ai打dota,爱打dota的粉粉,爱打dota的男生,爱打dota的sunny冯

美国西岸时间 4 月 13 日早上 11 点半，OpenAI 的 DOTA 2 AI「OpenAI Five」为我们带来最后一场公开表演赛。比赛结果自然不难猜测，不过除结果外也有更多有趣的东西。「OpenAI Five」首先对阵 2018 年 DOTA2 世界邀请赛（Ti 8）冠军 OG 战队，三局两胜以 2：0 完胜 OG 战队。接下来，OpenAI 安排了人机合作比赛，双方都是两名人类选手和 3 个 AI──这比赛非常耐人寻味，我们猜测人类选手和 AI（如果有思维）都会在心里想：我这几个队友是怎么回事、怎么老是和我节奏不一样、这比赛让人怎么玩？最后，OpenAI 宣布，DOTA2 AI 将对全世界 DOTA2 玩家免费开放，下周起就可体验。表演赛 Part 1：「OpenAI Five」vs. OG 战队去年 7、8 月的表演赛，「OpenAI Five」就曾在 5v5 比赛击败人类高阶玩家乃至（前）职业选手。虽然 AI 没能赢所有场次比赛，但 AI 的各种亮眼操作（以及 AI 让人摸不着头脑的随地插眼法）仍给大家留下深刻的印象。比赛告一段落后，OpenAI CTO Greg Brockman 继续在 Twitter 更新「OpenAI Five」的最近进展，甚至表示最新版已能以高胜率击败公开展示过的几个版本了。这样一来，继续优化到今天，尤其是 Greg Brockman 表示，「OpenAI Five」游戏中的训练时间相当于 4 万 5 千年那么长，今天比赛完胜人类职业战队的世界冠军 OG 战队，也不令人意外了。需要说明的是，目前最新的「OpenAI Five」仍然使用和 Ti8 表演赛一样的规则：一共 18 个英雄供双方选择，不允许使用圣剑和魔瓶、不允许使用召唤物和幻象。我们似乎更有理由相信 AI 在这样的设定下获胜是合理的：在这个复杂度降低的设定中，AI 经过够长时间训练，已可逼近某个最优解了──相比之下，人类职业选手肯定不习惯这设定，仅英雄选择方面就大大限制了人类选手的发挥。另外，去年表演赛结束后结合 OpenAI 公开的数据分析过「OpenAI Five」的设计方式，结合今天「OpenAI Five」的表现来看，很有可能维持同样模式，最大的改进在于更多训练时间。第一局中，OG 阵容选出的阵容是小牛、巫医、隐刺、毒龙、影魔，「OpenAI Five」为冰女，死亡先知、×××、矮人直升机、流浪剑客。一选时「OpenAI Five」预估的自己的胜率为 65.1%，全部选择完毕后还继续上升到 67.6%。比赛一开始 AI 方就在天辉上路赏金符处拿到一血，然后在公屏幕打字「我们预期赢得这场比赛的胜率超过 80%」（就和去年表演赛一样）。AI 方的在线进攻依旧主动凶狠，即便 OG 有小牛在各路积极游走和保护，且 AI 方也没有针对隐刺买眼买粉而让他占了不少便宜，双方在前十几分钟仍打得势均力敌。随着比赛进行，AI 方的经济和击杀数逐渐建立起优势，最终 38 分钟时夜魇方基地被攻破，AI 方与 OG 的人头比为 52：29。第二局比赛 OG 阵容为×××、小牛、死亡先知、小鱼人、恶魔巫师，「OpenAI Five」阵容为冰女、矮人直升机、流浪剑客、巫医、毒龙。这次「OpenAI Five」选人完毕时的预测胜率只有 60%，但 OG 在对线期就打出很大劣势，最终这局比赛 14 分钟上高地，20 分钟就以 45：6 人头比结束了。这点想起来很有趣：「OpenAI Five」认为这次开局时自己的优势不如上一局大，但是针对自己操作这样阵容的情况做的判断，显然没有预料到人类的表现和自己大不同。AI 也继续展现亮眼的团战操作。比如下面动图，第一局比赛 OG 小牛和隐刺绕后冰女，结果在 AI 的×××配合下隐刺和巫医双双被反杀，OG 的影魔也葬身之后最终才带走了冰女。第二局，AI 的冰女利用暗影护符和地形卡视野黑血秀 OG 的矮人狙击手，并成功反杀。AI 当然也继续表现出秒沉默之类的快速反应，但其实除了这些，更令人意外的是「OpenAI Five」的比×××格。比如所有英雄都会正常发展自己的经济，冰女甚至几分钟时就会自己打野，可说这和中国 DOTA 战队常见的「四保一」打法形成鲜明对比，在前中期团战时发挥了不小威力；等级低时 AI 的英雄经常死亡后立即买活，简直像人类玩家在赌气。两局比赛结束后，OpenAI 还透露，准备表演赛的过程中 OpenAI 还邀请了 3 支一线 DOTA2 战队尝试挑战 AI，全都以 2：0 败给「OpenAI Five」。OG 战队今天的表现，对 OpenAI 来说可说是完全在预料之中了。内容来源：表演赛 Part 2：人类和「OpenAI Five」并肩作战不知道大家是否记得，2017 年 5 月 AlphaGo Master 在中国乌镇对局柯洁时，同一峰会也安排了人类棋手和 AlphaGo 的配对赛，古力和连笑两位棋手分别和 AlphaGo 组成小组，双方对局人类和 AlphaGo 轮流落子。两位棋手赛后都表示 AlphaGo 和自己的思路、风格不一样，经常下出让自己意外的棋──类似的事自然也在此次「OpenAI Five」表演赛出现。人机合作比赛双方都是两名人类选手和 3 个 AI，4 位人类选手都是游戏解说，所以当作表演赛，他们就像直播，一边比赛一边对所有观众说出自己的想法。解说们这种边玩边吐槽、也边玩边期待 AI 和自己配合的过程中，大家对 AI 都有很多全新的感受：

