AlphaGo（阿爾法狗）戰勝了柯潔，人工智能贏了，贏家仍然是人類！

之前介紹過深度強化學習DRL，其中一個最最經典的應用就是谷歌DeepMind團隊研發的圍棋程序AlphaGo（阿爾法狗）。AlphaGo的勝利將深度強化學習推上新的熱點和高度，成為AI人工智能歷史上一個新的里程碑。

有必要跟大家一起探討一下AlphaGo（阿爾法狗），了解一下AlphaGo背后神奇的AI力量。

圍棋的程序設計：

圍棋是一個完美的、有趣的數學問題。

圍棋棋盤是19x19路，所以一共是361個交叉點，每個交叉點有三種狀態，可以用1表示黑子，－1表示白字，0表示無子，考慮到每個位置還可能有落子的時間、這個位置的氣等其他信息，可以用一個361 ＊ n維的向量來表示一個棋盤的狀態。則把一個棋盤狀態向量記為s。

當狀態s下，暫時不考慮無法落子的地方，可供下一步落子的空間也是361個。把下一步的落子的行動也用361維的向量來表示記為a。

于是，設計一個圍棋人工智能的程序，就轉變為：任意給定一個s狀態，尋找最好的應對策略a，讓程序按照這個策略走，最后獲得棋盤上最大的地盤。

谷歌DeepMind的圍棋程序AlphaGo（阿爾法狗）就是基于這樣思想設計的。

AlphaGo概述：

AlphaGo（阿爾法狗）創新性地將深度強化學習DRL和蒙特卡羅樹搜索MCTS相結合， 通過價值網絡（value network）評估局面以減小搜索深度， 利用策略網絡（policy network）降低搜索寬度， 使搜索效率得到大幅提升， 勝率估算也更加精確。

MCTS必要性：

AlphaGo（阿爾法狗）系統中除了深度強化學習DRL外，為什么還需要蒙特卡羅樹搜索？

圍棋棋面總共有19 ＊ 19 ＝ 361個落子位置。假如計算機有足夠的計算能力，理論上來說，可以窮舉黑白雙方所有可能的落子位置，找到最優或次優落子策略。如果窮舉黑白雙方所有可能的落子位置，各種組合的總數，大約是 250＾150 數量級，即圍棋的計算復雜度約為250的150次方。假如采用傳統的暴力搜索方式（遍歷搜索方式），用當今世界最強大云計算系統，算幾十年也算不完。按照現有的計算能力是遠遠無法解決圍棋問題的。早期計算機圍棋軟件通過專家系統和模糊匹配縮小搜索空間， 減輕計算強度， 但受限于計算資源和硬件能力， 實際效果并不理想。

但是到了2006年，蒙特卡羅樹搜索的應用標志著計算機圍棋進入了嶄新階段。

AlphaGo網絡結構：

網絡結構如下圖所示：

AlphaGo系統組成：

AlphaGo（阿爾法狗）系統主要由幾個部分組成：

1．策略網絡（Policy Network）：給定當前圍棋局面，預測／采樣下一步的走棋。

2．快速走子（Fast rollout）：目標和策略網絡一樣，只不過圍棋有時間限制，需要在規定時間內適當犧牲走棋質量情況下，快速落子，速度要比策略網絡要快1000倍。

3．價值網絡（Value Network）：給定當前圍棋局面，估計是白勝還是黑勝。

4．蒙特卡羅樹搜索（Monte Carlo Tree Search）：不窮舉所有組合，找到最優或次優位置。

把以上這四個部分結合起來，形成一個完整的AlphaGo（阿爾法狗）系統。

蒙特卡洛樹搜索 （MCTS） 是一個大框架，許多博弈AI都會采用這個框架。強化學習（RL）是學習方法，用來提升AI的實力。深度學習（DL）采用了深度神經網絡 （DNN），它是工具，用來擬合圍棋局面評估函數和策略函數的。蒙特卡洛樹搜索 （MCTS） 和強化學習RL讓具有自學能力、并行的圍棋博弈算法成為可能。深度學習（DL）讓量化地評估圍棋局面成為了可能。

小結：

可以說 AlphaGo 最大優勢就是它應用了通用算法，而不是僅局限于圍棋領域的算法。AlphaGo勝利證明了像圍棋這樣復雜的問題，都可以通過先進的AI人工智能技術來解決。