1、阿爾法狗vs柯潔（阿爾法狗）

2、大家好，關于阿爾法狗vs柯潔，很多人還不知道阿爾法狗。現(xiàn)在讓我們來看看！

3、阿爾法狗是什么意思？圍棋實際上是一個圍棋人工智能程序，由谷歌DeepMind的大衛(wèi)西爾弗(David Silver)、艾皇嘉(Ai Huangjia)和達米絲哈薩比斯(Damis Hassabis)及其團隊開發(fā)。這個程序用“價值網(wǎng)絡”來計算形勢，用“策略網(wǎng)絡”來選擇下一步行動。

4、“深度學習”是指多層人工神經(jīng)網(wǎng)絡和訓練它的方法。一層神經(jīng)網(wǎng)絡以大量矩陣數(shù)作為輸入，用非線性激活方法加權(quán)，然后生成另一個數(shù)據(jù)集作為輸出。就像生物神經(jīng)大腦的工作機制一樣。通過適當數(shù)量的矩陣，將多層組織鏈接在一起，形成一個神經(jīng)網(wǎng)絡“大腦”，進行精確復雜的處理，就像人識別物體和標記圖片一樣。

5、雖然神經(jīng)網(wǎng)絡幾十年前就存在了，但直到最近情況才變得清晰。這是因為他們需要大量的“訓練”才能找到矩陣中的值。對于早期的研究人員來說，獲得良好結(jié)果的最小訓練量遠遠超過了計算能力和可以提供的數(shù)據(jù)量。然而，近年來，一些擁有海量資源的團隊重新開始挖掘神經(jīng)網(wǎng)絡，即通過“大數(shù)據(jù)”技術(shù)進行高效訓練。

6、兩個大腦

7、AlphaGo就是通過兩個不同的神經(jīng)網(wǎng)絡“大腦”的合作來提高下棋水平。這些大腦是多層神經(jīng)網(wǎng)絡，其結(jié)構(gòu)與谷歌的圖像搜索引擎識別的大腦相似。他們從多層啟發(fā)式二維過濾器入手，處理圍棋棋盤的定位，就像圖像分類器網(wǎng)絡處理圖像一樣。過濾后，13個完全連接的神經(jīng)網(wǎng)絡層對他們看到的做出判斷。這些層可以被分類和邏輯推理。

8、這些網(wǎng)絡通過反復訓練來檢查結(jié)果，然后校對調(diào)整參數(shù)，使接下來的執(zhí)行更好。這個處理器有許多隨機元件。我們無法確切知道網(wǎng)絡是如何“思考”的，但更多的訓練可以讓它進化到更好。

9、第一大腦3360移動拾音器。

10、AlphaGo的第一個神經(jīng)網(wǎng)絡大腦是一個“監(jiān)督學習的策略網(wǎng)絡”，觀察棋盤的布局，并試圖找到最佳的下一步。事實上，它預測了每一個合法的下一步的最佳概率，所以第一個猜測是概率最高的一個。你可以理解為“遲到的考生”。

11、(移動選擇器如何看到棋盤？數(shù)字表明最強的人類玩家可能會在哪里登陸。)

12、團隊通過玩上百萬的游戲來訓練大腦，KGS(戰(zhàn)斗平臺)中最強的人類對手。這是AlphaGo最像人類的部分。目標是學習那些頂級玩家精彩的卡牌技巧。不是為了贏，而是像人類大師一樣尋找下一步棋。AlphaGo國際象棋選擇器可以正確匹配57%的人類大師。(不符合不代表錯誤，而是人類自己犯的錯誤。)

13、更強的前進選擇器

14、AlphaGo系統(tǒng)實際上需要兩個額外的位選擇器大腦。一個是“加強學習的政策網(wǎng)絡”，由百萬附加模擬局完成。你可以稱之為更強。與基礎訓練相比，它只教會網(wǎng)絡模仿單個人類的動作。高級訓練會把每一局模擬棋都玩到底，并教會網(wǎng)絡下一局最有可能贏的棋。Sliver的團隊通過更強的走法選擇器總結(jié)出了一個百萬級的訓練棋類游戲，比他們之前的版本迭代性強很多。

15、光是用這個選位器就已經(jīng)是強大的對手了，可以達到業(yè)余棋手的水平，或者堪比之前最強的圍棋AI。這里的要點是這個下拉選擇器不會“讀取”。它只是檢查單個棋盤的位置，然后提出從該位置分析的移動。它不會模擬任何未來的動作。這證明了簡單深度神經(jīng)網(wǎng)絡學習的力量。

16、快速移動選擇器

17、當然，團隊并沒有就此止步。下面我會解釋如何賦予AI閱讀能力。要做到這一點，他們需要一個更快版本的晚期選擇器大腦。版本越強，耗時越長?！徊胶闷遄叩脡蚩?，但“閱讀結(jié)構(gòu)”需要檢查成千上萬種可能性后再做決定。

18、Silver團隊設置了一個簡單的選擇器來制作“快速閱讀rdqu”