• 最根本的，其实 AI 并不知道队友有一些不是 AI，它仍然会视队友都和自己一样的 AI 去处理，也许 AI 也会觉得不适应？但反过来，即便人类控制的英雄已出现很多低级错误，我们相信 AI 仍可像相信 AI 队友那样相信他。
• 对出击策略的把握有很大区别，人类选手在河道吃了隐身符准备对对方中路英雄发动***时， 自己中路的 AI 却径自去了边路；人类选手表示很郁闷。
• 人类无法捉摸 AI 的步调，不知道 AI 是否认为己方是优势、是否应该主动***。那么理想情况下人类应该如何和 AI 沟通？肯定不会总是听人类的，也不会总让 AI 带领节奏。实际上 AI 有时候会直接打字告诉人类自己的决定（比如自己要打 1 号位），但对人类发的讯息就不怎么反应（简直像是人机互动的负面案例）。
• 和以前一样，AI 的插眼方式很奇怪──这可能是相比去年的版本，唯一没有显著提升的地方，完全可猜到这是因为训练插眼时用的回馈仍是「要留空格子」。Blitz 甚至直接问「上路到底发生什么了，为什么地上插了 4 个眼？？？」另一方的人类选手 Sheever 说：「我们的 AI 总把眼插在奇怪的地方，但我想插都买不了，一直在冷却。」（后来 AI 在这里又插了一个眼，一共 5 个）。
• AI 对某些英雄的理解和人类完全不同。比如 AI 认为死亡先知在 10~20 分钟的时间段内是非常强的英雄，它会非常积极地使用技能、参与团战。但人类就会认为这时候的死亡先知并不厉害。
• 有观战者根据 AI 的表现猜测影响 AI 战场决策最重要的因素是站位和技能冷却；同时 AI 也确实会考虑队友的位置。也所以，人机合作比赛的节奏要明显慢于 5 人都是 AI 的状况──两个人类队友的位置和其他 3 个 AI 的节奏不一致，集体进攻也就没那么积极果断了。
• AI 在树丛里找人的技术好像不怎么样，当然这件事学起来也比较难。另外人类也很难在和 AI 对局时练习，人类在逃命时会有一些「下意识」的操作，但很难说 AI 的处理方式是出于什么原因。
• 人类选手 Blitz 比赛中说：「不管我走哪路，去了以后都感觉自己好像走错路了。从这个角度来说，和 AI 一起玩挺难受的。但是如果我去哪的时候 AI 也一起来了，那我就感觉挺好的。彷佛一边打游戏一边解谜。」

