谷歌有没有研究多人围棋_百度知道
谷歌有没有研究多人围棋
我有更好的答案
没有。目前只考虑打败单人的职业棋手。
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。【虎嗅】谷歌人工智能如何连赢人类围棋冠军五局 如何评价它？|界面新闻 · 科技界面新闻APP图片来源：网络一石激起千层浪。当人工智能战胜人类&&这个原本看似遥远的事情真正的发生了，在日，全程没有让棋。
1月28日，《金融时报》援引《自然》杂志的报道，由谷歌伦敦子公司DeepMind开发的AlphaGo机器，以5:0的战绩击败了欧洲围棋三届冠军樊麾（出生于中国，现籍法国）。DeepMind是2014年被Google以4亿英镑的价格收购的人工智能团队。
在1月27日，DeepMind团队发表的《Mastering the game of Go with deep neural networks and tree search》作为《自然》（Nature）封面论文上线。团队创始人Demis Hassabis表示，他们开发的围棋程序AlphaGo融合了高级树状查找和深度神经网络。
同一天，Google在官方博客中表示：&我们很骄傲地公告天下，我们的科学家已经搞定了围棋，并攻克了人工智能领域的一项重大挑战。&
今年3月，AlphaGo将在首尔与过去十年全世界最顶级的围棋选手李世石对决。
谷歌AlphaGo是怎么赢的？&&双大脑工作
通过对神经网络进行的3000万步训练（所有棋谱均来自人类专业棋手的比赛），AlphaGo预测出人类对手下一步走法的正确率已经达到了57%，之前的纪录是44%。
AlphaGo使用两个不同的神经网络&大脑&，通过两者合作得出移棋决定。
根据微信公众号《人工智能学家》对上述论文的编译得知，AlphaGo的两个大脑分工如下：
大脑1：&监督学习（SL）政策网络&。着眼于棋盘中的位置，并试图决定最佳的下一步。实际上，它用来估计每个合法下一步行动为最好的一步的可能性，其顶层猜测就是具有最高概率的那步。该团队通过几百万个优秀的人类棋手在KGS上的下棋选择，训练这个大脑，其目的仅仅是复制优秀的人类棋手的移动选择。它一点也不关心赢得比赛，只下那步顶级人类棋手会下的那步棋。AlphaGo的下棋选择器有57％的概率可以正确匹配优秀的棋手下棋选择。
大脑2：&价值网络&。它不猜测具体的下一步怎么走，而是通过设想的棋盘分布，估计每个玩家赢得比赛的概率。它通过提供整体的位置判断来配合&监督学习（SL）政策网络&。这个判断只是近似的，但它对加快阅读速度非常有用。通过将未来可能的位置分为&好&或&坏&的分类，AlphaGo可以决定是否要沿着一个特定的变化进行更深的阅读。如果位置评估器说某个具体的变化看起来情况不妙，那么AI可以跳过阅读，不沿着那条线继续发挥。
据论文介绍，当只使用一个大脑时，AlphaGo大概和目前最好的电脑围棋AI实力相当，但结合两个大脑是，它可能达到人类职业棋手的水平。
专业围棋手是怎么看的？
年三度欧洲围棋冠军樊麾，也是本次人机大战的主角之一，他表示：
在中国，围棋不仅是一项比赛，它还是生活的一面镜子。我们说，假如你的棋下得有问题，那很可能是你心性的问题&&棋如其人。
输棋确实很难过。和AlphaGo对战之前，我觉得我能赢。在第一局失利后，我改变了战术，增强了进攻，但还是输了。问题是人类有时会犯致命的错误，因为我们是人。有时我们会疲惫，有时我们求胜心切，我们总有这样那样的压力。电脑程序不会这样，它非常强，也非常稳定，简直就像一堵墙一样。对我来说这是很大的差别。我知道AlphaGo是个电脑，但如果没人告诉的话，我可能会觉得它是个有点陌生却又非常强大的对手，是个真人。
当然，输掉比赛让我不太开心，不过作为职业选手，我们输过很多比赛。所以，失败了就从中学习，也许会有所收获。总之从长远来讲这是一件好事。
随后在一个微信群里，樊麾说：&一切都是真的，因为一直在保密中，所以大家都不知道。我没有放水，不过下得确实不好。只能告诉大家，这个系统确实很强！拭目以待和李世石的棋吧！这是去年10月下的，还有些条款在保密范围之内的，我不能告诉大家，不过我觉得跟李世石的棋会很精彩！&
