雷鋒網(wǎng) AI 科技評論按：一年前，Alphabet 旗下人工智能部門 DeepMind 發(fā)布 AlphaZero，稱它可以自學國際象棋、日本將棋和中國圍棋，并且項項都能擊敗世界冠軍。而今天，經(jīng)過同行評議，AlphaZero 一舉登上《科學》雜志封面。

據(jù)此前 DeepMind 在 AlphaZero 的論文中介紹，AlphaZero 使用了完全無需人工特征、無需任何人類棋譜、甚至無需任何特定優(yōu)化的通用強化學習算法。也就是說，AlphaZero 實質(zhì)上就是 AlphaGo Zero 的通用化進化版本，它繼續(xù)保持了 AlphaGo Zero 中不需要人工特征、利用深度神經(jīng)網(wǎng)絡(luò)從零開始進行強化學習、結(jié)合蒙特卡洛樹搜索的特點，并在此基礎(chǔ)上，更新網(wǎng)絡(luò)參數(shù)，減小網(wǎng)絡(luò)估計的比賽結(jié)果和實際結(jié)果之間的誤差，同時最大化策略網(wǎng)絡(luò)輸出動作和蒙特卡洛樹搜索可能性之間的相似度。

然而，在 DeepMind 發(fā)布 AlphaZero 之際，AlphaZero 也遭到了某種程度的質(zhì)疑，例如，一位 AI 研究人員就指出，DeepMind 沒有公開它的 AI 系統(tǒng)源代碼，因此難以檢驗和重復它公布的結(jié)果。而如今這項研究成果經(jīng)過同行評議登上《科學》雜志的首頁，算是得到了證明。有趣的是，AlphaZero 的直接對手——棋手們也紛紛表達了他們的贊許：

例如日本將棋 9 段職業(yè)選手、棋史上唯一一位獲得「永世七冠」頭銜的棋士 Yoshiharu Habu 就評價道：

它的一些移動方法，比如將 King 移到棋盤的中心，就違背了日本將棋棋法。從人類的角度來看，AlphaZero 的這種做法似乎已將其置于危險的境地，但令人難以置信的是，它仍然掌控住了棋局。它獨特的下棋風格，讓我們看到了棋法新的可能性。

而前國際象棋世界冠軍 Garry Kasparov 也止不住地稱贊道：

• 我無法掩飾我的贊許，因為它的下棋風格靈活多變，這跟我自己的風格很像！

• 一個多世紀以來，象棋一直被用作人類和機器認知的羅塞塔石碑。AlphaZero 以一種獨特的方式，對古代棋盤游戲與前沿科學之間的顯著聯(lián)系帶來了新的東西。

• 其影響遠遠超出了我心愛的棋盤。這些自學成才的專家機器不僅表現(xiàn)得無比出色，而且實際上，我們?nèi)祟愡€可以從它們產(chǎn)出的新知識中學習。

正如我們在前面提到的，AlphaZero 是 AlphaGo Zero 的通用化進化版本，而 AlphaGo Zero 又源自于 AlphaGo，接下來我們不妨簡單回顧一下這幾個版本：

最初的 AlphaGo 的工作原理是：

在蒙特卡羅樹搜索（MCTS）的框架下引入兩個卷積神經(jīng)網(wǎng)絡(luò)策略網(wǎng)絡(luò)和價值網(wǎng)絡(luò)以改進純隨機的蒙特卡羅（Monte Carlo）模擬，并借助監(jiān)督學習和強化學習訓練這兩個網(wǎng)絡(luò)，然后主要靠策略網(wǎng)絡(luò)和價值網(wǎng)絡(luò)分別預(yù)測下一步落子的點以及評估當前的局勢。

而從 AlphaGo 到 AlphaGo Zero，系統(tǒng)的思路和模型結(jié)構(gòu)都得到了大幅度簡化，帶來的是更快的訓練和運行速度，以及更高的棋力。

• 在更早版本的 AlphaGo 中，策略網(wǎng)絡(luò)和價值網(wǎng)絡(luò)是兩個不同的深度神經(jīng)網(wǎng)絡(luò)，Zero 版本中是同一個 ResNet 的兩組輸出；

• AlphaGo Zero 之前幾個版本中都需要先把局面轉(zhuǎn)換為高一層的人工特征再作為網(wǎng)絡(luò)的輸入、需要先學習人類棋譜再轉(zhuǎn)變到自我對弈的強化學習、有一個單獨的快速走子網(wǎng)絡(luò)進行隨機模擬，而 AlphaGo Zero 則把局面落子情況直接作為網(wǎng)絡(luò)的輸入、由隨機的網(wǎng)絡(luò)權(quán)值直接開始強化學習、舍棄快速走子網(wǎng)絡(luò)直接用主要的神經(jīng)網(wǎng)絡(luò)模擬走子。

