導讀：新的AlphaGo Zero使用了一種全新的強化學習方式，從0基礎的神經網絡開始，與搜索算法結合，不斷進化調整、迭代升級。AlphaGo Zero的不同之處在於：除了黑白棋子，沒有其他人類教給AlphaGo Zero怎麽下棋。而之前的AlphaGo包含少量人工設計的特征。

　　“它最終超越了我們所有預期”。

　　DeepMind團隊又放驚天消息。

　　簡單地說，AlphaGo又有了重大進步。DeepMind把這個新版本的圍棋AI稱為AlphaGo Zero。之所以這樣命名，是因為這個AI完全從零開始，自我學習下圍棋，完全脫離人類知識。

　　以前其他版本的AlphaGo，都經過人類知識的訓練，它們被告知人類高手如何下棋。而最新發布的AlphaGo Zero使用了更多原理和算法，從0開始，使用隨機招式，40天後成為圍棋界的絕世高手。真真正正的自學成才。

　　新的AlphaGo Zero使用了一種全新的強化學習方式，從0基礎的神經網絡開始，與搜索算法結合，不斷進化調整、迭代升級。AlphaGo Zero的不同之處在於：

　　除了黑白棋子，沒有其他人類教給AlphaGo Zero怎麽下棋。而之前的AlphaGo包含少量人工設計的特征。

　　AlphaGo Zero隻用了一個神經網絡，而不是兩個。以前AlphaGo是由“策略網絡”和“價值網絡”來共同確定如何落子。

　　AlphaGo Zero依賴神經網絡來評估落子位置，而不使用rollouts——這是其他圍棋程序使用的快速、隨機遊戲，用來預測哪一方會獲勝。

　　創新工場AI工程院副院長王詠剛用“大道至簡”四個字評價新版的AlphaGo Zero。

　　上述種種，讓AlphaGo Zero異常強大。

　　“人們一般認為機器學習就是關於大數據和海量計算，但是DeepMind通過AlphaGo Zero的案例發現，算法比計算或者數據可用性更重要”，AlphaGo團隊負責人席爾瓦(Dave Silver)介紹說，AlphaGo Zero的計算，比之前的AlphaGo減少了一個數量級。

　　如上圖所示，AlphaGo Zero也隻用了4個TPU。

　　AlphaGo Zero到底多厲害，且看官方公布的成績單：

　　3小時後，AlphaGo Zero成功入門圍棋。

　　僅僅36小時後，AlphaGo Zero就摸索出所有基本而且重要的圍棋知識，以100:0的戰績，碾壓了當年擊敗李世乭的AlphaGo v18版本。

　　21天後，AlphaGo Zero達到了Master的水平。這也就是年初在網上60連勝橫掃圍棋界的版本。Master後來擊敗了柯潔。

　　40天後，AlphaGo Zero對戰Master的勝率達到90%。也就是說，AlphaGo Zero成為寂寞無敵的最強圍棋AI。

　　DeepMind主要作者之一的黃士傑博士總結：AlphaGo Zero完全從零開始，初始階段甚至會填真眼自殺。AlphaGo Zero自學而成的圍棋知識，例如打劫、征子、棋形、布局先下在角等等，都與人類的圍棋觀念一致。

　　“間接呼應了人類幾千年依賴圍棋研究的價值”，黃士傑寫道。

　　技術細節

　　DeepMind的最新研究成果，已經全文發布在《自然》雜誌上。這也是第二篇在《自然》雜誌上發表的AlphaGo論文。

　　論文摘要

　　人工智能的長期目標是創造一個會學習的算法，能在特定領域中從一塊白板開始，超越人類。最近，AlphaGo成為第一個在圍棋遊戲中打敗世界冠軍的程序。AlphaGo中的樹搜索使用深度神經網絡來評估位置、選擇落子。這些神經網絡用人類專家的棋譜來進行監督學習的訓練，並通過自我對弈來進行強化學習。本文介紹了一種僅基於強化學習的方法，除了遊戲規則之外，沒有人類的數據、指導或者領域知識。AlphaGo成了它自己的老師：一個被訓練來預測AlphaGo自己落子選擇以及對弈結果的神經網絡。這個神經網絡提高了樹搜索的強度，提高了落子質量、增強了自我對弈迭代的能力。從一塊白板開始，我們的新程序AlphaGo Zero的表現超越了人類，並以100-10擊敗了以前曾打敗世界冠軍的AlphaGo版本。