19、第二個大腦：位置評估者

20、AlphaGo的第二個大腦是相對于后面的選擇器來回答另一個問題。它不是猜測具體的下一步，而是在給定棋子位置的情況下，預測每個棋手贏棋的可能性。這個“形勢評估者”就是文中提到的“價值網(wǎng)”，通過對全局的判斷來輔助后選人。這個判斷只是大概，但是對提高閱讀速度很有幫助。通過對“好”和“壞”的潛在未來情況進行分類，AlphaGo可以決定是否通過特殊的變體進行深度閱讀。如果情況評估者說這個特殊的變體不好，那么AI將跳過閱讀這條線上的任何更多移動。

21、(態(tài)勢評估員怎么看這個棋盤？深藍色表示下一步有利贏棋的位置。)

22、局勢評估員也是通過數(shù)百萬次國際象棋比賽訓練出來的。Silver團隊通過復制兩個AlphaGo的最強選擇器，精心選擇隨機樣本，創(chuàng)造了這些情況。在這里，AI drop selector在高效創(chuàng)建大規(guī)模數(shù)據(jù)集以訓練情況評估器方面非常有價值。這種走法選擇器讓每個人模擬多種下法的可能性，從任意給定的棋盤局面中猜測雙方大概的勝算概率。但是人類的棋局不夠多，這種訓練恐怕很難完成。

23、增加閱讀量

24、以下是秋天的三個版本。

（蒙特卡洛樹搜索算法）

如果擁有無限的計算能力，MCTS可以理論上去計算最佳落子通過探索每一局的可能步驟。但未來走法的搜索空間對于圍棋來說太大了（大到比我們認知宇宙里的粒子還多），實際上AI沒有辦法探索每一個可能的變種。MCTS做法比其他AI有多好的原因是在識別有利的變種，這樣可以跳過一些不利的。

Silver團隊讓AlphaGo裝上MCTS系統(tǒng)的模塊，這種框架讓設計者去嵌入不同的功能去評估變種。最后馬力全開的AlphaGo系統(tǒng)按如下方式使用了所有這些大腦。

1. 從當前的棋盤布局，選擇哪些下一步的可能性。他們用基礎的落子選擇器大腦（他們嘗試使用更強的版本，但事實上讓AlphaGo更弱，因為這沒有讓MCTS提供更廣闊的選擇空間）。它集中在“明顯最好”的落子而不是閱讀很多，而不是再去選擇也許對后來有利的下法。

2. 對于每一個可能的落子，評估質(zhì)量有兩種方式：要么用棋盤上局面評估器在落子后，要么運行更深入蒙特卡羅模擬器（滾動）去思考未來的落子，使用快速閱讀的落子選擇器去提高搜索速度。AlphaGo使用簡單參數(shù)，“混合相關系數(shù)”，將每一個猜測取權(quán)重。最大馬力的AlphaGo使用 50/50的混合比，使用局面評估器和模擬化滾動去做平衡判斷。

隨著他們使用插件的不同，AlphaGo的能力變化和上述步驟的模擬。僅使用獨立大腦，AlphaGo跟最好的計算機圍棋AI差不多強，但當使用這些綜合手段，就可能到達職業(yè)人類選手水平。

（AlphaGo的能力變化與MCTS的插件是否使用有關。）

工程優(yōu)化：分布式計算，網(wǎng)絡計算機去提升MCTS速度，但這些都沒有改變基礎算法。這些算法部中分精確，部分近似。在特別情況下，AlphaGo通過更強的計算能力變的更強，但計算單元的提升率隨著性能變強而減緩。

優(yōu)勢和劣勢

我認為AlphaGo在小規(guī)模戰(zhàn)術(shù)上會非常厲害。它知道通過很多位置和類型找到人類最好的下法，所以不會在給定小范圍的戰(zhàn)術(shù)條件下犯明顯錯誤。

但是，AlphaGo有個弱點在全局判斷上。它看到棋盤式通過5*5金字塔似的過濾，這樣對于集成戰(zhàn)術(shù)小塊變成戰(zhàn)略整體上帶來麻煩，同樣道理，圖片分類神經(jīng)網(wǎng)絡往往對包含一個東西和另一個的搞不清。比如說圍棋在角落上一個定式造成一個墻或者引征，這會劇烈改變另一個角上的位置估值。

就像其他的基于MCTS的AI， AlphaGo對于需要很深入閱讀才能解決的大勢判斷上，還是麻煩重重的，比如說大龍生死劫。AlphaGo 對一些故意看起來正常的局也會失去判斷，天元開盤或者少見的定式，因為很多訓練是基于人類的棋局庫。

我還是很期待看到AlphaGo和李世石9段的對決！我預測是：如果李使用定式，就像跟其他職業(yè)棋手的對決，他可能會輸，但如果他讓AlphaGo陷入到不熟悉情形下，他可能就贏。

38、本文講解完畢，希望對大家有所幫助。

本文到此結(jié)束，希望對大家有所幫助。

版權(quán)說明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！

標簽：