曹大元九段：昨晚就看到了，所以睡不着觉了，压力很大啊！
孟泰龄：我认为樊麾布局有三盘占优，另两盘劣势。我觉得电脑确实有职业水准。感觉电脑棋风稳健，酷爱实地，如果后半盘它真的可以滴水不漏的话，那距离顶尖真的只有一层窗户纸的距离了。显然电脑大局观差一些，但局部棋型的感觉及计算已经有相当水准了。
业内人士怎么看？
DeepMind创始人Demis Hassabis：
AlphaGo正在突飞猛进，甚至会超越最棒的人类选手。能够看它在围棋规则内去创造新的东西，感觉很神奇。我们对自己创造的这个系统有种很密切的感情，特别是它被创造的方式&&它会学习，我们也会教它，它的风格就像人一样。和其他编出来的程序不同，你不知道它到底都会什么，因为它能够自己学习。
阿尔伯塔大学计算机科学家、Chinook设计师Jonathan Schaeffer：
我想这还不是围棋版的深蓝时刻。真正的成就是这个程序能作为选手在顶级比赛中较量的时候。深蓝从1989年开始就常常战胜各路大师，最后登顶则是八年之后的事情。但就目前情况来看，我认为AlphaGo和顶级人类选手之间的差距被大大缩短了。可能只需要再进行一点努力和改善，再提高一点计算能力，不出一两年，它就能打败人类。
就今年3月份的比赛来说，不是打击AlphaGo团队，我还是看好人类。我们可以把AlphaGo看成是少年天才。它突然学了一手好棋，进步神速，但毕竟还是经验有限。从国际象棋和西洋跳棋来看，经验还是很重要的。
国际围棋联合会秘书长Hajin Lee：
当我知道那个电脑要挑战职业顶尖棋手李世石的时候，真的很吃惊。我当时觉得这个挑战者绝对对顶级选手有多强完全没概念。但实际上，可能我才是那个不知道这个电脑有多强的人。现在我对这个比赛非常兴奋。
谁会赢呢？我不知道。李世石自己也觉得可能那电脑跟他一样强。可能是我听到了太多AlphaGo的消息，我现在惊讶于它的强大。同时我也非常了解李世石的水平，所以我认为他们双方五五开吧。
我觉得围棋是个很有内涵的竞技，我不觉得如果电脑AI击败了人类会对围棋造成什么伤害。我想人们会接受自己被电脑技术超越这件事。
最后，让我们通过下面五张GIF图回顾一下这五局棋，樊麾是怎么输给谷歌AlphaGo机器的（来自微信公众号：棋文弈事）：
　　第一局
　　第二局
　　第三局
　　第四局
　　第五局
本文参考了微信公众号：人工智能学家、棋文弈事，以及参考消息、雷锋网等网站的相关报道。
来源：虎嗅原标题：您至少需输入5个字评论 相关文章推荐阅读谷歌人工智能击败欧洲围棋冠军 是如何做到的？
AlphaGo挑战欧洲围棋冠军成功，意义不亚于1997年那场深蓝击败国际象棋大师卡斯帕罗夫的世纪之战。
（原标题：人工智能如何一步步走来，直到挑战欧洲围棋冠军）
旗下的人工智能公司DeepMind开发的Alpha Go不久之前击败了欧洲围棋冠军，《Nature》杂志将以封面论文的方式报道这一人工智能领域的里程碑，意义不亚于1997年那场深蓝击败国际象棋大师卡斯帕罗夫的世纪之战。据悉，3月AlphaGo还将向世界顶级围棋选手李世石发起挑战。正如外媒的评价，“1997年，当深蓝计算机在象棋上称霸时，它使用的是手工编码的规则，在搜索时将穷尽所有可能发生的步法。Alpha Go从本质上则是随着时间而学习的，可以识别出可能具有优势的模式，然后模拟出数量有限的潜在结果。”关于“奇点临近”的杞人之言又开始抬头，不过相比这些乍然爆出的人机对垒，已经润物无声地融入我们生活的Siri、Google Now等智能助手可能更有“存在感”。它们不是要与我们一较高下誓不罢休的对手，而是随时听遣，安排我们的日程起居，供我们调戏的助手。在《与机器人共舞》作者约翰• 马尔科夫看来，前者是志在取代人类的AI（Artificial ligence），后者是意在辅助人类的IA（Intelligent Augmentation），即使是Google这样的公司也会在被这两条不向的道路所撕裂。