表演赛 Part 3：人人都可以挑战「OpenAI Five」赛前的开场演讲，Greg Brockman 说要透过「OpenAI Five」展示 AI 有高能力水平、高可拓展性，以及可增强人类的能力。前面 Part 1 的人机对战和 Part 2 的合作对战中，算是展现出高能力及一部分「增强人类的能力」，那么在 Part 3，我们终于看到「高可拓展性」意味着什么：每个人都可以和 OpenAI 的 DOTA2 AI 对战，可以是对手，也可以是队友，下周开始，在 arena.openai.com 注册即可体验！表演赛结束后的讨论，有人提到阻碍「OpenAI Five」这种高水平竞技 AI 大规模普及的最大障碍之一，显然是它需要的训练时间太长，Greg Brockman 也在 Twitter 响应，解决这个问题会是他们的下一个目标。显然根据这次表演赛，除了深度学习技术方面继续钻研，人类和 AI 如何有效沟通、并肩合作，已是浮出水面的问题。我们期待 OpenAI 未来也在这方面带来一些惊喜。

研一在读，代码完全不会，怎么入门深度学习？

研一是大一吗

因为研二要去研究所那边，那边老师给定做的方向，大概率是关于人的东西。微表情识别，行人重识别，异常行为检测之类的。那边老师叫先学着Python，是基于pytorch的。我自己这段时间看了很多那种视频教程，了解cnn，已经一些主流网络。感觉自己什么都没学懂啊。也复现了一些经典代码，感觉还是啥都没学到。

嗯，深度学习首选 Python，Python 已经成为深度学习主导性的编程语言。而且，现在许多主流的深度学习框架。

例如 PyTorch、TensorFlow 也都是基于 Python 的。Anaconda 作为 Python 的一个集成管理工具，它把 Python 相关数据计算与分析科学包都集成在了一起，省去了各个安装的麻烦，非常方便。

而且，Anaconda 自带了 Jupyter Notebook，Jupyter Notebook 是一个非常强大的工具，允许使用者为数据分析、教育、文件等任何你可以想到的内容创建漂亮的交互式文档，已迅速成为数据分析、机器学习、深度学习的必备工具。

OpenAI 是一个非营利性人工智能研究公司，它的宗旨是推动和发展安全友好的人工智能。Sam Altman, Elon Musk 和其他几个著名的投资者负责给这家公司提供资金。OpenAI 的博客也是被全世界所有的人工智能和深度学习爱好者关注着。OpenAI 会定期发表他们在先进的人工智能技术方面的研究成果，包括自然语言处理、图像处理和语音处理。 链接：blog.openai.com/

Distill 致力于清晰地解释机器学习。编辑和策展团队由来自 Google Brain，DeepMind，Tesla 和其他着名组织的科学家组成。Distill 的愿景是通过简单和视觉上令人愉悦的语言来解释机器学习的论文和模型。Distill Journal 是 Distill 提供的一个出版期刊，它是鼓励研究人员采用超越传统学术形式的方法来更好沟通科学，以及为读者服务。 链接：distill.pub/

这个博客是由加州大学伯克利分校的伯克利 AI 研究（BAIR）小组设立。它的目的是传播 BAIR 小组在人工智能研究方面的发现、观点和更新成果。这个博客的编辑团队包括来自 BAIR 小组的学生、博士后和教师。他们通常每周会发表一篇文章，内容是 BAIR 在深度学习、机器学习和人工智能领域方面的研究。 链接：bair.berkeley.edu/blog/

DeepMind 是在 2010 年由 Dennis Hassabis, Mustafa Suleyman 和 Shane Legg 三个人所创立。DeepMind 的博客主要包括对他们的研究论文、思想领导力以及围绕人工智能的远见卓识的讨论。由于 DeepMind 团队的人工智能模拟研究，他们的博客受到了很多人工智能研究者的高度重视。此外，DeepMind 还是 2014 年被谷歌收购的 Alphabet 小组的一部分。 链接：deepmind.com/blog/?categ…

Andrej Karpathy 现任特斯拉的人工智能总监，之前曾在 OpenAI 工作过。他在斯坦福大学取得博士学位。他的博客在人工智能社区非常有名，特别是当他在读取博士学位和在 OpenAI 工作时候发表的文章。他写了大量有关计算机视觉以及其他人工智能领域的文章。 链接：

• karpathy.github.io/
• medium.com/@karpathy/

Christopher Olah 是在谷歌大脑工作的研究科学家。同时也是 Distill 的一个编辑者之一，还有 Shan Carter 也是。他主要发表的是对于机器学习和深度学习领域的理解神经网络方面的文章。他的目标是用简单的语言解释神经网络的复杂功能。如果你是刚入门神经网络，那么他的博客正好适合作为你的入门教程。 链接：colah.github.io/

这是 Denny Britz 的博客。Britz 曾是谷歌大脑团队的一个成员。他写作的主要方向是深度学习，发表有关利用 TensorFlow 来理解、应用和实现神经网络的文章。他还有另外一个博客，主要是写有关初创公司和软件工程方面的文章。 链接：

