【弈客圍棋APP 記錄你的圍棋人生】
AlphaGo Zero = 啟發式搜索 + 強化學習 + 深度神經網絡，你中有我，我中有你，互相對抗，不斷自我進化。使用深度神經網絡的訓練作為策略改善，蒙特卡洛搜索樹作為策略評價的強化學習算法。
人工智慧長期以來的一個目標是創造一個能夠在具有挑戰性的領域，以超越人類的精通程度學習的算法，「tabularasa」（譯註：一種認知論觀念，認為指個體在沒有先天精神內容的情況下誕生，所有的知識都來自於後天的經驗或感知）。此前，AlphaGo成為首個在圍棋中戰勝人類世界冠軍的系統。AlphaGo的那些神經網絡使用人類專家下棋的數據進行監督學習訓練，同時也通過自我對弈進行強化學習。
在這裡，我們介紹一種僅基於強化學習的算法，不使用人類的數據、指導或規則以外的領域知識。AlphaGo成了自己的老師。我們訓練了一個神經網絡來預測AlphaGo自己的落子選擇和AlphaGo自我對弈的贏家。這種神經網絡提高了樹搜索的強度，使落子質量更高，自我對弈迭代更強。從「tabula rasa」開始，我們的新系統AlphaGo Zero實現了超人的表現，以100：0的成績擊敗了此前發表的AlphaGo。
全新的強化學習：自己成為自己的老師
AlphaGo Zero 得到這樣的結果，是利用了一種新的強化學習方式，在這個過程中，AlphaGo Zero 成為自己的老師。這個系統從一個對圍棋遊戲完全沒有任何知識的神經網絡開始。然後，通過將這個神經網絡與一種強大的搜索算法相結合，它就可以自己和自己下棋了。在它自我對弈的過程中，神經網絡被調整、更新，以預測下一個落子位置以及對局的最終贏家。
這個更新後的神經網絡又將與搜索算法重新組合，進而創建一個新的、更強大的 AlphaGoZero 版本，再次重複這個過程。在每一次迭代中，系統的性能都得到一點兒的提高，自我對弈的質量也在提高，這就使得神經網絡的預測越來越準確，得到更加強大的 AlphaGo Zero 版本。
這種技術比上一版本的 AlphaGo 更強大，因為它不再受限於人類知識的局限。相反，它可以從一張白紙的狀態開始，從世界上最強大的圍棋玩家——AlphaGo 自身——學習。
AlphaGo Zero 在其他方面也與之前的版本有所不同：
AlphaGo Zero 只使用圍棋棋盤上的黑子和白子作為輸入，而上一版本的 AlphaGo 的輸入包含了少量人工設計的特徵。
它只使用一個神經網絡，而不是兩個。以前版本的 AlphaGo 使用一個「策略網絡」（policy network）來選擇下一個落子位置和一個「價值網絡」（valuenetwork）來預測遊戲的贏家。這些在 AlphaGo Zero 中是聯合進行的，這使得它能夠更有效地進行訓練和評估。
AlphaGo Zero 不使用「走子演算」（rollout）——這是其他圍棋程序使用的快速、隨機遊戲，用來預測哪一方將從當前的棋局中獲勝。相反，它依賴於高質量的神經網絡來評估落子位置。
上面的所有這些不同之處都有助於提高系統的性能，使其更加通用。但使得這個系統更加強大和高效的是算法的改變。
在進行了3天的自我訓練後，AlphaGoZero 在100局比賽中以100：0擊敗了上一版本的 AlphaGo——而上一版本的 AlphaGo 擊敗了曾18次獲得圍棋世界冠軍的韓國九段棋士李世石。經過 40 天的自我訓練後，AlphaGo Zero 變得更加強大，超越了「Master」版本的 AlphaGo——Master曾擊敗世界上最優秀的棋士、世界第一的柯潔。
在經過數以百萬計的 AlphaGo vs AlphaGo 的對弈後，這個系統逐漸從零開始學會了下圍棋，在短短幾天內積累了人類數千年積累的知識。AlphaGo Zero 也發現了新的知識，開發出非常規的策略和創造性的新下法，這些新下法超越了它在與柯潔和李世乭比賽時發明的新技巧。
儘管目前仍處於早期階段，但 AlphaGo Zero 成為了朝著這個目標邁進的關鍵一步。DeepMind 聯合創始人兼 CEO Demis Hassabis 評論稱：「AlphaGo在短短兩年裡取得了如此令人驚嘆的成果。現在，AlphaGo Zero是我們項目中最強大的版本，它展示了我們在更少的計算能力，而且完全不使用人類數據的情況下可以取得如此大的進展。