比如， Google Now与Google Glass都是用来增强人类能力的工具，而无人驾驶汽车则是要从司机手中彻底接管驾驶权。它收购的Boston Dynamic机器人公司放弃了对人类智力的模拟，而是专注于做和人类四肢有同样灵活性、平衡性、适应性的无头Big Dog，而它的Google Brain项目则在学习像人一样识别一只猫。Body与Brain的分离及其后果在其无人驾驶汽车项目上体现的最为明显。作为第一个报道Google无人驾驶汽车项目的记者，约翰• 马尔科夫在《与机器人共舞》中详细披露了坚持走AI路线的Google无人汽车遇到的问题：完全无人驾驶的汽车将陷入一种四向停车难题（four-way stop）。在没有红绿灯的路口，司机之间需要复杂的交流，而对于相互独立、互不连通的计算机系统来说，在可预见的未来想解决此类问题则更为困难。借助于摄像头、多谱勒雷达、激光雷达等传感器，Google无人汽车能够对行驶途中的环境路况实时感知，然而车与车之间的数据共享与时时“沟通”目前看来仍然遥不可及，受限于无线通信标准、车厂合作、政府监管等原因，“车联网”在短期内仍然难以实现。更为棘手的是，司机经常会违背或忽略交通规则，而无人车与行人之间的意识“沟通”仍然是天方夜谭。相比于对于“无人”概念如此执着到底的Google，很多其他公司取径更为现实的IA路线。比如，Mobileye无人驾驶汽车能让车上的乘客敏锐地感觉到机器援助的存在，更有公司采用眼球追踪、生物识别等技术来检测司机的注意力是否在方向盘上。这对于也在跻身无人汽车大潮的Uber来说并不是个好主意，毕竟按照创始人Kalanick 的说法“Uber价格贵的原因就是司机的成本太高，如果没有司机的话Uber的的费用会大大降低。”实际上，根据《与机器人共舞》一书的梳理，AI与IA两个阵营的竞争，两种价值观之间的碰撞自1960年代就在硅谷展开了。1966年，在约翰麦卡锡带领斯坦福大学人工智能实验室启动制造模仿人类能力的人工智能项目的同时，在美国的另一边，麻省理工学院的马文明斯基与恩格尔巴特则启动了把计算机作为人类智力的延伸的智能增强项目，自此开始了半个世纪的花开两朵，各自生长。在摩尔定律的号角声中，随着运算能力的几何量级飞升，当时的人工智能阵营被一股乐观的气息所笼罩——如果你感觉自己陷入困境，那么只需要等上10年时间，你的问题就定然能通过计算性能的提升而得到解决。在他们眼中，机器的视觉、听觉、推理能力等都可以通过计算能力的提升而迎刃而解。1978年，人工智能最忠实的信徒莫拉维克甚至在杂志上撰文：“再过10年，制作可以匹敌人类智慧的设备的硬件价格应该相当于目前一台大型计算机的水平。”然而，他预想中的机器人时代并未到来，斯坦福大学虽然作出了一些基于“if then”逻辑的“推理引擎”并将各行各业的专家知识打包成包含600项思维规则的“指导手册”，然而这种需要人类去“input－out”的方式并不能让机器自己去认识世界，分析归纳，这并不是他们想要的思维机器（thinking machine）。20世纪80年代，是“头脑中的自行车”的黄金年代，却也是相关公司接连倒闭的“人工智能的冬天”。而IA阵营则成了人机交互的先驱，恩格尔巴特不只是大名鼎鼎的“鼠标之父”，更是图形化用户界面、超文本系统的先驱，从窗口、鼠标到自动助手、计算机，再到“对话式交互”，IA阵营基本上仍在恩格尔巴特最初规划的理论框架内发展。在他们的努力下，从庞然巨物到桌上电脑再到口袋玩物，从打孔纸到键盘鼠标、触摸屏再到语音助理、Magic Leap，机器成为一种愈来愈易用的人脑之延伸。1987年预言了后来的、 Siri的苹果Knowledge Navigator宣传视频中就虚构了一个系着领结的虚拟助手，然而14年后的Siri则不再有个人化身。实际上，在虚拟助手设计方面，化身一直都饱受争议。IA阵营的开发者们一直对“是否应该把这一系统变成聊天机器人”举棋不定。他们认为，没有人会坐下来和一个虚拟机器人聊上一整天，他们要做的，是设计一个系统来帮助人们管理自己忙碌的日常生活。