材料一

1997年，國際象棋大師加里 · 卡斯帕羅夫敗給了電腦“深藍(lán)”;2016年，谷歌人工智能AlphaGo又戰(zhàn)勝了 韓國棋手李世石，這標(biāo)志著人工智能終于征服了它在棋類比賽中最后的弱項(xiàng)—— 圍棋，谷歌公司的DeepMind

團(tuán)隊(duì)比預(yù)期提前了整整10年達(dá)到了既定目標(biāo)。

對(duì)計(jì)算機(jī)來說，圍棋并不是因?yàn)槠湟?guī)則比國際象棋復(fù)雜而難以征服—— 與此完全相反，圍棋規(guī)則更簡單， 它其實(shí)只有一種棋子，對(duì)弈的雙方輪流把黑色和白色的棋子放到一個(gè)19×19的正方形棋盤中，落下的棋子就不

能再移動(dòng)了，只會(huì)在被對(duì)方棋子包圍時(shí)被提走。到了棋局結(jié)束時(shí)，占據(jù)棋盤面積較多的一方為勝者。

圍棋的規(guī)則如此簡單，但對(duì)于計(jì)算機(jī)來說卻又異常復(fù)雜，原因在于圍棋的步數(shù)非常多，而且每一步的可能 下法也非常多。以國際象棋作對(duì)比，國際象棋每一步平均約有35種不同的可能走法， 一般情況下，多數(shù)棋局會(huì) 在80步之內(nèi)結(jié)束。圍棋棋盤共有361個(gè)落子點(diǎn)，雙方交替落子，整個(gè)棋局的總排列組合數(shù)共有約10171種可能

性，這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)—— 1080!

對(duì)于結(jié)構(gòu)簡單的棋類游戲，計(jì)算機(jī)程序開發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來尋找 對(duì)弈策略，也就是對(duì)余下可能出現(xiàn)的所有盤面都進(jìn)行嘗試并給予評(píng)價(jià)，從而找出最優(yōu)的走法。這種對(duì)整棵博弈 樹進(jìn)行窮舉搜索的策略對(duì)計(jì)算能力要求很高，對(duì)圍棋或者象棋程序來說是非常困難的，尤其是圍棋，從技術(shù)上

來講目前不可能做到。

“蒙特卡羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略，能夠根據(jù)對(duì)搜索空間的隨機(jī)抽樣來擴(kuò)大 搜索樹，從而分析圍棋這類游戲中每一步棋應(yīng)該怎么走才能夠創(chuàng)造最好機(jī)會(huì)。舉例來說，假如筐里有100個(gè)蘋 果，每次閉著眼拿出1個(gè)，最終要挑出最大的1個(gè)，于是先隨機(jī)拿1個(gè)，再隨機(jī)拿1個(gè)跟它比，留下大的，再 隨機(jī)拿1個(gè) ……每拿一次，留下的蘋果都至少不比上次的小，拿的次數(shù)越多，挑出的蘋果就越大。但除非拿100 次，否則無法肯定挑出了最大的。這個(gè)挑蘋果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜索”在此前 一些弈棋程序中也有采用，在相對(duì)較小的棋盤中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤上，這種方法仍

然存在相當(dāng)大的缺陷，因?yàn)樯婕暗乃阉鳂溥€是太大了。

AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識(shí)的方式——深度學(xué)習(xí)。AlphaGo借助兩個(gè)深度卷積 神經(jīng)網(wǎng)絡(luò)(價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò))自主地進(jìn)行新知識(shí)的學(xué)習(xí)。深度卷積神經(jīng)網(wǎng)絡(luò)使用很多層的神經(jīng)元，將其堆 疊在一起，用于生成圖片逐漸抽象的、局部的表征。對(duì)圖像分析得越細(xì)，利用的神經(jīng)網(wǎng)絡(luò)層就越多。AlphaGo 也采取了類似的架構(gòu)，將圍棋模盤上的盤面視為19×19的圖片輸入，然后通過卷積層來表征盤面。這樣，兩個(gè)

