2019年5月全国事业单位联考综合应用能力真题（C类）及标准答案.pdfVIP

2019 年 5 月全国事业单位联考综合应用能力真题（C 类） (总分：150.00，做题时间：120 分钟) 一、材料分析题 (总题数：1，分数：150.00) 材料一 1997 年，国际象棋大师加里 ·卡斯帕罗夫败给了电脑 “深蓝 ”；2016 年，谷歌人工智能 AlphaGo 又战胜了韩国棋手李世石，这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的DeepMind 团队比预期提前了整整 10 年达到了既定目标。 对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个 19×19 的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走。到了棋局结束时，占据棋盘面积较多的一方为胜者。 围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有 35 种不同的可能走法，一般情况下，多数棋局会在 80 步之内结束。围棋棋盘共有 361 个落子点，双方交替落子，整个棋局的总排列组合数共有约 10171 种可能性，这远远超过了宇宙中的原子总数——1080 ！ 对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的 “暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。 “蒙特卡罗树搜索 ”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大搜索树，从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有 100 个苹果，每次闭着眼拿出 1 个，最终要挑出最大的 1 个，于是先随机拿 1 个，再随机拿 1 个跟它比，留下大的，再随机拿 1 个„„每拿一次，留下的苹果都至少不比上次的小，拿的次数越多，挑出的苹果就越大。但除非拿 100 次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然 “蒙特卡罗树搜索 ”在此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。 AlphaGo 人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo 借助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的表征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋模盘上的盘面视为 19×19 的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估盘面，策略网络则用于采样动作。 在深度学习的第一阶段——策略网络的有监督学习（即从中 I 中学习）阶段，拥有 13 层神经网络的 AlphaGo 借助围棋数据库 KGS 中存储的 3000 万份对弈棋谱进行初步学习。这 3000 万份棋谱样本可以用 a 、b 进行统计。a 是一个二维棋局，