呆萌的Siri“可调戏性”很差，而Google Now虽然已经智能到可以通过你的停留时间自动判断家庭与工作地，“非人化”则避免了给人以毛骨悚然、细思极恐的感觉。同样的微软的大眼睛曲别针Office助手也因为太过“活泼”令人分神而被“下岗”。实际上，这是IA与AI之间那条无形的线在其作用。而随着全球互联网与海量大数据的出现，给了人工智能领域的另一支流——深度神经网络研究以大展拳脚的空间，机器的深度学习也成为可能，也让人工智能在两次冬天之后再次迎来爆发。《纽约时报》曾以《需要多少计算机才能正确的识别猫？16000台》为标题报道吴恩达领导的Google Brain是如何训练机器认识猫的，这需要Youtube上数以百万级的视频资料。语音识别、机器视觉、物体识别、人脸检测、翻译会话等领域的创业公司开始遍地开花。数十亿计移动传感器和计算系统——智能手机在源源不断地喂养、调教着一颗超级大脑，仿佛一张高速运转地神经网络。AlphaGo所使用的神经网络结构示意图而AlphaGo的挑战成功，是神经网络威力的最好证明，正如Google在博客中披露的：“传统的人工智能方法——构建搜索树来穷尽所有可能的位置——不可能挑战人脑。我们选择将围棋“分解”，用改进的搜索树算法结合深度神经网络开发出AlphaGo这一程序，通过将棋盘分解成包含数百万类似神经元的网络联接，划分为12个不同的网络层，其中的‘策略网络’（policy network）去选择落子，而‘价值网络’（value network）则负责预测对弈的胜者（计算局面）。我们让围棋高手训练AlphaGo程序走了3000万步，它预测对手下步棋的准确率达到了57%（之前的记录是44%）。为了击败而不只是模仿最好的棋手，AlphaGo还能够通过增强学习（reinforcement learning）在神经元之间对弈，调整网络连接，从而开发出新的策略。”在人工智能阵营中，还有一帮人坚持着自底向上的路线：要想实现模拟生物智能的目标，就应该从制作人工昆虫这种最低层次的设备起步，模拟最简单的生物系统，而不是试图匹敌人类的能力，这就是仿生机器人（动物）。Boston Dynamic等公司所开发的机器猫、狗、豹等已经实现了“头脑简单，四肢发达”。协调性、适应性不亚于甚至超过了人类。人工智能的Brain与Body都在快速成长，难怪微博中关于Boston Dynamic机器人最普遍的看法是：满脑子是以后人类被机器人毁灭的画面。与此同时，AI与IA也在互相交融。Google Brain的研究成果已经被运用到Google Now等很多产品中，更准确地洞悉用户的信息输入，更人性化的理解人类的意图。微软发布的第一款智能助理Cortana显然比Siri、Google Now更加“人格化”——名字来自于《光晕》中的角色，虽然只是个圆形图标但却拥有16种表情，可以和你进行更自如机智的对话，而且声音更富有语调和感情。很显然，微软的目的就是让人们像爱上《Her》中的萨曼莎一样爱上小娜。就像约翰• 马尔科夫在《与机器人共舞》一书的最后问到的那样：人类已经将自己相当一部分的时间交给了与其他人类通过计算机互动，或是直接与一些类人的机器互动。这些人工智能化身将会成为我们的奴隶、助手、同事，还是三者的融合？AI还是IA，这终将是摆在开发者与使用者面前不得不回答的问题。
作者: 约翰• 马尔科夫（John Markoff）出版社: 浙江人民出版社译者: 郭雪出版年:
本文来源：钛媒体
责任编辑：王超_NT4133
关键词阅读：
不做嘴炮 只管约到
热门产品:　　　
:　　　　　　　　
:　　　　　　　　　
热门影院：
用微信扫描二维码分享至好友和朋友圈短信快速登录
谷歌人工智能为何能连赢人类围棋冠军5局？深扒谷歌的围棋“大脑”
摘要：在象棋和国际象棋中，电脑软件都非常厉害，只有围棋是唯一“电脑下不过人类”的项目。而今年1月份有个爆炸性新闻：谷歌DeepMind开发的人工智能围棋程序AlphaGo以5：0的压倒性优势击败了欧洲围棋冠
朱作明3个月前
朱作明3个月前
