（一）閱讀下面的文字，完成7——9題。（10分）“阿爾法圍棋”的技術架構就是深度學習神經網路中的CNN架構（兩...

問題詳情：

（一）閱讀下面的文字，完成7——9題。（10分）

“阿爾法圍棋”的技術架構就是深度學習神經網路中的CNN架構（兩種落子策略——“監督學習”“強化學習”和一個局面評估策略）及蒙特卡羅搜尋樹。其中，三種策略的神經網路架構基本相同，環環相扣。

首先，“阿爾法圍棋”純粹地學習人類下棋經驗，觀察人類選手如何落子，不涉及對優劣的判斷。這招落子策略被稱為“監督學習”。接下來，“阿爾法圍棋”通過和自己下棋來進行“強化學習”，學習如何找到最佳對應落子，最終贏棋。最後，“阿爾法圍棋”跳出具體步驟來“看”整盤棋，也就是局面評估策略。

有了以上三個深度學習策略，“阿爾法圍棋”再引入蒙特卡羅搜尋樹，以減少預測對手下一步棋的難度和複雜*。蒙特卡羅搜尋樹並不是一種演算法，而是對一類隨機演算法的特*的概括。舉例來說：假如筐裡有100個蘋果，隨機拿一個，再隨機拿一個跟它相比，留下大的。這樣，每拿一次，留下的蘋果都比上次大。拿的次數越多，挑出的蘋果就可能越大，但除非拿100次，否則無法確定挑出了最大的那個。這就是蒙特卡羅搜尋樹。

“阿爾法圍棋”贏了李世石，很多人開始擔心人工智慧會對人類產生威脅。事實上，人工智慧要在現實世界中應用，仍然是相當困難的。

在理論上我們就面臨兩個問題：一是統計學習方面，我們需要了解“深度學習”到底需要多少訓練樣本，才能學習到足夠好的深度模型？另一個是計算方面，我們需要多少計算資源才能通過訓練得到更好的模型？這些理論研究極其困難。

另外，針對具體應用問題，是否可能建立一個深度模型的建模語言，作為統一的框架來處理文字、語音和影象？

還有，對於網際網路公司而言，如何在工程上利用大規模的平行計算平臺來實現海量資料訓練？傳統的大資料平臺不適合需要頻繁迭代的深度學習。

再有，蒙特利爾大學教授約舒瓦·班吉奧表示：“深度學習領域目前的困境是缺乏專家，培養一個博士生大約需要五年，但是五年前還沒有博士生開始從事深度學習研究，這意味著現在該領域的專家極度稀缺。”

最後，並非每個人都認為深度學習會助推人工智慧超越人腦。有些批評家表示，深度學習和人工智慧從根本上忽略了大腦生物學的很多方面，太過於注重計算能力。

在這場人機大戰之前，研究者讓“阿爾法圍棋”和其他圍棋智慧程式進行了較量。在總計495局中，“阿爾法圍棋”只輸了1局，勝率是99．8%。它甚至嘗試讓4子對陣“狂石”、“天頂”和“Pachi”三個先進的程式，勝率分別是77%、86%和99%。

去年年底，“阿爾法圍棋”的Elo圍棋等級分是3168分，而李世石是3532。按照“阿爾法圍棋”的等級分，如果它是一個人類選手的話，對弈李世石獲勝的可能*是11%，對弈5盤勝出3盤或更多盤的可能*，只有1．1%。

（選自《文匯報》，有刪改）

【改編】7．下列對文章第一段有關內容的解讀，正確的一項是（3分）

A．CNN架構是指兩種落子策略和一個局面評估策略及蒙特卡羅搜尋樹。

B．“強化學習”是CNN架構中的一招落子策略，就是學習如何找到最佳對應落子。它關係最終贏棋。

C．三種策略不僅神經網路架構相同，且環環相扣，其中的局面評估策略全部能跳出具體步驟統攬全域性。

D．蒙特卡羅搜尋樹的作用是概括某類隨機演算法的特*，減少預測對手下一步棋的難度和複雜*。

【改編】8．根據文意，下列推斷錯誤的一項是（3分）

A．運用蒙特卡羅搜尋法，在過程中可以保*這次比上次好，但不保*是最好，就是說，取樣越多，越接近最優。

B．深度學習需要頻繁迭代，但目前網際網路公司還無法在工程上利用大規模的平行計算平臺來滿足海量資料訓練。

C．深度學習領域人才奇缺，而培養一個這一領域的博士生大概需要五年時間，所以該領域的人才荒要五年後才能緩解。

D．“阿爾法圍棋”的智慧程式明顯高於“狂石”“天頂”和“Pachi”，但如果它是人類選手，戰勝李世石的概率極小。

【改編】9.結合全文內容，概括人工智慧在現實世界中應用將面臨的一些問題。（4分）

【回答】

（一）（10分）

7．D（3分）

8．C（3分）

9．（4分）

在統計學習和計算方面的理論研究極其困難；還不知道能否建立一個通用的建模語言；

沒有在工程上實現海量資料訓練；該領域人才奇缺；忽略了大腦生物學方面的問題。

知識點：論述類文字閱讀

題型：現代文閱讀