深度卷積神經(jīng)網(wǎng)絡(luò)中的價(jià)值網(wǎng)絡(luò)用于評(píng)估盤面，策略網(wǎng)絡(luò)則用于采樣動(dòng)作。

在深度學(xué)習(xí)的第一階段—— 策略網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)(即從中  I       中學(xué)習(xí))階段，擁有13層神經(jīng)網(wǎng)絡(luò)的

AlphaGo借助圍棋數(shù)據(jù)庫KGS中存儲(chǔ)的3000萬份對(duì)弈棋譜進(jìn)行初步學(xué)習(xí)。這3000萬份棋譜樣本可以用a、b進(jìn)

行統(tǒng)計(jì)。a是一個(gè)二維棋局，把a(bǔ)輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，分類的目標(biāo)就是落子向量A。通過不斷的 訓(xùn)練，盡可能讓計(jì)算機(jī)得到的向量A接近人類高手的落子結(jié)果b,這樣就形成了一個(gè)模擬人類下圍棋的神經(jīng)網(wǎng)

絡(luò)，然后得出一個(gè)下棋函數(shù)F   go()。當(dāng)盤面走到任何一種情形的時(shí)候，AlphaGo都可以通過調(diào)用函數(shù)F   go()

計(jì)算的結(jié)果來得到最佳的落子結(jié)果b可能的概率分布，并依據(jù)這個(gè)概率來挑選下一步的動(dòng)作。在第二階段——  策略網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)(即從   Ⅱ   中學(xué)習(xí))階段，AlphaGo開始結(jié)合蒙特卡羅樹搜索，不再機(jī)械地調(diào)用函數(shù)  庫，而類似于一種人類進(jìn)化的過程：AlphaGo會(huì)和自己的老版本對(duì)弈。即，先使用F   go(1)和F   go(1)對(duì)弈， 得到了一定量的新棋譜，將這些新棋譜加入到訓(xùn)練集當(dāng)中，訓(xùn)練出新的F   go(2),再使用F   go(2)和F   go  (1)對(duì)弈，以此類推，這樣就可以得到勝率更高的F   go(n)。這樣，AlphaGo就可以不斷改善它在第一階段

學(xué)到的知識(shí)。在第三階段——價(jià)值網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)階段，AlphaGo可以根據(jù)之前獲得的學(xué)習(xí)經(jīng)驗(yàn)得出估值函數(shù)v

(s),用于預(yù)測策略網(wǎng)絡(luò)自我對(duì)抗時(shí)棋盤盤面s的結(jié)果。最后，則是將F   go()、v(s)以及蒙特卡羅樹搜 索三者相互配合，使用F   go()作為初始分開局，每局選擇分?jǐn)?shù)最高的方案落子，同時(shí)調(diào)用v(s)在比賽中

做出正確的判斷。

這就是AlphaGo給圍棋帶來的新搜索算法。它創(chuàng)新性地將蒙特卡羅模擬和價(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)結(jié)合起來訓(xùn) 練深度神經(jīng)網(wǎng)絡(luò)。這樣價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)相當(dāng)于AlphaGo的兩個(gè)大腦，策略網(wǎng)絡(luò)負(fù)責(zé)在當(dāng)前局面下判斷“最 好的”下一步，可以理解為落子選擇器；價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評(píng)估整體盤面的優(yōu)劣，淘汰掉不值得深入計(jì)算的走法， 協(xié)助前者提高運(yùn)算效率，可以理解為棋局評(píng)估器，通過兩個(gè)“大腦”各自選擇的平均值，AlphaGo最終決定怎

