AlphaGo Zero強化學習下的自我對弈,。

經(jīng)過幾天的訓練,，AlphaGo Zero完成了近5百萬盤的自我博弈后,，已經(jīng)可以超越人類，并擊敗了此前所有版本的AlphaGo,。DeepMind團隊在官方博客上稱，Zero用更新后的神經(jīng)網(wǎng)絡和搜索算法重組,，隨著訓練地加深,，系統(tǒng)的表現(xiàn)一點一點地在進步。自我博弈的成績也越來越好,，同時,，神經(jīng)網(wǎng)絡也變得更準確。

AlphaGo Zero習得知識的過程

“這些技術細節(jié)強于此前版本的原因是,，我們不再受到人類知識的限制,，它可以向圍棋領域里最高的選手——AlphaGo自身學習?！?nbsp;AlphaGo團隊負責人大衛(wèi)·席爾瓦（Dave Sliver）說,。

據(jù)大衛(wèi)·席爾瓦介紹，AlphaGo Zero使用新的強化學習方法,，讓自己變成了老師,。系統(tǒng)一開始甚至并不知道什么是圍棋，只是從單一神經(jīng)網(wǎng)絡開始,，通過神經(jīng)網(wǎng)絡強大的搜索算法,，進行了自我對弈。

隨著自我博弈的增加,，神經(jīng)網(wǎng)絡逐漸調整,，提升預測下一步的能力，最終贏得比賽,。更為厲害的是,，隨著訓練的深入,，DeepMind團隊發(fā)現(xiàn)，AlphaGo Zero還獨立發(fā)現(xiàn)了游戲規(guī)則,，并走出了新策略,，為圍棋這項古老游戲帶來了新的見解。

自學3天,，就打敗了舊版AlphaGo

除了上述的區(qū)別之外,，AlphaGo Zero還在3個方面與此前版本有明顯差別。

AlphaGo-Zero的訓練時間軸

首先,，AlphaGo Zero僅用棋盤上的黑白子作為輸入,，而前代則包括了小部分人工設計的特征輸入。

其次,，AlphaGo Zero僅用了單一的神經(jīng)網(wǎng)絡,。在此前的版本中，AlphaGo用到了“策略網(wǎng)絡”來選擇下一步棋的走法,，以及使用“價值網(wǎng)絡”來預測每一步棋后的贏家,。而在新的版本中，這兩個神經(jīng)網(wǎng)絡合二為一,，從而讓它能得到更高效的訓練和評估,。

第三，AlphaGo Zero并不使用快速,、隨機的走子方法,。在此前的版本中，AlphaGo用的是快速走子方法,，來預測哪個玩家會從當前的局面中贏得比賽,。相反,，新版本依靠地是其高質量的神經(jīng)網(wǎng)絡來評估下棋的局勢。

相關報道:

• 柯潔阿爾法狗和李世石 他們的恩怨已經(jīng)延續(xù)幾十年了

• 王思聰懟柯潔之后 馬云又懟上阿爾法狗:沒意思!(圖)

• 五名九段棋手組團迎戰(zhàn)AlphaGo：被團滅(組圖)

• 柯潔首輪不敵阿爾法狗 明知敗局已定依然下完全局