「最終，我們希望利用這樣的算法突破來幫助解決現實世界的各種緊迫問題，例如蛋白質摺疊或新材料設計。如果我們能在這些問題上取得與AlphaGo同樣的進展，就有可能推動人類理解，並對我們的生活產生積極影響。」
AlphaGo Zero 技術細節拆解：將價值網絡和策略網絡整合為一個架構，整合蒙特卡洛搜索不斷迭代。
新方法使用了一個深度神經網絡 fθ，參數為 θ。這個神經網絡將原始棋盤表徵 s（棋子位置和歷史）作為輸入，輸出落子概率和一個值 (p, v)= fθ(s)。
落子概率向量 p 表示選擇下每一步棋（包括不下）的概率。值 v 是一個標量估值，衡量當前棋手在位置 s 獲勝的概率。
這個神經網絡將最初的 AlphaGo（下文中的AlphaGo Fan 和 AlphaGo Lee，分別指對戰樊麾和對戰李世石的版本）的策略網絡和價值網絡整合到一個架構裡，含有很多基於卷積神經網絡的殘差模塊，這些殘差模塊中使用了批正則化（batch normalization）和非線性整流函數（rectifier nonlinearities）。
AlphaGo Zero 的神經網絡使用自我對弈數據做訓練，這些自我對弈是在一種新的強化學習算法下完成的。在每個位置 s，神經網絡 fθ 都會進行蒙特卡洛樹搜索（MCTS）。MCTS 輸出下每步棋的落子概率 π。這樣搜索得出的概率通常比神經網絡 fθ(s) 的原始落子概率 p 要更加強一些；MCTS 也因此可以被視為一個更加強大的策略提升 operator。
系統通過搜索進行自我對弈，也即使用增強的基於 MCTS 的策略選擇下哪步棋，然後使用獲勝者 z 作為價值樣本，這個過程可以被視為一個強有力的策略評估 operator。
這一新的強化學習算法的核心思想是，在策略迭代的過程中，反覆使用這些搜索 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)。這些新的參數也被用於下一次自我對弈的迭代，讓搜索更強。下面的圖1 展示了自我對弈訓練的流程。
AlphaGo Zero 自我對弈訓練的流程示意圖
圖1：AlphaGo Zero 自我對弈訓練的流程：a. 程序自己和自己下棋，標記為s1, ..., sT。在每個位置st，一個MCTS αθ被執行（見圖2），使用最新的神經網絡fθ。每個走子選擇的依據是通過MCTS, at ? πt計算的搜索概率。最終的位置sT根據遊戲規則計算對局的最終勝者z。b. AlphaGo Zero 中神經網絡的訓練。該神經網絡將棋盤位置st作為輸入，與參數θ一起講它傳送到許多的卷積層，並同時輸出表示每一走子的概率分布的向量pt 和一個表示當前玩家在位置 st 上的贏率的標量值 vt。
MCTS 使用神經網絡 fθ 指導其模擬（參見圖2）。搜索樹中的每條邊 (s, a) 都存儲了一個概率先驗 P(s, a)，一個訪問數 N(s, a)，以及動作值 Q(s, a)。每次模擬都從根節點狀態開始，不斷迭代，選擇能將置信區間 Q(s, a)+ U(s, a) 的上層最大化的落子結果，直到走到葉節點 s′。
然後，網絡會擴充這個葉節點，並且只進行一次評估，生成概率先驗和評估值，(P(s′, •), V(s′))= fθ(s′)。在模擬中，遍歷每條邊 (s,a) 後，會更新訪問量 N(s, a)，然後將動作值更新，取所有模擬的平均值：
MCTS 可以被看做一種自我對弈算法：給定神經網絡參數θ 和一個根節點位置 s，計算搜索概率向量推薦落子 π = αθ(s)，與每步棋的訪問量指數成正比，τ 是溫度參數：
圖2：MCTS 使用神經網絡 fθ 模擬落子選擇的過程示意
神經網絡使用這個自我對弈的強化學習算法做訓練，正如上文介紹，這個算法使用 MCTS 下每一步棋。首先，神經網絡使用隨機權重θ0 初始化。在隨後的每一次迭代中，i ≥ 1，生成自我對弈棋譜（參見圖1的a）。在每個時間步長 t，運行一個 MCTS 搜索 πt =αθ (st)，使用上一次神經網絡 fθi?1 迭代的結果，然後根據搜索概率採樣下出一步棋。一局棋在第 T 步結束，也就是雙方都無法落子，搜索值降低到閾值以下的時候。隨後，進行計分，得出獎勵 rT ∈ {?1,+1}。