樣落子勝算最大。通過這種搜索算法，AlphaGo和其他圍棋程序比賽的勝率達(dá)到了99.8%。

AlphaGo的飛快成長是任何一個(gè)圍棋世界冠軍都無法企及的。隨著計(jì)算機(jī)性能的不斷增強(qiáng)，遍歷蒙特卡羅 搜索樹將進(jìn)一步提高命中概率。大量的計(jì)算機(jī)專家，配合大量的世界圍棋高手，在算法上不斷革新，再配合不 斷成長的超級(jí)計(jì)算能力，不斷地從失敗走向成功，最終打造出圍棋人工智能。在AlphaGo擊敗李世石后，歐洲 圍棋冠軍樊麾說了這么一句話：“這是一個(gè)團(tuán)隊(duì)的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經(jīng)驗(yàn)積累。”人

和機(jī)器其實(shí)沒有站在對(duì)立面上，“是人類戰(zhàn)勝了人類”。

材料二

上世紀(jì)80年代，M市高溫首日經(jīng)常出現(xiàn)在6月中下旬至7月，到21世紀(jì)，往往還沒到6月中句，M市氣溫 就會(huì)躥至35℃以上，僅有兩年的高溫日到7月才出現(xiàn)，1981年以來，M市6-8月高溫日出現(xiàn)越來越頻繁，可見，

M市首個(gè)高溫日的出現(xiàn)時(shí)間越來越早，21世紀(jì)后每年首個(gè)高溫日出現(xiàn)時(shí)間肯定早于上世紀(jì)80年代。

在M市， 一年中最熱的時(shí)候莫過于7月，1997年以來，高溫日數(shù)逐漸增多。截至2018年7月中旬，2018 年M市高于35℃的日子已有6個(gè)，比往年7月的平均數(shù)還多2個(gè)。可以確定，這一年M市7月的高溫日總數(shù)將 是1997年以來最多的一年。另外據(jù)統(tǒng)計(jì)，M市7月的高溫日整體多于6月和8月，照此趨勢(shì)，2018年8月的高

溫日可能不會(huì)超過7月。

近30年來，M市7月的夜溫越來越高，1999年以來7月的夜間最低氣溫普遍超過23℃,所以2018年7月

下旬M市夜間的最低氣溫不會(huì)低于23℃。

同樣近30年來，M市6-8月出現(xiàn)持續(xù)3天以上高溫的總次數(shù)為27次，20次都是在2000年以后出現(xiàn)的，2018 年6月和7月，M市已經(jīng)分別出現(xiàn)了一次持續(xù)3天以上的高溫。既然2018年M市出現(xiàn)3天以上持續(xù)高溫的次數(shù)

已經(jīng)超過了近30年來的平均值，那么8月份M市不會(huì)出現(xiàn)3天以上的持續(xù)高溫天氣。

30年來，M市“城市熱島效應(yīng)”愈發(fā)顯著，城區(qū)與郊區(qū)的平均氣溫差值越來越大。2018年7月M市各區(qū)平 均氣溫偏高，均超過26.7℃。其中市中心2個(gè)城區(qū)氣溫最高，其次是環(huán)市中心的其他4個(gè)城區(qū)，2個(gè)郊區(qū)的氣

溫最低。  (注：高溫日為日最高氣溫≥35℃)

材料三

材料一：細(xì)菌學(xué)家弗萊明的實(shí)驗(yàn)室里擺放著許多有毒細(xì)菌培養(yǎng)皿。多年來，

他試驗(yàn)了各種藥劑，力圖找到一種能殺滅這些細(xì)菌的理想藥品，但一直未能成功。1928年的一個(gè)早晨，他 在檢查細(xì)菌的變化時(shí)，突然發(fā)現(xiàn)一個(gè)葡萄狀球菌的培養(yǎng)皿里長出了一團(tuán)青色霉菌，并且其周圍原來生長著的葡 萄狀球菌消失了，他進(jìn)一步研究發(fā)現(xiàn)，這種青色霉菌對(duì)其他多種有毒細(xì)菌同樣具有殺滅作用，他把這種青色霉

