4
| 本文作者： 董飛 | 2016-03-09 17:43 |
按：本文由董飛編譯于：How AlphaGo Works ，原作者SpinPunch CTO DAN MAAS。作者微信公號“董老師在硅谷”。
剛剛人類職業(yè)選手世界冠軍李世石九段認輸，第一局AlphaGo贏了。
谷歌DeepMind宣布他們研發(fā)的神經(jīng)網(wǎng)絡圍棋AI，AlphaGo，在2015年10月首次5:0戰(zhàn)勝了人類職業(yè)選手歐洲圍棋冠軍Fan Hui二段。這篇論文由David Silver等完成。里面的技術是出于意料的簡單卻又強大。為了方便不熟悉技術的小白理解，這里是我對系統(tǒng)工作原理的解讀。以下是編譯正文：
深度學習”是指多層的人工神經(jīng)網(wǎng)絡和訓練它的方法。一層神經(jīng)網(wǎng)絡會把大量矩陣數(shù)字作為輸入，通過非線性激活方法取權重，再產(chǎn)生另一個數(shù)據(jù)集合作為輸出。這就像生物神經(jīng)大腦的工作機理一樣，通過合適的矩陣數(shù)量，多層組織鏈接一起，形成神經(jīng)網(wǎng)絡“大腦”進行精準復雜的處理，就像人們識別物體標注圖片一樣。
雖然神經(jīng)網(wǎng)絡在幾十年前就有了，直到最近才形勢明朗。這是因為他們需要大量的“訓練”去發(fā)現(xiàn)矩陣中的數(shù)字價值。對早期研究者來說，想要獲得不錯效果的最小量訓練都遠遠超過計算能力和能提供的數(shù)據(jù)的大小。但最近幾年，一些能獲取海量資源的團隊重現(xiàn)挖掘神經(jīng)網(wǎng)絡，就是通過“大數(shù)據(jù)”技術來高效訓練。
AlphaGo是通過兩個不同神經(jīng)網(wǎng)絡“大腦”合作來改進下棋。這些大腦是多層神經(jīng)網(wǎng)絡跟那些Google圖片搜索引擎識別圖片在結構上是相似的。它們從多層啟發(fā)式二維過濾器開始，去處理圍棋棋盤的定位，就像圖片分類器網(wǎng)絡處理圖片一樣。經(jīng)過過濾，13 個完全連接的神經(jīng)網(wǎng)絡層產(chǎn)生對它們看到的局面判斷。這些層能夠做分類和邏輯推理。
這些網(wǎng)絡通過反復訓練來檢查結果，再去校對調整參數(shù)，去讓下次執(zhí)行更好。這個處理器有大量的隨機性元素，所以我們是不可能精確知道網(wǎng)絡是如何“思考”的，但更多的訓練后能讓它進化到更好。
AlphaGo的第一個神經(jīng)網(wǎng)絡大腦是“監(jiān)督學習的策略網(wǎng)絡(Policy Network)” ，觀察棋盤布局企圖找到最佳的下一步。事實上，它預測每一個合法下一步的最佳概率，那么最前面猜測的就是那個概率最高的。你可以理解成“落子選擇器”。
（落子選擇器是怎么看到棋盤的？數(shù)字表示最強人類選手會下在哪些地方的可能。）
團隊通過在KGS（網(wǎng)絡圍棋對戰(zhàn)平臺）上最強人類對手，百萬級的對弈落子去訓練大腦。這就是AlphaGo最像人的地方，目標是去學習那些頂尖高手的妙手。這個不是為了去下贏，而是去找一個跟人類高手同樣的下一步落子。AlphaGo落子選擇器能正確符合57%的人類高手。（不符合的不是意味著錯誤，有可能人類自己犯的失誤）
更強的落子選擇器
AlphaGo系統(tǒng)事實上需要兩個額外落子選擇器的大腦。一個是“強化學習的策略網(wǎng)絡（Policy Network）”，通過百萬級額外的模擬局來完成。你可以稱之為更強的。比起基本的訓練，只是教網(wǎng)絡去模仿單一人類的落子，高級的訓練會與每一個模擬棋局下到底，教網(wǎng)絡最可能贏的下一手。Sliver團隊通過更強的落子選擇器總結了百萬級訓練棋局，比他們之前版本又迭代了不少。
單單用這種落子選擇器就已經(jīng)是強大的對手了，可以到業(yè)余棋手的水平，或者說跟之前最強的圍棋AI媲美。這里重點是這種落子選擇器不會去“讀”。它就是簡單審視從單一棋盤位置，再提出從那個位置分析出來的落子。它不會去模擬任何未來的走法。這展示了簡單的深度神經(jīng)網(wǎng)絡學習的力量。
更快的落子選擇器
AlphaGo當然團隊沒有在這里止步。下面我會闡述是如何將閱讀能力賦予AI的。為了做到這一點，他們需要更快版本的落子選擇器大腦。越強的版本在耗時上越久－為了產(chǎn)生一個不錯的落子也足夠快了，但“閱讀結構”需要去檢查幾千種落子可能性才能做決定。
Silver團隊建立簡單的落子選擇器去做出“快速閱讀”的版本，他們稱之為“滾動網(wǎng)絡”。簡單版本是不會看整個19*19的棋盤，但會在對手之前下的和新下的棋子中考慮，觀察一個更小的窗口。去掉部分落子選擇器大腦會損失一些實力，但輕量級版本能夠比之前快1000倍，這讓“閱讀結構”成了可能。