朱作明3个月前
朱作明3个月前
朱作明20天前
朱作明3个月前
朱作明3个月前
朱作明3个月前
朱作明3个月前
您对新版商界招商网有任何意见和建议，或使用中遇到的问题，请在本页面反馈。 我们会每天关注并不断优化，为您提供更好的服务！
我们非常乐意收到您使用网站过程中的感受和意见
联系方式（电话）天极传媒：天极网全国分站
您现在的位置：
谷歌 AlphaGo人工智能击败人类围棋冠军
Yesky天极新闻
　& 北京时间 1 月 28 日，Google DeepMind 宣布了在人工智能方面取得重大突破，他们名为 AlphaGo 的人工智能在没有任何让子的情况下以 5:0 完胜欧洲冠军、职业围棋二段樊麾。
　　接下来的 3 月份，Google 还会让 AlphaGo 与世界冠军李世h对战，赢家将获得 Google 提供的 100 万美金。李世h是最近 10 年中获得世界第一头衔最多的棋手。
　　AI 战胜围棋为什么比象棋难？
　　在欧美传统里，棋类游戏被视为顶级人类智力试金石，人工智能挑战棋类大师的好戏也接连上演。
　　1997 年，IBM 的深蓝在正常时限的比赛中首次击败了当时排名世界第一的棋手加里 ? 卡斯帕罗夫。2006 年，人类最后一次打败顶尖的国际象棋 AI。
　　然而，围棋却一直被视为 AI 的强敌。国际象棋中，平均每回合有 35 种可能，一盘棋可以有 80 回合;而围棋每回合有 250 种可能，一盘棋可以长达 150 回合。同时，围棋有 3^361 种局面，而可观测到的宇宙，原子数量才 10^80。
　　新智元的详解文章里写道，围棋难的地方在于它的估值函数非常不平滑，差一个子盘面就可能天翻地覆，同时状态空间大，也没有全局的结构。这两点加起来，迫使目前只能用穷举法并且因此进展缓慢。
　　在之前围棋 AI 和人类选手的比赛中，人类选手都会让子，而且 AI 主要和业余段位的棋手比赛。而 AlphaGo 这次的对手樊麾则是是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号
　　另外，在与其他围棋 AI 的比赛中，AlphaGo 总计 495 局中只输了一局，胜率是 99.8%。
　　AlphaGo 是如何做到的？
　　传统的人工智能方法是将所有可能的走法构建成一棵搜索树 ，但这种方法对于走法如此之多的围棋并不适用。AlphaGo 引入了 Google 和 DeepMind 一直专研的深度学习技术，将高级搜索树与深度神经网络结合在一起。
　　深度学习是机器学习的一个分支。机器学习这个概念认为，对于待解问题，无需编写任何专门的程序代码，只需要输入数据，算法会在数据之上建立起它自己的逻辑。深度学习强调的是使用的模型，最流行的是被用在大规模图像识别任务中的卷积神经网络(Convolutional Neural Nets，CNN)，简称 ConvNets。
　　AlphaGo 运用到的深度神经网络是 Policy Network(策略网络)以及 Value Network(值网络)。
AlphaGo 以 5:0 完胜欧洲冠军、职业围棋二段樊麾
　　据果壳网作者开明的文章，策略网络和值网络“它们的任务在于合作挑选出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。”
　　策略网络负责减少搜索的宽度――面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。这样 AI 就不用给每一步以同样的重视程度，可以重点分析那些有戏的棋着。
　　值网络负责减少搜索的深度――AI 会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑。
　　更通俗的解释是，策略网络着眼于当下，选择下一步走法。值网络思考得更加长远，预测棋局的走向。
　　DeepMind 用人类围棋高手的三千万步围棋走法训练 AI，这种方法称为监督学习(supervised learning)，然后让 AI 和自己对弈，这个流程称之为强化学习(reinforcement learning)。
