Facebook 田淵棟:第四局AlphaGo 敗招的分析 ( 附前3場比賽勝率...

按：本文作者田淵棟，已獲授權。

第四局李世石的78手L11挖被大家譽為「神之一手」，在DarkForest的策略網絡輸出裡排第31位，而J11靠排第10位。因此我覺得可能是AlphaGo沒有算到這一步。如果對方下了一手機器沒算到的棋，則蒙特卡羅（MCTS）搜索樹會清空，然後重新開始搜索，不應該會太快做出結論。李喆六段告訴我K10這一手是秒下，那有可能是時間管理子系統在搜索樹清空時有程序上的漏洞，因此過早地將搜索結果返回了。MCTS在一開始搜索的時候，因為模擬次數不夠多，每步的勝率方差非常大，所以返回一個不夠好的著法如K10是很正常的（在DarkForest裡面這著排在前四）。這個比較容易修正。

另一種可能是，AlphaGo的估值網絡出了問題。因為估值網絡的權重是0.5，而不管快速走子從一個局面開始重複了多少次，它的權值也是0.5。對於一個局面，估值網絡只得到一個數，而從這個局面往下走子，走多後會得到很多個數，統計上應該更為重要，但是AlphaGo不是這樣想的，兩邊各自算得勝率後直接對半平均了。所以如果估值網絡對某個局面得到的結果不對，則會極大地影響對該局面的勝率估計。注意這裡得到很多個數的原因是按照文章，葉結點在積累了一定盤數後（40）才展開，而不是第一次訪問就展開，以提高DCNN的效率。DarkForest沒有用到估值網絡，在L11的挖之後正確地返回了L12和L10這兩個應手，據李喆六段說，都是正確的應手，這間接支持了這個推斷。AlphaGo在87手之後才意識到自己已經大大落後，可能也是由於同樣的問題，比如說把右邊的黑大龍看成活的。

那為什麼估值網絡會出問題呢？可能是用於訓練估值網絡的自學習（Self-Play）的樣本分布有盲點。為了提高樣本生成速度，AlphaGo的自學習樣本是通過用兩個純粹的DCNN互搏來生成的（完全沒有搜索），而DCNN下出來的棋因為是純模式識別，一個大問題是死活不正確，經常是在死棋裡面下子。如果黑白兩方都犯了死活不分的毛病，然後一方比如說白僥倖勝了，那估值網絡就會認為方才白的死棋局面是好的。這樣估值網絡就會染上同樣毛病，在中盤複雜的對殺局面中判斷失誤。若是這種情況就不好處理，AlphaGo下一局可能還會有同樣的問題。這裡可以看到，電腦本身也不是靠窮舉來下棋的，圍棋畢竟太複雜，每一步都要剪枝，離當前局面近的仔細剪（用DCNN），離當前局面遠的快速剪（快速走子），直到終局得到勝負為止。剪枝的好壞直接關係到棋力的高低，DCNN只是一個有大局觀的非常好的剪枝手段，它的盲點也會通過敗著反映出來。

關於DCNN＋MCTS打劫。首先因為MCTS是全局估計分數的，劫爭本身和其它局面在程序看來沒有本質區別，都只是一步棋而已。劫的特殊性在DarkForest上表現為碰到有劫可提的情況時，DCNN經常會以非常高的概率（0.8以上）返回提劫這一手。可能的原因是，劫點是作為單獨的特徵輸入的，所以DCNN學習到了它和輸出（提劫）的強關聯性。這樣在MCTS搜索時會強烈偏向這一手。這在很多情況下是正確的，但有時劫很小可以不予理會，或者碰到兩個或者多個劫需要放棄一個，那「遇劫必提」的偏向性就會給搜索帶來麻煩。有時連環劫電腦反覆提就是這個原因。AlphaGo可能會有這個問題，或者是反向的問題（比如說提劫概率很小），這樣在下棋時大家就會感覺到它在避免開劫，或者在含劫的變化中計算失誤。

關於地平線效應(Horizon Effect)。國象的AI裡面會有這個效應，比如說只搜索10步，計算到別人的後被自己的後吃了結束，然後用簡單的加和法估計下盤面發現自己多個後特別爽，覺得這個分支特別好。其實再往下走一步自己的後也被別人吃了，或者掉入陷阱，這樣就誤算盤面價值。但是圍棋因為每次模擬都是走到底的，可能前30步是用DCNN，之後就是用快速走子，雖然走子質量上有差距，但是大方向上不會錯，所以地平線效應在某種程度上是減弱了。而且這次AlphaGo的失誤在20步以內，應該還在DCNN的範圍裡面，所以地平線效應的可能性比較低。

應大家要求，這裡放Game3的勝率，李世石毫無機會。

Game4的還沒空全跑，以下是關鍵的一段。注意DarkForest只是5d，所以沒有及早看出來黑掛了也是正常的。

編者一起放上作者的DarkForest對AlphaGo和李世石前兩局每步的勝率估計：

首先說明一下每個數據點是DF在當前局面下給出最優應手，同時給出的勝率。這個最優應手和選手的應手不一定一樣。如果大家要看DF給的應手，可以下載以下兩個文件：

yuandong-tian.com/win_rate1.txt

yuandong-tian.com/win_rate2.txt

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。