人民政府主办的“人工智能赋能高质量发展论坛暨人工智能百人圆桌会” 在哈尔滨隆重举行，并取得圆满成功。此次论坛汇聚了来自全国的人工智能领域的专家学者、企业家和政府部门代表，共同探讨AI技术高质量发展的新路径、新机遇和新挑战。论坛上，新华网重磅发布多项人工智能领域最新研究成果与创新产品。九章云极DataCanvas公司联合创始人暨CTO尚明栋与新华网副总裁张芮宁共同揭开了
责任链模式是一种行为设计模式，通过构建处理链来解耦请求发送者和接收者。该模式的核心是将多个处理对象连成一条链，请求沿链传递直到被某个对象处理。典型应用包括多级审批系统、日志记录和Web过滤器等。实现时包含处理者接口、具体处理者和客户端三个关键组件，支持动态添加或修改处理链。优点在于降低耦合、增强灵活性，但需注意请求可能未被处理或性能损耗问题。代码示例展示了请假审批、日志记录等场景的实现方式，体现了模式的实际应用价值。
GEO策略的核心在于匹配搜索意图与业务属性：B2B靠“地域+行业+问题”精准获客，B2C用“区域+场景+需求”引爆销量。真正的GEO优化是“需求匹配的艺术”，差的不只是关键词，更是对用户决策逻辑的深度洞察。本文用实战案例拆解差异化打法，帮你避开误区，实现低成本高转化。
摘要： 本文为Java开发者提供了从Java转向Go语言的快速入门指南，重点对比两种语言的异同。Go凭借轻量级并发模型（goroutine）和高效性能，成为云原生开发的首选之一。文章涵盖环境搭建、基础语法（变量、控制流、函数）、复合数据类型（数组、切片、映射）、错误处理、并发编程（goroutine、通道）以及包管理（gomod）。通过实战示例（RESTful API服务），对比了Java Spring Boot与Go Gin的实现差异，帮助开发者快速掌握Go的核心特性。
Redlock 是 Redis 提供的分布式锁算法，通过多个独立 Redis 实例实现高可用的分布式锁。算法核心步骤包括：获取当前时间、依次请求锁、计算耗时、验证多数节点成功获取锁，并在失败时释放已获取的锁。代码示例展示了基于 Java/Jedis 的实现，包含获取锁（确保多数节点成功）和释放锁（使用 Lua 脚本保证原子性）的逻辑。该方案能有效防止单点故障，适用于分布式环境下的临界资源保护。