这篇文章的主角是AlphaGo，谷歌DeepMind团队研发出有的棋士AI。其凭借着2016年打败全球顶尖棋手李世石的伟业而颇受注目。棋士是一种古老的棋类游戏，每一步都不存在诸多自由选择，因此接下来的落子方位很参议会预测——拒绝对局棋手享有强劲的直觉与抽象思维能力。
于是以因为如此，人们长久以来仍然指出只有人类擅长于下围棋。大多数研究人员甚至确认，还必须数十年才不会经常出现确实不具备这种思维能力的AI。
但如今距离AlphaGo对李世石的比赛早已过去了两年（3月8日至3月15日），而本篇文章正是为了纪念这个最出色的日子！不过更加可怕的是，AlphaGo并没暂停自己的行进脚步。8个月之后，它在某棋士网站上以“Master”名为与全球各地的冠军棋手展开了60盘职业对局，且夺下全胜成绩。这当然是人工智能领域的一项巨大成就，并在全球引发了一股新的辩论热潮——我们究竟该对人工智能的发展速度深感激动，还是担忧？今天，我们将以DeepMind在《大自然》杂志上公开发表的完整研究论文作为基础，弃段对其内容展开非常简单明晰的理解，详尽讲解AlphaGo是什么以及它的工作原理。
我也期望大家需要在读者本文之后，仍然被媒体头条抛的耸人听闻的标题所报复，而确实对关于人工智能的发展深感鼓舞。当然，你不必须掌控棋士技巧，也某种程度可以解读本文的观点。事实上，我本人读入过网络百科上的一丁点棋士解释。
忽略，我只不过不会用于基础的国际象棋示例来说明涉及算法。大家只必须理解双人棋类游戏的基本规则才可——每位运动员轮流行动，最后将产生一位赢家。
除此之外，你不必须理解任何物理学或高数科学知识。这样尽量减少入门门槛，是为了能让刚认识机器学习或者神经网络的朋友更容易拒绝接受。本文也故意减少了阐释复杂度，也是期望大家能把注意力尽可能集中于在内容本身。
内容摘要众所周知，AlphaGo项目的目标在于创建一款AI程序，并确保其需要与世界顶级人类运动员在棋士领域一较高下。为了解读棋士带给的挑战，我们首先聊聊与之类似的另一种棋类运动——国际象棋。
早于在上世纪九十年代初，IBM公司出有打造出深蓝计算机，其在国际象棋比赛中打败了最出色的世界冠军加里·卡斯帕罗夫。那么，深蓝是如何做这一点的？事实上，深蓝用于了一种十分“暴力”的作法。在游戏的每一步，深蓝都会对所有有可能做出的合理棋步做出考量，并沿着每种棋步探寻以分析未来的局势变化。
在这样的前瞻性分析之下，计算结果迅速构成一种千变万化的极大决策树。在此之后，深蓝不会沿着树状结构回到原点，仔细观察哪些棋步最有可能带给大力的结果。然而，何谓“大力的结果”？事实上，众多杰出的国际象棋棋手为深蓝精心设计出有了国际象棋策略，目的协助其做出更佳的决策——举例来说，是要求维护国王，还是在盘面的其它方位取得优势？他们针对此类目的建构起特定的“评估算法”，从而较为有所不同盘面方位的优势或劣势权重（IBM公司将专家们的国际象棋策略以软编码形式引进该评估函数）。
最后，深蓝不会据此自由选择出有经过精心计算出来的棋步。在接下来的淘汰赛中，整个过程再度反复。这意味著，深蓝在每一步之前都会考量数百万个理论方位。因此，深蓝最令人印象深刻印象的展现出并不在于人工智能软件层面，而反映在其硬件之上——IBM公司声称，深蓝是当时市场上尤为强劲的计算机之一。
其每秒需要计算出来2亿个盘面方位。现在让我们返回棋士方面。棋士似乎更加对外开放，因此如果在这里轻复深蓝的战略，将根本无法获得理想效果。
由于每个棋步都享有过多可选择的方位，因此计算机根本无法涵括这么多潜在的可能性。举例来说，在国际象棋的开局当中，只有20种有可能的下法；但在棋士方面，再行手运动员将享有361个有可能的落子点——而且这种自由选择范围在整个对局过程中仍然十分普遍。这就是所谓“极大搜寻空间”。
而且在棋士当中，辨别某个特定盘面方位的不利或有利权重并没有那么更容易——在官子阶段，双方甚至还必须再行化学键一阵才能最后确认谁才是胜利者。但是不是一种神秘的方法需要让计算机在棋士领域有所建树？答案是认同的，深度自学需要已完成这项艰难的任务！因此在本次研究当中，DeepMind方面利用神经网络来已完成以下两项任务。
他们训练了一套“策略神经网络（policyneuralnetwork）”以要求哪些才是特定盘面方位当中尤为明智的选项（这类似于遵循某种直观策略自由选择移动方位）。此外，他们还训练了一套“估值神经网络（valueneuralnetwork）”以估计特定盘面布局对运动员的不利程度（或者说，下在这个方位对夺得游戏这一目标的实际影响）。
他们首先用于人类棋谱对这些神经网络展开训练（也就是最传统但也十分有效地的监督式自学方法）。经历了这样的训练，我们的人工智能早已可以在一定程度上仿效人类的对局方式——这时的它，就像一位菜鸟级人类运动员。而后，为了更进一步训练神经网络，DeepMind方面让AI与自己展开数百万次对局（也就是“增强自学”的部分）。如此一来，凭借着更加充份的锻炼，AI的棋力获得了很大提高。
凭借这两套网络，DeepMind的人工智能方案就不足以享有等同于此前最先进设备的棋士程序的棋艺水平。二者的区别在于，原先程序用于了此前更加风行的预置游戏算法，即“蒙特卡洛树根搜寻（MonteCarloTreeSearch，全称MCTS）”，我们将在几天后明确展开讲解。
不过很显著，到这里我们还没谈及确实的核心。DeepMind的人工智能方案恨某种程度依赖策略与估值网络——其并非利用这两套网络来替代蒙特卡洛树根搜寻；忽略，其用于神经网络以更进一步提高MCTS算法的效益。
实际结果也显然令人满意——MCTS的展现出超过了超人的高度。这种经过改良的MCTS变种正是“AlphaGo”，其顺利打败了李世石，并沦为人工智能发展历史上仅次于的突破之一。下面我们确实开始对论文内容的解读，首先是其中用于的游戏策略——蒙特卡洛树根搜索算法。
只不过说道到这里，大家对其早已享有了基本了解，不足以成功解读本篇文章的内容。但如果你期望了解理解更加多细节，请参阅以下杰出的视频与博客文章：1．Udacity获取的系列短片2．JeffBradberry的MCTS理解3．FullstackAcademy获取的MCTS教程下面让我们回忆起一下本文的第一段内容。上述提及，深蓝计算机是如何在国际象棋的每一步当中建构起包括数以百万计盘面方位与棋步的决策树——计算机必须展开仿真、仔细观察并较为每一种有可能的落点——这是一种非常简单且十分必要的方法，如果一般的软件工程师必需要设计出有一种棋类程序，那么他们很可能会自由选择类似于的解决方案。
本文来源：免费pg电子游戏麻将-www.6181111.com
咨询电话：
扫一扫咨询微信客服