菌分泌的殺菌物質(zhì)稱為青霉素。

材料二：1870年，英國科學(xué)家克魯克斯在做陰極射線管放電實(shí)驗(yàn)時(shí)，意外發(fā)現(xiàn)管子附近的照相底片有模糊 陰影，他判斷是照相的干板有毛病；1890年美國科學(xué)家古德斯柏德在做相同的實(shí)驗(yàn)時(shí)也發(fā)現(xiàn)同樣的現(xiàn)象，他歸 因于沖洗藥水和沖洗技術(shù)有問題；到了1892年，德國有些物理學(xué)家也觀察到這一現(xiàn)象，但當(dāng)時(shí)他們的注意力都 集中在研究陰極射線的性質(zhì)上，對(duì)此并沒有警覺。直到1895年，這一奇特現(xiàn)象才被德國物理學(xué)家倫琴敏銳地抓

住，他反復(fù)研究實(shí)驗(yàn)，最終發(fā)現(xiàn)了X射線，他也因此獲得諾貝爾物理學(xué)獎(jiǎng)。

材料三：丹麥天文學(xué)家第谷三十年如一 日觀測天象，記錄了750顆星相對(duì)位置的變化，糾正了以往星表中 的錯(cuò)誤。但第谷不善于對(duì)感性材料進(jìn)行科學(xué)抽象和概括，終究未能揭示行星運(yùn)動(dòng)規(guī)律。臨終前，他把自已所有 的材料交給了學(xué)生開普勒，要求他繼續(xù)研究行星運(yùn)動(dòng)的理論。起初，開普勒以第谷宇宙體系為基本框架來探討 這個(gè)問題，但毫無所獲，于是轉(zhuǎn)而以哥白尼日心體系為基本框架展開研究。他精于理論思維和數(shù)學(xué)推導(dǎo)，根據(jù)

老師留下的大量一手資料，最終發(fā)現(xiàn)了天體運(yùn)動(dòng)的三大定律，被譽(yù)為“天空立法者”。

【問題】

問題 一

科技文獻(xiàn)閱讀題：請(qǐng)認(rèn)真閱讀文章，按照每道題的要求作答。  ( 5 0 分 )

根據(jù)材料一，回答下列問題：

1.判斷題：請(qǐng)用2B鉛筆在答題卡相應(yīng)的題號(hào)后填涂作答，正確的涂“A”,錯(cuò)誤的涂“B”。

(1)國際象棋的走法不超過35*80種。

(2)結(jié)構(gòu)簡單的棋類游戲可以通過對(duì)博弈樹的“暴力”窮舉搜索找出最優(yōu)走法。

(3)傳統(tǒng)的計(jì)算機(jī)圍棋程序能夠完全尺寸棋盤的蒙特卡羅樹模擬并計(jì)算最大勝率。

(4)函數(shù)F   go(n)比F   go(n-1)的勝率更高。

2. 填空題：請(qǐng)根據(jù)文意，分別填補(bǔ)I、Ⅱ兩處缺項(xiàng)，沒空不超過6個(gè)字。 I    (      )   Ⅱ(    )

3. 多項(xiàng)選擇題：備選項(xiàng)中有兩個(gè)或兩個(gè)以上符合題意，請(qǐng)用2B鉛筆在答題卡相應(yīng)的題號(hào)后填涂正確選項(xiàng)的

