AlphaGo（阿爾法狗）戰(zhàn)勝了柯潔，人工智能贏了，贏家仍然是人類！

深度強(qiáng)化學(xué)習(xí)DRL，其中一個(gè)最最經(jīng)典的應(yīng)用就是谷歌DeepMind團(tuán)隊(duì)研發(fā)的圍棋程序AlphaGo（阿爾法狗）。AlphaGo的勝利將深度強(qiáng)化學(xué)習(xí)推上新的熱點(diǎn)和高度，成為AI人工智能歷史上一個(gè)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(shè)計(jì)：

圍棋是一個(gè)完美的、有趣的數(shù)學(xué)問題。

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

當(dāng)狀態(tài)s下，暫時(shí)不考慮無法落子的地方，可供下一步落子的空間也是361個(gè)。把下一步的落子的行動(dòng)也用361維的向量來表示記為a。

于是，設(shè)計(jì)一個(gè)圍棋人工智能的程序，就轉(zhuǎn)變?yōu)椋喝我饨o定一個(gè)s狀態(tài)，尋找最好的應(yīng)對(duì)策略a，讓程序按照這個(gè)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(shè)計(jì)的。

AlphaGo概述：

AlphaGo（阿爾法狗）創(chuàng)新性地將深度強(qiáng)化學(xué)習(xí)DRL和蒙特卡羅樹搜索MCTS相結(jié)合， 通過價(jià)值網(wǎng)絡(luò)（value network）評(píng)估局面以減小搜索深度， 利用策略網(wǎng)絡(luò)（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(tǒng)中除了深度強(qiáng)化學(xué)習(xí)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(gè)落子位置。假如計(jì)算機(jī)有足夠的計(jì)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(yōu)或次優(yōu)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(shù)，大約是 250＾150 數(shù)量級(jí)，即圍棋的計(jì)算復(fù)雜度約為250的150次方。假如采用傳統(tǒng)的暴力搜索方式（遍歷搜索方式），用當(dāng)今世界最強(qiáng)大云計(jì)算系統(tǒng)，算幾十年也算不完。按照現(xiàn)有的計(jì)算能力是遠(yuǎn)遠(yuǎn)無法解決圍棋問題的。早期計(jì)算機(jī)圍棋軟件通過專家系統(tǒng)和模糊匹配縮小搜索空間， 減輕計(jì)算強(qiáng)度， 但受限于計(jì)算資源和硬件能力， 實(shí)際效果并不理想。

但是到了2006年，蒙特卡羅樹搜索的應(yīng)用標(biāo)志著計(jì)算機(jī)圍棋進(jìn)入了嶄新階段。

AlphaGo系統(tǒng)組成：

AlphaGo（阿爾法狗）系統(tǒng)主要由幾個(gè)部分組成：

1．策略網(wǎng)絡(luò)（Policy Network）：給定當(dāng)前圍棋局面，預(yù)測(cè)／采樣下一步的走棋。

2．快速走子（Fast rollout）：目標(biāo)和策略網(wǎng)絡(luò)一樣，只不過圍棋有時(shí)間限制，需要在規(guī)定時(shí)間內(nèi)適當(dāng)犧牲走棋質(zhì)量情況下，快速落子，速度要比策略網(wǎng)絡(luò)要快1000倍。

3．價(jià)值網(wǎng)絡(luò)（Value Network）：給定當(dāng)前圍棋局面，估計(jì)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(yōu)或次優(yōu)位置。

把以上這四個(gè)部分結(jié)合起來，形成一個(gè)完整的AlphaGo（阿爾法狗）系統(tǒng)。

蒙特卡洛樹搜索 （MCTS） 是一個(gè)大框架，許多博弈AI都會(huì)采用這個(gè)框架。強(qiáng)化學(xué)習(xí)（RL）是學(xué)習(xí)方法，用來提升AI的實(shí)力。深度學(xué)習(xí)（DL）采用了深度神經(jīng)網(wǎng)絡(luò) （DNN），它是工具，用來擬合圍棋局面評(píng)估函數(shù)和策略函數(shù)的。蒙特卡洛樹搜索 （MCTS） 和強(qiáng)化學(xué)習(xí)RL讓具有自學(xué)能力、并行的圍棋博弈算法成為可能。深度學(xué)習(xí)（DL）讓量化地評(píng)估圍棋局面成為了可能。

小結(jié)：

可以說 AlphaGo 最大優(yōu)勢(shì)就是它應(yīng)用了通用算法，而不是僅局限于圍棋領(lǐng)域的算法。AlphaGo勝利證明了像圍棋這樣復(fù)雜的問題，都可以通過先進(jìn)的AI人工智能技術(shù)來解決。