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，把a输入到一个卷积神经网络进行分类，分类的目标就是落子向量A。通过不断的 训练，尽可能让计算机得到的向量A接近人类高手的落子结果b,这样就形成了一个模拟人类下围棋的神经网

络，然后得出一个下棋函数F   go()。当盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F   go()

计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段——  策略网络的强化学习(即从   Ⅱ   中学习)阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数  库，而类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用F   go(1)和F   go(1)对弈， 得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F   go(2),再使用F   go(2)和F   go  (1)对弈，以此类推，这样就可以得到胜率更高的F   go(n)。这样，AlphaGo就可以不断改善它在第一阶段

学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo可以根据之前获得的学习经验得出估值函数v

(s),用于预测策略网络自我对抗时棋盘盘面s的结果。最后，则是将F   go()、v(s)以及蒙特卡罗树搜 索三者相互配合，使用F   go()作为初始分开局，每局选择分数最高的方案落子，同时调用v(s)在比赛中

做出正确的判断。

这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训 练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑，策略网络负责在当前局面下判断“最 好的”下一步，可以理解为落子选择器；价值网络负责评估整体盘面的优劣，淘汰掉不值得深入计算的走法， 协助前者提高运算效率，可以理解为棋局评估器，通过两个“大脑”各自选择的平均值，AlphaGo最终决定怎

样落子胜算最大。通过这种搜索算法，AlphaGo和其他围棋程序比赛的胜率达到了99.8%。

AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强，遍历蒙特卡罗 搜索树将进一步提高命中概率。大量的计算机专家，配合大量的世界围棋高手，在算法上不断革新，再配合不 断成长的超级计算能力，不断地从失败走向成功，最终打造出围棋人工智能。在AlphaGo击败李世石后，欧洲 围棋冠军樊麾说了这么一句话：“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人

和机器其实没有站在对立面上，“是人类战胜了人类”。

材料二

上世纪80年代，M市高温首日经常出现在6月中下旬至7月，到21世纪，往往还没到6月中句，M市气温 就会蹿至35℃以上，仅有两年的高温日到7月才出现，1981年以来，M市6-8月高温日出现越来越频繁，可见，

M市首个高温日的出现时间越来越早，21世纪后每年首个高温日出现时间肯定早于上世纪80年代。

在M市， 一年中最热的时候莫过于7月，1997年以来，高温日数逐渐增多。截至2018年7月中旬，2018 年M市高于35℃的日子已有6个，比往年7月的平均数还多2个。可以确定，这一年M市7月的高温日总数将 是1997年以来最多的一年。另外据统计，M市7月的高温日整体多于6月和8月，照此趋势，2018年8月的高

温日可能不会超过7月。

近30年来，M市7月的夜温越来越高，1999年以来7月的夜间最低气温普遍超过23℃,所以2018年7月

下旬M市夜间的最低气温不会低于23℃。

同样近30年来，M市6-8月出现持续3天以上高温的总次数为27次，20次都是在2000年以后出现的，2018 年6月和7月，M市已经分别出现了一次持续3天以上的高温。既然2018年M市出现3天以上持续高温的次数

已经超过了近30年来的平均值，那么8月份M市不会出现3天以上的持续高温天气。

30年来，M市“城市热岛效应”愈发显著，城区与郊区的平均气温差值越来越大。2018年7月M市各区平 均气温偏高，均超过26.7℃。其中市中心2个城区气温最高，其次是环市中心的其他4个城区，2个郊区的气

温最低。  (注：高温日为日最高气温≥35℃)

材料三

材料一：细菌学家弗莱明的实验室里摆放着许多有毒细菌培养皿。多年来，

他试验了各种药剂，力图找到一种能杀灭这些细菌的理想药品，但一直未能成功。1928年的一个早晨，他 在检查细菌的变化时，突然发现一个葡萄状球菌的培养皿里长出了一团青色霉菌，并且其周围原来生长着的葡 萄状球菌消失了，他进一步研究发现，这种青色霉菌对其他多种有毒细菌同样具有杀灭作用，他把这种青色霉

菌分泌的杀菌物质称为青霉素。

材料二：1870年，英国科学家克鲁克斯在做阴极射线管放电实验时，意外发现管子附近的照相底片有模糊 阴影，他判断是照相的干板有毛病；1890年美国科学家古德斯柏德在做相同的实验时也发现同样的现象，他归 因于冲洗药水和冲洗技术有问题；到了1892年，德国有些物理学家也观察到这一现象，但当时他们的注意力都 集中在研究阴极射线的性质上，对此并没有警觉。直到1895年，这一奇特现象才被德国物理学家伦琴敏锐地抓