序號(hào)，錯(cuò)選、少選均不得分。

(1)這篇文章開頭認(rèn)為圍棋是人工智能在棋類游戲中最弱項(xiàng)的原因是：

A. 圍棋每一步可能的下法太多，無法使用窮舉搜索

B. 圍棋的規(guī)則對(duì)于計(jì)算機(jī)來說太復(fù)雜，無法理解

C. 單一的計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)難以應(yīng)對(duì)圍棋的搜索計(jì)算

D. 圍棋盤面局勢(shì)的評(píng)估缺乏現(xiàn)代就三家技術(shù)的支撐

(2)下列關(guān)于AlphaGo“兩個(gè)大腦”的說法正確的是

A. 價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評(píng)估盤面優(yōu)劣

B. 策略網(wǎng)絡(luò)負(fù)責(zé)判斷走法優(yōu)劣

C. 策略網(wǎng)絡(luò)能夠協(xié)助價(jià)值網(wǎng)絡(luò)提高運(yùn)算效率

D. 價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)共同確定最終的落子位置

4. 比較分析AlphaGo新算法和蒙特卡羅樹搜索的不同之處。

要求：概括準(zhǔn)確，層次清晰，文字簡潔，不超過250字。

5.請(qǐng)為本文寫一篇內(nèi)容摘要

要求：全面、準(zhǔn)確，條理清晰，不超過350字。

問題二

論證評(píng)價(jià)題：閱讀給定材料2,指出其中存在的4處論證錯(cuò)誤并分別說明理由。請(qǐng)?jiān)诖痤}卡上按序號(hào)分條 作答，每一條先將論證錯(cuò)誤寫在“A”處(不超過75字),再將相應(yīng)理由寫在“B”處(不超過50字)。  (40

分 )

問題三

材料作文題：閱讀下列材料，按要求作答。  ( 6 0 分 )

參考給定材料3,以“科學(xué)發(fā)現(xiàn)并不偶然”為話題，自選角度，自擬題目，寫一篇議論文。

要求：觀點(diǎn)鮮明、論證充分，條理清晰，語言流暢，字?jǐn)?shù)在800~1000字。

【參考答案】

第一題

1

(1)B

根據(jù)第3自然段“整個(gè)棋局的總排列組合數(shù)共有約10171種可能性，這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)——

1080”可知，國際象棋的走法超過了35×80種，并非“不超過35×80種”,表述錯(cuò)誤；

(2)A

根據(jù)第4自然段“對(duì)于結(jié)構(gòu)簡單的棋類游戲，計(jì)算機(jī)程序開發(fā)人員可以使用所謂的‘暴力’方法……也就 是對(duì)余下可能出現(xiàn)的所有盤面都進(jìn)行嘗試并給予評(píng)價(jià)，從而找出最優(yōu)的走法”可知，  “結(jié)構(gòu)簡單的棋類游戲”

可以把“所有盤面都進(jìn)行嘗試并給予評(píng)價(jià)”,即“窮舉”,故表述正確；

(3)B

根據(jù)第5自然段“雖然‘蒙特卡羅樹搜索’……在正規(guī)的全尺寸棋盤上，這種方法仍然存在相當(dāng)大的缺陷，

因?yàn)樯婕暗乃阉鳂溥€是太大了”可知， “能夠完成全尺寸棋盤的蒙特卡羅樹模擬”表述錯(cuò)誤；

(4)A

根據(jù)第7自然段“先使用F go(1)和F go(1)對(duì)弈，得到了一定量的新棋譜，將這些新棋譜加入到訓(xùn)練集當(dāng) 中，訓(xùn)練出新的F go(2),再使用F go(2)和F go(1)對(duì)弈，以此類推，這樣就可以得到勝率更高的F go(n)”

可知，函數(shù)F go(2)比F go(1)的勝率更高，以此類推，函數(shù)F go(n)比F go(n-1)的勝率更高，表述正確。

2

I(數(shù)據(jù)庫的棋譜)        Ⅱ(與老版本對(duì)弈)

3

(1)

【答案】 ABCD

【解析】定位原文第2段，第3段。

A項(xiàng)，由“原因在于圍棋的步數(shù)非常多，而且每一步的可能下法也非常多”可知“下法太多”表述正確；

由“這種對(duì)整棵博弈樹進(jìn)行窮舉搜索的策略對(duì)計(jì)算能力要求很高……從技術(shù)上來講目前不可能做到”可知，A

項(xiàng)“無法使用窮舉搜索”表述正確，當(dāng)選。

B項(xiàng)，由“圍棋的規(guī)則如此簡單，但對(duì)于計(jì)算機(jī)來說卻又異常復(fù)雜”,可知“圍棋的規(guī)則對(duì)于計(jì)算機(jī)來說