　　征服围棋最重要的意义在于，AlphaGo 不仅是遵循人工规则的“专家”系统，它还通过“机器学习”自行掌握如何赢得围棋比赛。
　　DeepMind 什么来头？
　　DeepMind 是一间英国人工智能初创企业，主要业务是为游戏、电商等服务提供机器学习的智能算法。换句话说，DeepMind 是一家面向商用市场的技术提供商。
AlphaGo 以 5:0 完胜欧洲冠军、职业围棋二段樊麾
　　创始人 Demis Hassabis(德米斯 ? 哈萨比斯)小时候是象棋神童，17 岁就达到了 A-level，比其编程销售过百万的模拟游戏“主题公园”的事迹还要早两年。
AlphaGo 以 5:0 完胜欧洲冠军、职业围棋二段樊麾
　　以优异的成绩毕业于剑桥大学计算机系之后，Demis 创立了具有开创性意义的电子游戏公司 Elixir Studios，为全球出版商如 Vivendi Universal 制作了许多获奖游戏。
　　拥有十年成功的技术创业公司经验后， Demis 重新回到校园，在伦敦大学完成认知神经科学博士学位，并在麻省理工和哈弗大学拿到博士后学位。
　　2011 年，Demis Hassabis 联合?Shane Legg 以及 Mustafa Suleyman 一同创立了 DeepMind Technologies，专注于机器学习研究。
　　2014 年 1 月 DeepMind 被 Google 收购，Demis Hassabis 领导 Google 在人工智能方面的全方位工作。
　　在被 Google 收购后，DeepMind 一直保持低调。2015 年 11 月，DeepMind 发布了几篇关于利用人工智能算法打败?Atari 游戏的论文，获得了不错的反响。在和伦敦皇家学会的一次中，当与会者提到是否在进行围棋相关研究时，Demis Hassabis 就曾透露，我们现在还不能讲太多，但几个月后会有太惊喜。
　　现在看来，这个大惊喜就是 AlphaGo 了。Demis Hassabis 描述道：
　　围棋是人类发明的最复杂也是最美的游戏。通过战胜樊麾，我们的程序赢得了长期以来一项重大人工智能挑战的胜利。而这项技术在 Google 的首个用途将是开发更好的个人助理软件。这样的个人助理能够从用户在线行为中学习用户偏好，并对产品和事件作出更符合直觉的建议。
（作者：爱范儿责任编辑：周慧娴）
IT新闻微信公众平台
第一时间获取新鲜资讯
使用手机扫描左方二维码
您可能想看的内容
看过本文的人还看过
大家都在看
* 网友发言均非本站立场，本站不在评论栏推荐任何网店、经销商，谨防上当受骗！
今天下午，盖得排行APP官微正式宣布，盖得排行与百度的合作已经上线。
“便宜没好货”在车载充电器的选择上并不适用，根据自己的需求才是硬道理。…
今天下午，魅蓝官微正式宣布将于1月4日召开发布会，届时将发布18:9新…
天极网IT新闻汇：继微信支付和支付宝收提现手续费后，QQ钱包也要开始收…
知名芯片厂商Synaptics研发的光学指纹传感器Natural ID…
苹果监管备案文件指出，截止到9月30日，库克获得的奖金总额为933万美…
近日最新推出的微信6.6.0版本中，中悄悄上线了官方精品店这一功能。
微软Win10中的Groove流媒体音乐服务正式关闭，用户可将Musi…
天极网IT新闻汇：继微信支付和支付宝收提现手续费后，QQ钱包也要开始收…
1月2日，百度首款音频知识付费产品“百度小课”正式上线，即“百度传课”…
消费者还指控苹果利用iOS系统升级降低了多个版本iPad性能，包括iP…
外媒报道称，不少 Note8用户反馈电池耗尽关机之后出现了无法充电和开…
今天下午，魅蓝官微正式宣布将于1月4日召开发布会，届时将发布18:9新…
知名芯片厂商Synaptics研发的光学指纹传感器Natural ID…
“便宜没好货”在车载充电器的选择上并不适用，根据自己的需求才是硬道理。…
每日IT极热