住，他反复研究实验，最终发现了X射线，他也因此获得诺贝尔物理学奖。

材料三：丹麦天文学家第谷三十年如一 日观测天象，记录了750颗星相对位置的变化，纠正了以往星表中 的错误。但第谷不善于对感性材料进行科学抽象和概括，终究未能揭示行星运动规律。临终前，他把自已所有 的材料交给了学生开普勒，要求他继续研究行星运动的理论。起初，开普勒以第谷宇宙体系为基本框架来探讨 这个问题，但毫无所获，于是转而以哥白尼日心体系为基本框架展开研究。他精于理论思维和数学推导，根据

老师留下的大量一手资料，最终发现了天体运动的三大定律，被誉为“天空立法者”。

【问题】

问题 一

科技文献阅读题：请认真阅读文章，按照每道题的要求作答。  ( 5 0 分 )

根据材料一，回答下列问题：

1.判断题：请用2B铅笔在答题卡相应的题号后填涂作答，正确的涂“A”,错误的涂“B”。

(1)国际象棋的走法不超过35*80种。

(2)结构简单的棋类游戏可以通过对博弈树的“暴力”穷举搜索找出最优走法。

(3)传统的计算机围棋程序能够完全尺寸棋盘的蒙特卡罗树模拟并计算最大胜率。

(4)函数F   go(n)比F   go(n-1)的胜率更高。

2. 填空题：请根据文意，分别填补I、Ⅱ两处缺项，没空不超过6个字。 I    (      )   Ⅱ(    )

3. 多项选择题：备选项中有两个或两个以上符合题意，请用2B铅笔在答题卡相应的题号后填涂正确选项的

序号，错选、少选均不得分。

(1)这篇文章开头认为围棋是人工智能在棋类游戏中最弱项的原因是：

A. 围棋每一步可能的下法太多，无法使用穷举搜索

B. 围棋的规则对于计算机来说太复杂，无法理解

C. 单一的计算机神经网络难以应对围棋的搜索计算

D. 围棋盘面局势的评估缺乏现代就三家技术的支撑

(2)下列关于AlphaGo“两个大脑”的说法正确的是

A. 价值网络负责评估盘面优劣

B. 策略网络负责判断走法优劣

C. 策略网络能够协助价值网络提高运算效率

D. 价值网络和策略网络共同确定最终的落子位置

4. 比较分析AlphaGo新算法和蒙特卡罗树搜索的不同之处。

要求：概括准确，层次清晰，文字简洁，不超过250字。

5.请为本文写一篇内容摘要

要求：全面、准确，条理清晰，不超过350字。

问题二

论证评价题：阅读给定材料2,指出其中存在的4处论证错误并分别说明理由。请在答题卡上按序号分条 作答，每一条先将论证错误写在“A”处(不超过75字),再将相应理由写在“B”处(不超过50字)。  (40

分 )

问题三

材料作文题：阅读下列材料，按要求作答。  ( 6 0 分 )

参考给定材料3,以“科学发现并不偶然”为话题，自选角度，自拟题目，写一篇议论文。

要求：观点鲜明、论证充分，条理清晰，语言流畅，字数在800~1000字。

【参考答案】

第一题

1

(1)B

根据第3自然段“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”可知，国际象棋的走法超过了35×80种，并非“不超过35×80种”,表述错误；

(2)A

根据第4自然段“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……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”可知，  “结构简单的棋类游戏”

可以把“所有盘面都进行尝试并给予评价”,即“穷举”,故表述正确；

(3)B

根据第5自然段“虽然‘蒙特卡罗树搜索’……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”可知， “能够完成全尺寸棋盘的蒙特卡罗树模拟”表述错误；

(4)A

根据第7自然段“先使用F go(1)和F go(1)对弈，得到了一定量的新棋谱，将这些新棋谱加入到训练集当 中，训练出新的F go(2),再使用F go(2)和F go(1)对弈，以此类推，这样就可以得到胜率更高的F go(n)”

可知，函数F go(2)比F go(1)的胜率更高，以此类推，函数F go(n)比F go(n-1)的胜率更高，表述正确。

2

I(数据库的棋谱)        Ⅱ(与老版本对弈)

3

(1)

【答案】 ABCD

【解析】定位原文第2段，第3段。

A项，由“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”可知“下法太多”表述正确；

由“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……从技术上来讲目前不可能做到”可知，A

项“无法使用穷举搜索”表述正确，当选。

B项，由“围棋的规则如此简单，但对于计算机来说却又异常复杂”,可知“围棋的规则对于计算机来说

太过复杂”表述正确，B项当选。

C项，由“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……尤其是围棋，从技术上来讲目 前不可能做到。”可知，目前的计算机还无法对整棵博弈树进行穷举搜索，C项“难以应对围棋的搜索计算”