　　AlphaGo Zero的強化學習

　　上麵提到AlphaGo使用了一個神經網絡，這是怎麽做到的？

　　DeepMind使用了一個新的神經網絡fθ，θ是參數。這個神經網絡將原始棋盤表征s（落子位置和過程）作為輸入，輸出落子概率(p, v)= fθ(s)。這裏的落子概率向量p表示下一步的概率，而v是一個標量估值，衡量當前落子位置s獲勝的概率。

　　這個神經網絡把之前AlphaGo所使用的策略網絡和價值網絡，整合成一個單獨的架構。其中包含很多基於卷積神經網絡的殘差模塊。

　　AlphaGo Zero的神經網絡，使用新的強化學習算法，自我對弈進行訓練。在每個落子位置s，神經網絡fθ指導進行MCTS（蒙特卡洛樹）搜索。MCTS搜索給出每一步的落子概率π。通常這種方式會選出更有效的落子方式。

　　因此，MCTS可以被看作是一個強大的策略提升operator。這個係統通過搜索進行自我對弈，使用增強的MCTS策略決定如何落子，然後把獲勝z作為價值樣本。

　　這個強化學習算法的主要理念，實在策略迭代過程中，反複使用這些這些搜索operator：神經網絡的參數不斷更新，讓落子概率和價值（P,v）=fθ(s)越來越接近改善後的搜索概率和自我對弈贏家（π, z）。這些新參數也被用於下一次的自我對弈迭代，讓搜索變得更強大。整個過程如下圖所示。

　　上圖解釋了AlphaGo Zero中的自我對弈強化學習。圖a展示了程序的自我對弈過程。程序在從s1到st的棋局中進行自我對弈，在任意位置st，程序會用最新的神經網絡fθ來執行MCTS αθ，根據MCTS計算出的搜索概率at?πt選擇落子位置，根據遊戲規則來決定最終位置sT，並計算出勝者z。

　　圖b展示了AlphaGo Zero中的神經網絡訓練過程，神經網絡以棋盤位置st為輸入，將它和參數θ通過多層CNN傳遞，輸出向量Pt和張量值vt，Pt表示幾步之後可能的局麵，vt表示st位置上當前玩家的勝率。為了將Pt和搜索概率πt的相似度最大化，並最小化vt和遊戲實際勝者z之間的誤差，神經網絡的參數θ會不斷更新，更新後的參數會用到如圖a所示的下一次自我對弈迭代中。

　　AlpaGo Zero中的MCTS結構如上圖所示，從圖a顯示的選擇步驟可以看出，每次模擬都會通過選擇最大行為價值Q的邊緣，加上置信區間上限U來遍曆樹，U取決於存儲先驗概率P和訪問次數N。

　　圖b顯示，葉節點擴展和相關位置s的評估都是通過神經網絡(P(s, ·)，V(s)) = fθ(s)實現的，P的向量值存儲在s的出口邊緣。

　　圖c顯示了更新行為價值Q以追蹤該行為下麵子樹中所有評估V的平均值。

　　圖d顯示，搜索完成後，搜索概率π返回，與N1/τ成比例，其中N是從根狀態每次移動的訪問次數，τ是控製溫度的參數。

　　從零開始的訓練

　　DeepMind在論文中表示，應用了強化學習的pipeline來訓練AlphaGo Zero，訓練從完全隨機的行為開始，並在沒有認為幹預的情況下持續3天。

　　訓練過程中，生成了490萬盤自我博弈對局，每個MCTS使用1600次模擬，相當於每下一步思考0.4秒。下圖顯示了在自我對弈強化學習期間，AlphaGo Zero的表現。整個訓練過程中，沒有出現震蕩或者災難性遺忘的困擾。

　　令人驚訝的是，AlphaGo Zero在訓練36小時後，表現就優於擊敗李世乭的版本AlphaGo Lee。當年那個版本經過了數月的訓練。AlphaGo Zero使用了4個TPU，而擊敗李世乭的AlphaGo使用了48個TPU。

　　下圖就是AlphaGo Zero和AlphaGo Lee的神經網絡架構比較。