【原文】
    “阿尔法围棋”的技术架构就是深度学习神经网络中的CNN架构（两种落子策略——“监督学习”“强化学习”和一个局面评估策略）及蒙特卡罗搜索树。其中，三种策略的神经网络架构基本相同，环环相扣。
    首先，“阿尔法围棋”纯粹地学习人类下棋经验，观察人类选手如何落子，不涉及对优劣的判断。这招落子策略被称为“监督学习”。接下来，“阿尔法围棋”通过和自己下棋来进行“强化学习”，学习如何找到最佳对应落子，最终赢棋。最后，“阿尔法围棋”跳出具体步骤来“看”整盘棋，也就是局面评估策略。
    有了以上三个深度学习策略，“阿尔法围棋”再引入蒙特卡罗搜索树，以减少预测对手下一步棋的难度和复杂性。蒙特卡罗搜索树并不是一种算法，而是对一类随机算法的特性的概括。举例来说：假如筐里有100个苹果，随机拿一个，再随机拿一个跟它相比，留下大的。这样，每拿一次，留下的苹果都比上次大。拿的次数越多，挑出的苹果就可能越大，但除非拿100次，否则无法确定挑出了最大的那个。这就是蒙特卡罗搜索树。
    “阿尔法围棋”赢了李世石，很多人开始担心人工智能会对人类产生威胁。事实上，人工智能要在现实世界中应用，仍然是相当困难的。
    在理论上我们就面临两个问题：一是统计学习方面，我们需要了解“深度学习”到底需要多少训练样本，才能学习到足够好的深度模型？另一个是计算方面，我们需要多少计算资源才能通过训练得到更好的模型？这些理论研究极其困难。
    另外，针对具体应用问题，是否可能建立一个深度模型的建模语言，作为统一的框架来处理文字、语音和图像？
    还有，对于互联网公司而言，如何在工程上利用大规模的并行计算平台来实现海量数据训练？传统的大数据平台不适合需要频繁迭代的深度学习。
    再有，蒙特利尔大学教授约舒瓦·班吉奥表示：“深度学习领域目前的困境是缺乏专家，培养一个博士生大约需要五年，但是五年前还没有博士生开始从事深度学习研究，这意味着现在该领域的专家极度稀缺。”
    最后，并非每个人都认为深度学习会助推人工智能超越人脑。有些批评家表示，深度学习和人工智能从根本上忽略了大脑生物学的很多方面，太过于注重计算能力。
    在这场人机大战之前，研究者让“阿尔法围棋”和其他围棋智能程序进行了较量。在总计495局中，“阿尔法围棋”只输了1局，胜率是99.8%。它甚至尝试让4子对阵“狂石”、“天顶”和“Pachi”三个先进的程序，胜率分别是77%、86%和99%。
    去年年底，“阿尔法围棋”的Elo围棋等级分是3168分，而李世石是3532。按照“阿尔法围棋”的等级分，如果它是一个人类选手的话，对弈李世石获胜的可能性是11%，对弈5盘胜出3盘或更多盘的可能性，只有1.1%。
    （选自《文汇报》，有删改）

【问题】
    8.下列对文章第一段有关内容的解读，正确的一项是
    A.“阿尔法围棋”的技术架构是指CNN架构中的两种落子策略和一个评估策略以及蒙特卡罗搜索树。
    B.“强化学习”是CNN架构中的一招落子策略，就是学习如何找到最佳对应落子。它关系最终赢棋。
    C.三种策略不仅神经网络架构相同，且环环相扣，其中的局面评估策略能跳出具体步骤统揽全局。
    D.蒙特卡罗搜索树的作用是概括某类随机算法的特性，减少预测对手下一步棋的难度和复杂性。
    9.根据文意，下列推断错误的一项是
    A.运用蒙特卡罗搜索法，在过程中可以保证这次比上次好，但不保证是最好，就是说，采样越多，越接近最优。
    B.深度学习需要频繁迭代，但目前互联网公司还无法在工程上利用大规模的并行计算平台来满足海量数据训练。
    C.深度学习领域人才奇缺，而培养一个这一领域的博士生大概需要五年时间，所以该领域的人才荒要五年后才能缓解。
    D.“阿尔法围棋”的智能程序明显高于“狂石”“天顶”和“Pachi”，但如果它是人类选手，战胜李世石的概率极小。
    10.根据文章，概括人工智能要在现实世界中应用将面临的一些问题。（3分）

【参考答案】
    8.D【A.“蒙特卡罗搜索树”不属于CNN架构，原文用引号表明只有三种策略属于CNN架构。B.原文没有“决定”的意思。无中生有。C.原文是“基本相同”。】
    9.C【大约一年后能缓解。】
    10.（3分）在统计学习和计算方面的理论研究极其困难；还不知道能否建立一个通用的建模语言；没有在工程上实现海量数据训练；该领域人才奇缺；忽略了大脑生物学方面的问题。（五点中答到三点给3分）