行测小技巧（27）AlpahaGo与「常识判断」的备考

来看一下这道题：

【2017国考】2016年3月，阿尔法围棋程序（AlphaGo）对战世界围棋冠军、职业九段选手李世石，以4:1的总比分获胜。

阿尔法围棋程序的工作原理基于下列哪项技术？
（A）量子计算
（B）深度学习
（C）纳米技术
（D）基因编辑

阿尔法围棋程序的工作原理基于下列哪项技术？
（A）量子计算
（B）深度学习
（C）纳米技术
（D）基因编辑

正确率45%，易错项A

这道题的正确率并不高，原因是很多小伙伴对「围棋」或者「人工智能（Artificial Intelligence，简称AI」的新闻不感兴趣，但该事件其实深刻体现了「深度学习」这一人工智能的威力，它对人类社会可能会产生本质性的影响。

关于「深度学习」的影响，在此就不展开了，但是「深度学习」的策略其实对咱们的必考很有帮助（在围棋领域也是，新一代棋手基本都是通过和AI对弈而练习的）。

深度学习(Deep Learning)是机器学习领域中一个新的研究方向，它使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

举例来说，围棋的总对弈变化数量比可观测宇宙中的原子数量还要多的多，那么AlpahaGo要怎么算出最佳步骤呢？用「深度学习」的理论简述，大概是这样的：

在围棋下完某一步棋之后，假设AlpahaGo判断下一步理论上有100种下法，它会这样做：

首先判断100种下法中，有80种明显不合适，稍微计算两三步就直接排除（这个人类普通围棋爱好者也能做到）；再从20种可能合适的下法中进行计算验证，发现有15种计算5~10步后结果不理想，排除（这个人类职业棋手可以做到）；
接下来的5种可行的下法中，AlpahaGo会全力进行计算，并且毫不留情地选择胜率最高的那种。

例如，假设有一种下法能让它有60%的几率大胜，还有一种下法能让它有60.1%的几率微弱获胜，那么人类棋手通常会选择「60%的几率大胜」的下法，而AlpahaGo则会毫不犹豫地选择「60.1%的几率微弱获胜」的下法，它只看能否胜利，从不关注能胜多少。

其实，AlpahaGo的「深度学习」对我们备战行测「常识判断」也很有帮助。

很多小伙伴总觉得「常识判断」板块涉及范围特别广，内容特别多，不可能进行有效的复习，其实并非如此。

在围棋中，应对一步棋理论上有100种下法，实际上可能只有不到20种值得考虑，不到5种值得深入分析；在「常识判断」也是，理论上似乎所有的常识都可能被考到，但实际上就如同「深度学习」的过程一样，很多资料扫一眼就知道不可能去考。

对于「不太可能考」的资料，我们也应当像AlpahaGo一样无情，不要浪费过多的精力去记忆它们。退一万步讲，万一真题中考到了「冷门资料」，那么此类题目一般是可以推理出正确答案的，即使没有复习到影响也不大。

想要达到「深度学习」的效果，就要理解AlpahaGo的运作机理，即「足够的大数据积累」和「学得越多，学习成绩越好」的「正反馈」效果。也就是说，我们平时越积极研究公考真题、总结考点规律，备考就越舒服。

举例来说，如果你看了近些年的公考真题，不用多看，只需要把近五年的国考题看了，就会发现一些板块的「出镜」频率非常高，例如：

党代会报告、新年讲话、建党／建国整十周年纪念讲话、「七一、八一／共和国」勋章、航天／大型计算机／人工智能／大国重器等科技成就、近一两年新修订且被社会重点关注的法律等。

同理，和中国无关的外国新闻、中国地方性新闻、不重要的重要会议等内容一般是不会考的。通过积累和学习，我们就能逐渐熟悉真题考查的内容，像「深度学习」那样提高复习效率。