• www.wildml.com/
• blog.dennybritz.com/

Sebastian Ruder 目前正在攻读博士学位，同时也是一家文本分析初创公司--Aylien 的研究科学家。他的文章大多数是关于深度学习和自然语言处理，主要是集中在多任务学习和迁移学习方面。Ruder 通过视觉上以及易懂语言来给出他对公式的理解和解释。他的博客对于新手非常易于理解，也是一个开始学习深度学习知识的很好的教程。链接：ruder.io/

这是属于 Facebook 的人工智能研究博客，主要讨论人工智能、深度学习、机器学习、计算机视觉以及他们现实世界的自身的产品应用。FAIR 小组发表了很多研究论文，这个博客也可以作为创作和提升的媒体。链接：research.fb.com/blog/

这是 Ferenc Huszár 的博客。他是一个来自剑桥大学的博士，目前工作于 Twitter Cortex。他主要是研究概率推理、生成模型、无监督学习以及应用深度学习到上述问题，并发表这些主题相关的文章。链接：www.inference.vc/

7 天入门机器学习（人工智能必学基础课） - 知乎Python 数据挖掘基础教程 - 知乎Python 进阶之 MySQL 入门教程Python 深入浅出进阶课程 - 知乎Python 深度学习之神经网络 - 知乎Python 入门教程完整版（全 547 集）Python 3 天快速入门机器学习项目 - 知乎

openai 独角兽 ai独角兽技术

openai是哪个公司的,openai chatgpt,openai 马斯克,openai 百度百科

近年来，生成式人工智能已成为科技界最热门的投资领域。根据Pitchbook的数据，自2020年以来，风险资本对生成式人工智能的投资增加了425%，达到21亿美元。

编辑?| Echo

本文仅为信息交流之用，不构成任何交易建议

在上述背景下，迄今该领域已经有6家公司达到了独角兽地位(估值超过10亿美元)。除了投资者已耳熟能详的OpenAI，这六家公司还包括聊天机器人应用Hugging Face、视频和图像编辑软件开发企业Lightricks、写作及艺术内容生成器Jasper、工作协助平台 Glean，及AI图像生成器开发商Stability AI。

其中，最近加入独角兽俱乐部的是Jasper和Stability AI，这两家公司在2022年第四季度进行了1亿美元以上的融资。与此同时，从微软获得数十亿美元融资的OpenAI最近的估值为290亿美元。

生成式人工智能最近见证了来自风险投资家及谷歌和微软等科技巨头的一系列交易活动。2022年10月，Jasper获得了由Insight Partners领投的1.25亿美元A轮融资。同月，Stability AI获得了1亿美元的A轮融资，投后估值为10亿美元，由Coatue Management、Lightspeed Venture Partners等机构领投。

当月，自然语言处理软件开发商Cohere正在从英伟达(Nvidia)和谷歌母公司Alphabet寻求2亿美元的风险投资；OpenAI正在与微软进行谈判，以获得更多资金，将其机器学习研究的范围扩大到更多领域。微软的投资是为了挑战其竞争对手谷歌，后者在2014年投资了DeepMind。

红杉资本(Sequoia Capital)预测，“生成式人工智能可能改变所有需要人类创造原创作品的行业”。创业公司现在正在使用这些技术来自动化专利撰写，生成营销文案的初稿，并在虚拟世界中优化用户体验。

PitchBook的研究显示，人工智能增强内容解决方案的全球市场2022年达到23亿美元，预计到2025年将整体增长17%。但该组织补充称，“这项技术可能不会在短期内产生高收入，因为专业人士抵制人工智能解决方案，而且这项技术仍需成熟”。

与此同时，生成式AI及相关企业也受到不少质疑。牛津大学伦理与人工智能研究所副教授Carissa Véliz表示：“它传播错误信息的可能性很大。”OpenAI承认，GPT“有时会写出听起来似是而非、但不正确或毫无意义的答案”，这导致许多人认为，这项技术在嵌入企业之前需要人工干预。

微软私人股本、数据和人工智能主管丽莎・韦弗-兰伯特(Lisa Weaver-Lambert)表示：“围绕这些模型和功能的商业可行性，存在很多问题。”她表示，生成式人工智能正处于“实验阶段”。

她补充道：“如果我打算投资这个领域，我会想清楚，人们一直在解决的实际存在的商业问题具体是什么，而人工智能能否提出一种更快、更便宜的方法来完成同样的事情？”