太過復(fù)雜”表述正確，B項(xiàng)當(dāng)選。

C項(xiàng)，由“這種對(duì)整棵博弈樹進(jìn)行窮舉搜索的策略對(duì)計(jì)算能力要求很高……尤其是圍棋，從技術(shù)上來講目 前不可能做到。”可知，目前的計(jì)算機(jī)還無法對(duì)整棵博弈樹進(jìn)行窮舉搜索，C項(xiàng)“難以應(yīng)對(duì)圍棋的搜索計(jì)算”

表述正確，當(dāng)選。

D項(xiàng)，由“也就是對(duì)余下可能出現(xiàn)的所有盤面都進(jìn)行嘗試并給予評(píng)價(jià)，從而找出最優(yōu)的走法……尤其是圍

棋，從技術(shù)上來講目前不可能做到。”可知目前圍棋盤面的評(píng)估缺乏相關(guān)技術(shù)的支持，D項(xiàng)表述正確，當(dāng)選。

故正確答案為ABCD。

(2)

【答案】 ABD

【解析】A項(xiàng)，由“價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評(píng)估整體盤面的優(yōu)劣 ……可以理解為棋局評(píng)估器”可知，盤面優(yōu)劣是由

價(jià)值網(wǎng)絡(luò)評(píng)估的，A項(xiàng)表述正確，當(dāng)選。

B項(xiàng)由“策略網(wǎng)絡(luò)負(fù)責(zé)在當(dāng)前局面下判斷“最好的”下一步，可以理解為落子選擇器” 可知，如何落子

由策略網(wǎng)絡(luò)負(fù)責(zé)，B項(xiàng)表述正確，當(dāng)選。

C項(xiàng)，由“價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評(píng)估整體盤面的優(yōu)劣……協(xié)助前者提高運(yùn)算效率”可知，起到協(xié)助作用的是價(jià)值

網(wǎng)絡(luò)而非策略網(wǎng)絡(luò)，C項(xiàng)“策略網(wǎng)絡(luò)能夠協(xié)助價(jià)值網(wǎng)絡(luò)”表述錯(cuò)誤，排除。

D項(xiàng)，由“通過兩個(gè)‘大腦’各自選擇的平均值，AlphaGo最終決定怎樣落子勝算最大”可知，如何落子由

價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)這兩個(gè)大腦共同決定，D項(xiàng)表述正確。

故正確答案為ABD。

4

一、算法理論不同。AlphaGo利用深度學(xué)習(xí)的方式，借助價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)自主學(xué)習(xí)新知識(shí)。“蒙特卡

羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略。

二、 算法步驟不同。AlphaGo先進(jìn)行策略網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)，再進(jìn)行強(qiáng)化學(xué)習(xí)，最后進(jìn)行價(jià)值網(wǎng)絡(luò)的強(qiáng)化

學(xué)習(xí)。“蒙特卡羅樹搜索”先根據(jù)對(duì)搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹，再分析每一步棋的最佳走法。

三、適用性不同。AlphaGo可以適用于正規(guī)全尺寸棋盤，且勝率高。“蒙特卡羅樹搜索”因搜索樹大而無

法在正規(guī)的全尺寸棋盤應(yīng)用。

AlphaGo新算法更先進(jìn)。未來人工智能發(fā)展應(yīng)重視深度學(xué)習(xí)這一方法。

5

摘要：圍棋規(guī)則看似簡單，但每一步走法多，單純通過計(jì)算機(jī)進(jìn)行窮舉搜索難度大，但人工智能克服了這

些困難，戰(zhàn)勝了人類。

目前，計(jì)算機(jī)兩種算法： 一種是蒙特卡羅樹搜索算法。它是基于蒙特卡羅算法的啟發(fā)式搜索策略，根據(jù)對(duì) 搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹，再分析最佳走法。另一種是AlphaGo新算法，利用深度學(xué)習(xí)的方式，借助 價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)自主學(xué)習(xí)新知識(shí)，分為策略網(wǎng)絡(luò)監(jiān)督、強(qiáng)化和價(jià)值網(wǎng)絡(luò)強(qiáng)化學(xué)習(xí)三個(gè)階段。蒙特卡羅樹搜