每一個時間步長 t 的數據都被存儲為 (st,πt, zt)，其中 zt = ± rT 就是從當前這步棋 t 看來最終獲勝的贏家。
同時（參見圖1 b），使用從最後一次自我對弈迭代的所有時間步長中獲取的數據 (s, π, z)，對新的網絡參數 θi進行訓練。調整神經網絡 (p, v) = fθi (s)，將預測值 v 和自我對比勝者 z 之間的誤差降低到最小，同時將神經網絡落子概率 p 和搜索概率 π 之間的相似度提升到最大。
具體說，我們用損失函數 l 的梯度下降來調節參數 θ，這個損失函數表示如下，其中 c 是控制 L2 權重正則化水平的參數（防止過擬合）：
評估結果：21天就比戰勝柯潔的Master更加厲害
DeepMind官方博客上介紹了AlphaGo Zero與此前版本的對比。完全從零開始，3天超越AlphaGo李世石版本，21天達到Master水平。
幾個不同版本的計算力對比如下：
論文中，為了分開結構和算法的貢獻，DeepMind研究人員還比較了 AlphaGo Zero 的神經網絡架構和先前與李世石對弈時的 AlphaGo （記為 AlphaGo Lee）的神經網絡架構的性能（見圖4）。
我們構建了4個神經網絡，分別是在AlphaGo Lee 中使用的分開的策略網絡和價值網絡，或者在 AlphaGo Zero 中使用的合併的策略和價值網絡；以及 AlphaGo Lee 使用的卷積網絡架構，或 AlphaGo Zero 使用的殘差網絡架構。每個網絡都被訓練以最小化同一個損失函數（公式1），訓練使用的是 AlphaGo Zero 在72小時的自我對弈之後產生的同一個自我對弈棋局數據集。
使用殘差網絡的準確率更高，誤差更低，在 AlphaGo 達到600 Elo（等級分）的性能提高。將策略（policy）和價值（value）結合到一個單一的網絡中的話，走子預測的準確性略微降低了，但是價值錯誤也降低了，並且將 AlphaGo 的性能再提高了600 Elo。這在一定程度上是由於提高了計算效率，但更重要的是，雙目標使網絡成為支持多個用例的常規表示。
圖4：AlphaGo Zero 和 AlphaGo Lee 的神經網絡架構比較。使用分開的策略和價值網絡記為（sep），使用組合的策略和價值網絡記為（dual），使用卷積網絡記為（conv），使用殘差網絡記為（res）。「dual-res」和「sep-conv」分別表示在 AlphaGo Zero 和 AlphaGo Lee 中使用的神經網絡架構。每個網絡都在同一個數據集上訓練，該數據集由 AlphaGo Zero 的自我對弈產生。a，每個訓練好的網絡都與 AlphaGo Zero 的搜索相結合，以得到一個不同的玩家。Elo等級分是由這些不同玩家之間的評估遊戲計算得到的，每一步棋有5秒的思考時間。b，對每個網絡架構的職業棋手的走法（從GoKifu數據集得來）的預測準確性。c，每個網絡架構的人類職業棋手的棋局結果（從GoKifu數據集得來）的MSE。
AlphaGo Zero學到的知識。a）AlphaGo Zero訓練期間發現的五個人類定式（常見的角落序列）。b）自我對弈中愛用的5個定式。c）在不同訓練階段進行的3次自我對弈的前80步棋，每次搜索使用1,600次模擬（約0.4s）。最開始，系統關注奪子，很像人類初學者。而後，關注勢和地，也即圍棋根本。最後，整場比賽體現出了很好的平衡，涉及多次戰鬥和一場複雜的戰鬥，最終以白棋多半子獲勝。
「Zero提高了計算效率，並且沒有使用到任何人類圍棋數據，」AlphaGo之父、DeepMind聯合創始人兼 CEO 戴密斯•哈薩比斯（Demis Hassabis）說。AlphaGo此前的版本，結合了數百萬人類圍棋專家的棋譜，以及強化學習的監督學習進行了自我訓練。在戰勝人類圍棋職業高手之前，它經過了好幾個月的訓練，依靠的是多臺機器和48個TPU（谷歌專為加速深層神經網絡運算能力而研發的晶片）。AlphaGo Zero的能力則在這個基礎上有了質的提升。最大的區別是，它不再需要人類數據。也就是說，它一開始就沒有接觸過人類棋譜。研發團隊只是讓它自由隨意地在棋盤上下棋，然後進行自我博弈。AlphaGo Zero強化學習下的自我對弈。經過幾天的訓練，AlphaGo Zero完成了近5百萬盤的自我博弈後，已經可以超越人類，並擊敗了此前所有版本的AlphaGo。