接著從 AlphaGo Zero 到 AlphaZero，發(fā)生的變化主要體現(xiàn)在如下幾個方面：

第一，AlphaGo Zero 會預(yù)計勝率，然后優(yōu)化勝率，其中只考慮勝、負兩種結(jié)果；AlphaZero 則會估計比賽結(jié)果，然后優(yōu)化達到預(yù)計的結(jié)果的概率，其中包含了平局甚至別的一些可能的結(jié)果。

第二，由于圍棋規(guī)則是具有旋轉(zhuǎn)和鏡像不變性的，所以專為圍棋設(shè)計的 AlphaGo Zero 和通用的 AlphaZero 就有不同的實現(xiàn)方法。AlphaGo Zero 訓練中會為每個棋局做 8 個對稱的增強數(shù)據(jù)；并且在蒙特卡洛樹搜索中，棋局會先經(jīng)過隨機的旋轉(zhuǎn)或者鏡像變換之后再交給神經(jīng)網(wǎng)絡(luò)評估，這樣蒙特卡洛評估就可以在不同的偏向之間得到平均。國際象棋和日本象棋都是不對稱的，以上基于對稱性的方法就不能用了。所以 AlphaZero 并不增強訓練數(shù)據(jù)，也不會在蒙特卡洛樹搜索中變換棋局。

第三，在 AlphaGo Zero 中，自我對局的棋局是由所有之前的迭代過程中出現(xiàn)的表現(xiàn)最好的一個版本生成的。在每一次訓練迭代之后，新版本棋手的表現(xiàn)都要跟原先的表現(xiàn)最好的版本做對比；如果新的版本能以超過 55% 的勝率贏過原先版本，那么這個新的版本就會成為新的「表現(xiàn)最好的版本」，然后用它生成新的棋局供后續(xù)的迭代優(yōu)化使用。相比之下，AlphaZero 始終都只有一個持續(xù)優(yōu)化的神經(jīng)網(wǎng)絡(luò)，自我對局的棋局也就是由具有最新參數(shù)的網(wǎng)絡(luò)生成的，不再像原來那樣等待出現(xiàn)一個「表現(xiàn)最好的版本」之后再評估和迭代。這實際上增大了訓練出一個不好的結(jié)果的風險。

第四，AlphaGo Zero 中搜索部分的超參數(shù)是通過貝葉斯優(yōu)化得到的。AlphaZero 中直接對所有的棋類使用了同一套超參數(shù)，不再對每種不同的棋做單獨的調(diào)節(jié)。唯一的例外在于訓練中加在先前版本策略上的噪聲的大小，這是為了保證網(wǎng)絡(luò)有足夠的探索能力；噪聲的大小根據(jù)每種棋類的典型可行動作數(shù)目做了成比例的縮放。

將 AlphaGo 發(fā)展到 Alpha Zero，DeepMind 無疑是帶給了我們驚喜的。使用人工特征的 AlphaGo Fan 在出山之戰(zhàn)中便全勝打敗樊麾，還發(fā)出第一篇論文；運行在 50 塊 TPU 上的 AlphaGo Lee 以 4:1 的戰(zhàn)績擊敗李世石，還創(chuàng)作了紀錄片并上映；接著只用 4 塊 TPU 的 AlphaGo Master 又在烏鎮(zhèn)圍棋峰會上以 3:0 擊敗柯潔，打碎了人類所有擊敗 AlphaGo 幻想；再又有拋棄人工特征和所有人類高手棋局的 AlphaGo Zero 靠自學成功超越了「前輩」AlphaGo Master。而現(xiàn)在，DeepMind 帶來的這個更通用的、能下各種棋類的、而且在圍棋中的表現(xiàn)更上一層樓的通用強化學習模型——「AlphaZero」，則給我們帶來了更上一層的驚喜。

正如雷鋒網(wǎng) AI 科技評論在此前對 AlphaZero 的報道中所總結(jié)的那樣：在 AlphaGo 的一路進化中，我們見證了 DeepMind 的工程師們對深度強化學習本質(zhì)的思考和嘗試，也看到了不斷的優(yōu)化中帶來的無需先驗知識、降低資源消耗、提高訓練速度等等可喜的技術(shù)進步。而本次 AlphaZero 登上《科學》雜志封面，也算是對他們所作出的嘗試和帶來的技術(shù)進步的一種回應(yīng)。接下來 DeepMind 還將讓 Alpha Zero 進化到什么哪個版本呢？讓我們期待一下吧~雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。