索因搜索樹大而適用性較弱。AlphaGo可以適用于正規(guī)全尺寸棋盤，且勝率高。

人工智能實(shí)質(zhì)上是人類集體智慧在科技方面的體現(xiàn)，人和機(jī)器沒有站在對(duì)立面上，與其說人工智能戰(zhàn)勝了

人類，不如說人類戰(zhàn)勝了人類。

第二題

A:  第一段由“80年代M市高溫首日常出現(xiàn)在6-7月，21世紀(jì)僅兩年到7月才出現(xiàn)”,推出結(jié)論“21世紀(jì)

后高溫首日每年肯定早于80年代出現(xiàn)”存在論證錯(cuò)誤。

B:21世紀(jì)高溫首日有兩年出現(xiàn)于7月，可能比80年代的某年出現(xiàn)的晚，不能得出“每年肯定早于80年

代”。

A:  第二段由“2018年M市高于35℃的日子比往年平均數(shù)多2個(gè)”,推出結(jié)論“這一年M市7月的高溫日

總數(shù)將是1997年以來最多的一年”存在論證錯(cuò)誤。  (65字)

B:   因?yàn)檎摀?jù)是對(duì)比的往年7月平均高溫日數(shù)量，無法判斷個(gè)體情況，故而無法推出結(jié)論。

A:  第三段由“1999年以來7月的夜間最低氣溫普遍超過23℃”,推出結(jié)論“2018年7月下旬M市夜間的

最低氣溫不會(huì)低于23℃”存在論證錯(cuò)誤。

B:  因?yàn)檎摀?jù)中的事件發(fā)生在過去，事件本身會(huì)隨著時(shí)間的推移發(fā)生變化，不能通過簡單的類比，得出結(jié)論。

A:  第四段由“2018年M市出現(xiàn)3天以上持續(xù)高溫的次數(shù)已經(jīng)超過了近30年來的平均值”,推出結(jié)論“8

月份M市不會(huì)出現(xiàn)3天以上的持續(xù)高溫天氣”存在論證錯(cuò)誤。

B:   因?yàn)轭}干的論據(jù)和結(jié)論之間不存在必然的推出關(guān)系，屬于強(qiáng)拉因果的錯(cuò)誤。

第三題

科學(xué)發(fā)現(xiàn)并不偶然

翻開科學(xué)史，不難發(fā)現(xiàn)一個(gè)有意思的現(xiàn)象：人類早期的大多數(shù)發(fā)現(xiàn)和發(fā)明來自偶然的啟發(fā)——坐在草地上

的牛頓看著蘋果從樹上掉下來而發(fā)現(xiàn)了萬有引力定理，弗萊明忘了給培養(yǎng)培養(yǎng)皿罩上玻璃蓋導(dǎo)致發(fā)現(xiàn)了青霉

素…… 然而，偶然的背后，是一種必然。恰恰是“牛頓們”在科學(xué)之路上的不懈探索，善于發(fā)現(xiàn)，將各類知識(shí)

融會(huì)貫通，才能從細(xì)節(jié)中發(fā)現(xiàn)科學(xué)規(guī)律。

科學(xué)真理的發(fā)現(xiàn)是有條件的，它永遠(yuǎn)留給那些在探索之路上堅(jiān)持不懈、鍥而不舍、賡續(xù)奮斗的人。作家葉 永烈說：  “真理誕生于一百個(gè)問號(hào)之后”。誠哉斯言，縱觀千百年來的科學(xué)技術(shù)發(fā)展史，那些定理、定律、學(xué)

說的發(fā)現(xiàn)者、創(chuàng)立者，他們都善于不斷發(fā)問，不斷解決疑問，追根求源，最后才能尋求到科學(xué)本來的面目。人