DeepMind團隊在官方博客上稱，Zero用更新後的神經網絡和搜索算法重組，隨著訓練地加深，系統的表現一點一點地在進步。自我博弈的成績也越來越好，同時，神經網絡也變得更準確。AlphaGo Zero習得知識的過程「這些技術細節強於此前版本的原因是，我們不再受到人類知識的限制，它可以向圍棋領域裡最高的選手——AlphaGo自身學習。」 AlphaGo團隊負責人大衛•席爾瓦（Dave Sliver）說。
據大衛•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。系統一開始甚至並不知道什麼是圍棋，只是從單一神經網絡開始，通過神經網絡強大的搜索算法，進行了自我對弈。
隨著自我博弈的增加，神經網絡逐漸調整，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團隊發現，AlphaGo Zero還獨立發現了遊戲規則，並走出了新策略，為圍棋這項古老遊戲帶來了新的見解。
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徵輸入。
其次，AlphaGo Zero僅用了單一的神經網絡。在此前的版本中，AlphaGo用到了「策略網絡」來選擇下一步棋的走法，以及使用「價值網絡」來預測每一步棋後的贏家。而在新的版本中，這兩個神經網絡合二為一，從而讓它能得到更高效的訓練和評估。
第三，AlphaGo Zero並不使用快速、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網絡來評估下棋的局勢。席爾瓦繼續稱：「在每場對弈結束後，AlphaGo Zero實際上都訓練了一個新的神經網絡。它改進了自己的神經網絡，預測AlphaGoZero自己的棋路，同時也預測了這些遊戲的贏家。當AlphaGo Zero這樣做的時候，實際上會產生一個更強大的神經網絡，這將導致『玩家』進行新的迭代。因此，我們最終得到了一個新版AlphaGo Zero，它比之前的版本更強大。而且隨著這個過程不斷重複，它也可以產生更高質量的數據，並用於訓練更好的神經網絡。」
AlphaGo 小傳
姓名：AlphaGo（Fan，Lee，Master，Zero）
別名：阿老師，阿爾法狗
生日：2014年
出生地：英國倫敦
1、擊敗樊麾
2015年10月，AlphaGo擊敗樊麾，成為第一個無需讓子即可在19路棋盤上擊敗圍棋職業棋手的電腦圍棋程序，寫下了歷史，相關成果在2016年1月發表於Nature。
2、擊敗李世石
2016年3月，AlphaGo在一場五番棋比賽中4:1擊敗尖端職業棋手李世石，成為第一個不藉助讓子而擊敗圍棋職業九段棋手的電腦圍棋程序，再創歷史。五局賽後韓國棋院授予AlphaGo有史以來第一位名譽職業九段。
3、排名短暫超越柯潔
2016年7月18日，AlphaGo在GoRatings網站的排名升至世界第一。但幾天之後被柯潔反超。
4、化名「Master」橫掃棋界
2016年底至2017年年初，再度強化的AlphaGo以「Master」為名，在未公開其真實身份的情況下，借非正式的網絡快棋對戰進行測試，挑戰中韓日臺的一流高手，60戰全勝
5、戰勝柯潔，成為世界第一
2017年5月23至27日烏鎮圍棋峰會，最新的強化版AlphaGo和世界第一棋手柯潔對局，並配合八段棋手協同作戰與對決五位頂尖九段棋手等五場比賽，獲取3比零全勝的戰績，團隊戰與組隊戰也全勝。這次AlphaGo的運算資源消耗僅李世石版本的十分之一。在與柯潔的比賽結束後，中國圍棋協會授予AlphaGo職業圍棋九段的稱號。
AlphaGo在沒有人類對手後，2017年5月25日，AlphaGo之父傑米斯•哈薩比斯宣布AlphaGo退役。AlphaGo的研究計劃於2014年開始，從業餘棋手的水平到世界第一，AlphaGo的棋力獲取這樣的進步，僅僅花了兩年左右。
AlphaGo雖已退休，但技術永存。
謹以此文，致敬AlphaGo，以及研發AlphaGo的人。