表述正确，当选。

D项，由“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……尤其是围

棋，从技术上来讲目前不可能做到。”可知目前围棋盘面的评估缺乏相关技术的支持，D项表述正确，当选。

故正确答案为ABCD。

(2)

【答案】 ABD

【解析】A项，由“价值网络负责评估整体盘面的优劣 ……可以理解为棋局评估器”可知，盘面优劣是由

价值网络评估的，A项表述正确，当选。

B项由“策略网络负责在当前局面下判断“最好的”下一步，可以理解为落子选择器” 可知，如何落子

由策略网络负责，B项表述正确，当选。

C项，由“价值网络负责评估整体盘面的优劣……协助前者提高运算效率”可知，起到协助作用的是价值

网络而非策略网络，C项“策略网络能够协助价值网络”表述错误，排除。

D项，由“通过两个‘大脑’各自选择的平均值，AlphaGo最终决定怎样落子胜算最大”可知，如何落子由

价值网络和策略网络这两个大脑共同决定，D项表述正确。

故正确答案为ABD。

4

一、算法理论不同。AlphaGo利用深度学习的方式，借助价值网络和策略网络自主学习新知识。“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。

二、 算法步骤不同。AlphaGo先进行策略网络的有监督学习，再进行强化学习，最后进行价值网络的强化

学习。“蒙特卡罗树搜索”先根据对搜索空间的随机抽样来扩大搜索树，再分析每一步棋的最佳走法。

三、适用性不同。AlphaGo可以适用于正规全尺寸棋盘，且胜率高。“蒙特卡罗树搜索”因搜索树大而无

法在正规的全尺寸棋盘应用。

AlphaGo新算法更先进。未来人工智能发展应重视深度学习这一方法。

5

摘要：围棋规则看似简单，但每一步走法多，单纯通过计算机进行穷举搜索难度大，但人工智能克服了这

些困难，战胜了人类。

目前，计算机两种算法： 一种是蒙特卡罗树搜索算法。它是基于蒙特卡罗算法的启发式搜索策略，根据对 搜索空间的随机抽样来扩大搜索树，再分析最佳走法。另一种是AlphaGo新算法，利用深度学习的方式，借助 价值网络和策略网络自主学习新知识，分为策略网络监督、强化和价值网络强化学习三个阶段。蒙特卡罗树搜

索因搜索树大而适用性较弱。AlphaGo可以适用于正规全尺寸棋盘，且胜率高。

人工智能实质上是人类集体智慧在科技方面的体现，人和机器没有站在对立面上，与其说人工智能战胜了

人类，不如说人类战胜了人类。

第二题

A:  第一段由“80年代M市高温首日常出现在6-7月，21世纪仅两年到7月才出现”,推出结论“21世纪

后高温首日每年肯定早于80年代出现”存在论证错误。

B:21世纪高温首日有两年出现于7月，可能比80年代的某年出现的晚，不能得出“每年肯定早于80年

代”。

A:  第二段由“2018年M市高于35℃的日子比往年平均数多2个”,推出结论“这一年M市7月的高温日

总数将是1997年以来最多的一年”存在论证错误。  (65字)

B:   因为论据是对比的往年7月平均高温日数量，无法判断个体情况，故而无法推出结论。

A:  第三段由“1999年以来7月的夜间最低气温普遍超过23℃”,推出结论“2018年7月下旬M市夜间的

最低气温不会低于23℃”存在论证错误。

B:  因为论据中的事件发生在过去，事件本身会随着时间的推移发生变化，不能通过简单的类比，得出结论。

A:  第四段由“2018年M市出现3天以上持续高温的次数已经超过了近30年来的平均值”,推出结论“8

月份M市不会出现3天以上的持续高温天气”存在论证错误。

B:   因为题干的论据和结论之间不存在必然的推出关系，属于强拉因果的错误。

第三题

科学发现并不偶然

翻开科学史，不难发现一个有意思的现象：人类早期的大多数发现和发明来自偶然的启发——坐在草地上

的牛顿看着苹果从树上掉下来而发现了万有引力定理，弗莱明忘了给培养培养皿罩上玻璃盖导致发现了青霉

素…… 然而，偶然的背后，是一种必然。恰恰是“牛顿们”在科学之路上的不懈探索，善于发现，将各类知识

融会贯通，才能从细节中发现科学规律。

科学真理的发现是有条件的，它永远留给那些在探索之路上坚持不懈、锲而不舍、赓续奋斗的人。作家叶 永烈说：  “真理诞生于一百个问号之后”。诚哉斯言，纵观千百年来的科学技术发展史，那些定理、定律、学

说的发现者、创立者，他们都善于不断发问，不断解决疑问，追根求源，最后才能寻求到科学本来的面目。人