AlphaGo的第二個大腦相對于落子選擇器是回答另一個問題。不是去猜測具體下一步，它預測每一個棋手贏棋的可能，在給定棋子位置情況下。這“局面評估器”就是論文中提到的“價值網(wǎng)絡（Value Network)”，通過整體局面判斷來輔助落子選擇器。這個判斷僅僅是大概的，但對于閱讀速度提高很有幫助。通過分類潛在的未來局面的“好”與“壞”，AlphaGo能夠決定是否通過特殊變種去深入閱讀。如果局面評估器說這個特殊變種不行，那么AI就跳過閱讀在這一條線上的任何更多落子。
（局面評估器是怎么看這個棋盤的。深藍色表示下一步有利于贏棋的位置。）
局面評估器也通過百萬級別的棋局做訓練。Silver團隊通過 復制兩個AlphaGo的最強落子選擇器，精心挑選隨機樣本創(chuàng)造了這些局面。這里AI 落子選擇器在高效創(chuàng)建大規(guī)模數(shù)據(jù)集去訓練局面評估器是非常有價值的。這種落子選擇器讓大家去模擬繼續(xù)往下走的很多可能，從任意給定棋盤局面去猜測大致的雙方贏棋概率。而人類的棋局還不夠多恐怕難以完成這種訓練。
增加閱讀
這里做了三個版本的落子選擇大腦，加上局面評估大腦，AlphaGo可以有效去閱讀未來走法和步驟了。閱讀跟大多數(shù)圍棋AI一樣，通過蒙特卡洛樹搜索（MCTS）算法來完成。但AlphaGo 比其他AI都要聰明，能夠更加智能的猜測哪個變種去探測，需要多深去探測。
（蒙特卡洛樹搜索算法）
如果擁有無限的計算能力，MCTS可以理論上去計算最佳落子通過探索每一局的可能步驟。但未來走法的搜索空間對于圍棋來說太大了（大到比我們認知宇宙里的粒子還多），實際上AI沒有辦法探索每一個可能的變種。MCTS做法比其他AI有多好的原因是在識別有利的變種，這樣可以跳過一些不利的。
Silver團隊讓AlphaGo裝上MCTS系統(tǒng)的模塊，這種框架讓設計者去嵌入不同的功能去評估變種。最后馬力全開的AlphaGo系統(tǒng)按如下方式使用了所有這些大腦。
1. 從當前的棋盤布局，選擇哪些下一步的可能性。他們用基礎的落子選擇器大腦（他們嘗試使用更強的版本，但事實上讓AlphaGo更弱，因為這沒有讓MCTS提供更廣闊的選擇空間）。它集中在“明顯最好”的落子而不是閱讀很多，而不是再去選擇也許對后來有利的下法。
2. 對于每一個可能的落子，評估質量有兩種方式：要么用棋盤上局面評估器在落子后，要么運行更深入蒙特卡羅模擬器（滾動）去思考未來的落子，使用快速閱讀的落子選擇器去提高搜索速度。AlphaGo使用簡單參數(shù)，“混合相關系數(shù)”，將每一個猜測取權重。最大馬力的AlphaGo使用 50/50的混合比，使用局面評估器和模擬化滾動去做平衡判斷。
這篇論文包含一個隨著他們使用插件的不同，AlphaGo的能力變化和上述步驟的模擬。僅使用獨立大腦，AlphaGo跟最好的計算機圍棋AI差不多強，但當使用這些綜合手段，就可能到達職業(yè)人類選手水平。
（AlphaGo的能力變化與MCTS的插件是否使用有關。）
這篇論文還詳細講了一些工程優(yōu)化：分布式計算，網(wǎng)絡計算機去提升MCTS速度，但這些都沒有改變基礎算法。這些算法部中分精確，部分近似。在特別情況下，AlphaGo通過更強的計算能力變的更強，但計算單元的提升率隨著性能變強而減緩。
我認為AlphaGo在小規(guī)模戰(zhàn)術上會非常厲害。它知道通過很多位置和類型找到人類最好的下法，所以不會在給定小范圍的戰(zhàn)術條件下犯明顯錯誤。
但是，AlphaGo有個弱點在全局判斷上。它看到棋盤式通過5*5金字塔似的過濾，這樣對于集成戰(zhàn)術小塊變成戰(zhàn)略整體上帶來麻煩，同樣道理，圖片分類神經(jīng)網(wǎng)絡往往對包含一個東西和另一個的搞不清。比如說圍棋在角落上一個定式造成一個墻或者引征，這會劇烈改變另一個角上的位置估值。
就像其他的基于MCTS的AI， AlphaGo對于需要很深入閱讀才能解決的大勢判斷上，還是麻煩重重的，比如說大龍生死劫。AlphaGo 對一些故意看起來正常的局也會失去判斷，天元開盤或者少見的定式，因為很多訓練是基于人類的棋局庫。
我還是很期待看到AlphaGo和李世石9段的對決！我預測是：如果李使用定式，就像跟其他職業(yè)棋手的對決，他可能會輸，但如果他讓AlphaGo陷入到不熟悉情形下，他可能就贏。
參考資料：
1、Nature 論文。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
