人工智慧研發這一塊，無論是今世還是前世，無論是硬體還是軟體條件，目前國內都是遠遠落後於國外的。
當下國內人工智慧水平，尤其是遊戲ai的智慧水平，還停留在“監督學習”階段。
所謂“監督學習”，即是指人類出題，告訴ai正確的答案，並賦予相應的對策的學習方式，類似於中小學填鴨式教育。
反映到遊戲應用場景裡，就是那種識別看到人類玩家後，人機會主動進行攻擊，最多再加一些設定，比如hp小於30%時，會自己找掩體躲避，當敵人躲在某處時間過長時，會扔一顆手雷過去。
但這些都是很死板的程式判斷，嚴格來說還不具備人工智慧的特點，並不是真正意義上的人工智慧。
&n用專門設計的計算機，就下贏了國際象棋冠軍。
當然了，那會兒所謂的計算機也不能稱之為ai，之所以能下贏國際象棋冠軍，採用的是暴力破解方法，也就是窮舉法，把所有可能的下法全部計算一遍，然後對比人類的棋譜，選擇最優解。
也就是所謂的“大力出奇跡”。
但是到了圍棋這裡，沒法再這樣窮舉了。
力量再大，終有極限，圍棋的可能性走法，遠超宇宙中全部原子之和，即使用目前最牛逼的超算，也要算幾萬年，在量子計算機成熟之前，電子計算機幾無可能勝任這樣的任務。
於是，程式設計師給阿爾法狗多加了一層演算法：先計算哪裡需要計算，哪裡需要忽略，然後再有針對性地計算。
通俗點說，就是計算機具有了學習能力，能夠感知、判斷並完成決策，這便具備了ai的基本特徵。
不過，機器的學習方式，和人類有著質的不同，人透過觀察少數特徵，就能推及多數未知，也就是具有“舉一反三”的能力。
但機器不行，它必須不斷地試錯排除，不斷地識別計算，才能得出結果。
而且在這個學習過程中，需要三個基本條件：演算法、算力、資料。
演算法就是計算方法，也可以稱之為計算模型，比如識別一隻狗和識別一段人類語音，其演算法是不同的，應用場景不同演算法就不同，這需要程式設計師進行相應的設計和最佳化。
但有了演算法，沒有算力和資料，ai也無法進行學習。
就如同“巧婦難為無米之炊”，演算法是食譜，算力就是烹飪工具，資料則是食材，光懂得烹飪方法，沒有烹飪工具和食材，一樣無法烹飪出美味的佳餚。
所以要想在人工智慧方面有所建樹，最根本的就是要解決演算法、算力和資料這三個基本條件。
目前國際上人工智慧技術研發進展緩慢，主要就是受制於算力和資料，不過這方面恰好是沸騰的優勢。
經過多年佈局，目前這三個基本條件及其外延條件，儘管與國外還無法相提並論，但在國內已經基本具備，所以人工智慧技術研發上，方傑認為是時候發一下力了。
首先演算法方面，說白了就是兩個分支條件：程式開發人才和演算法訓練平臺。
人才這一塊國內目前並不缺，沸騰研究院、中科院自動化研究所、華為、騰訊等，在相關領域本來就有大量的科研人才。
而這次發力，方傑還直接拿錢把在海外工作的不少華裔專家砸回到了國內來。
至於演算法平臺，那可是老本行，不就是遊戲麼，這方面沸騰集團擁有天然優勢。
ai的學習，就是透過遊戲進行學習的。
當然，ai遊戲與人類遊戲，稍稍有點區別，即針對性更強，目的不是為了讓ai從遊戲裡獲得成就感，而是為了使其學習進步，並幫助人類完成各種工作任務。
比如紅白機時機就有一款非常簡單的遊戲：打方塊。
其遊戲玩法是玩家左右滑動控制一個具有彈力的短板，接球並反彈小球，消除遊戲介面上方一排排的小方塊，消掉所有方塊就能通關遊戲，並以此獲得成就感。
如果將這款遊戲用作ai訓練平臺，透過特定的演算法和強化學習，ai就會從一開始完全接不住球，到後來不光能接住球，還能準確計算出小球的反彈角度，消掉上方所有方塊。
甚至經過一段時間的訓練和學習，ai還能找到最優的通關方式。
比如先精準消掉左上角的幾個方塊，打通所有方塊的上方路徑，然後再把小球打進去，讓小球在方塊陣的上方，在牆壁與方塊陣之間來回反覆反彈，每趟能連擊消除幾十個方塊，大大提高了通關速度，並且獲得更多的連擊分數加成。
這樣的遊戲思路和技術，可能只有高玩才能想到和做到，到了這一步，ai在打方塊這款遊戲裡的技術水平，顯然已經超過了普通玩家，其學習方式，就不是“監督學習”了，而是“強化學習”，ai擁有了自主學習的能力。
同樣的方式，如果將ai放入其他遊戲，或者說不同演算法模型裡不斷地的學習總結，那麼一樣也能訓練培養出能力極強的ai出來。
從本質上看，培養教導ai，其實與教育小孩沒有太大區別。
那麼反過來說，透過遊戲進行寓教於樂學習，才是人類小時候最佳的教育學習方式，將遊戲視為洪水猛獸，是不可取的，在教育方法上，自我強化學習也要比填鴨式“監督學習”效果更好。
演算法問題解決了，接下來就要滿足算力和資料的條件。