原址：Documenting the AI Era: Volume 3 of AlphaGo to Zero Arrives - American Go Association

原題：Documenting the AI Era: Volume 3 of AlphaGo to Zero Arrives

摘自：The news of American Go Association

作者：Chris Garlock

隨著備受期待的《AlphaGo to Zero》系列第三卷的發(fā)布，邁克爾·雷德蒙德和克里斯·加洛克繼續(xù)著他們對這場徹底重塑圍棋格局的人工智能革命的權威性記錄。

圖1 《AlphaGo to Zero》第3卷封面

初始版本的AlphaGo系統(tǒng)的核心架構包含四個協(xié)同工作的關鍵模塊：

1. 策略網絡：該模塊以當前棋盤狀態(tài)作為輸入，通過深度神經網絡計算并輸出下一步棋在各個合法位置的概率分布，從而提供候選落子方案。

2. 快速推演：此部分功能與策略網絡相似，旨在生成行棋序列，但采用簡化的計算模型，以顯著降低決策精度為代價，實現(xiàn)相比策略網絡數千倍的速度提升，用于快速勝負模擬。

3. 價值網絡：此模塊同樣基于當前局面，利用神經網絡直接評估雙方勝率，輸出一個介于-1到1之間的評價值，用于判斷當前局面的優(yōu)劣態(tài)勢。

4. 蒙特卡洛樹搜索：作為系統(tǒng)的決策中樞，MCTS 框架將上述三個模塊有機整合。它通過反復模擬對弈過程，綜合策略網絡的選點建議、價值網絡的局面評估以及快速推演的終局勝率，以此進行自我博弈和策略優(yōu)化，最終形成完整的決策系統(tǒng)。

此時的AlphaGo還不是純粹的機器深度強化學習，要依靠大量學習人類棋譜。系統(tǒng)通過分析人類歷史對弈數據來構建快速走子模型，并以此為基礎對策略網絡進行初步參數設置。隨后，策略網絡與估值網絡通過持續(xù)不斷的自我對弈進行協(xié)同訓練和優(yōu)化。

需要指出的是，估值網絡并未直接采用人類棋譜作為訓練樣本。這是因為人類對局中時常存在較強的偶然性因素，局部階段的優(yōu)勢未必能決定最終勝負，單一失誤就可能導致全局結果逆轉，使得棋譜數據中包含較多波折。

圖2 Alphago學習棋譜的過程簡圖

在模型迭代過程中，每當產生一個新版本，系統(tǒng)會將其與當前保存的最佳版本進行多輪對抗。只有在新版本的勝率穩(wěn)定超過55%時，才會替換原有版本。這一機制能夠有效避免模型在自我博弈過程中陷入局部最優(yōu)或產生策略退化，從而確保學習路徑的穩(wěn)定與進步。

但是僅僅一年之內，AlphaGO Zero就橫空出世，AlphaGO Zero僅用36小時就超過了AlphaGo，并且占用的資源很少，只需要4個TPU。然后以100：0戰(zhàn)勝了之前的AlphaGo。

圖3 AlphaGo Zero和AlphaGo對比

《AlphaGo to Zero》第三卷，標題定為“杰作”，集中解讀了DeepMind正式發(fā)布的50盤AlphaGo自我對弈棋譜。這些對局首次向世人展示，在脫離人類棋譜約束后，AlphaGo如何理解圍棋。憑借更豐富的經驗與更先進的人工智能分析工具，作者對這些棋局進行了重新審視與全新評注，清晰闡釋了以往令人費解的內容：包括AlphaGo獨特的開局意圖、卓越的大局方向感與時機掌握、果斷的侵入戰(zhàn)術，以及精準的收官計算。
本書無意評判人類與人工智能的高下，而是致力于揭示這些棋步背后的取勝邏輯、其中蘊含的圍棋理念，以及它們如何預示了AlphaGo Zero更為顛覆性的策略。借助棋譜圖示、關鍵局部分析與深入淺出的解說，第三卷將這一系列傳奇般的自我對局編織成一條連貫的敘事線，既展現(xiàn)了人機圍棋對話的真正開端，也展望了這項運動未來的可能方向。

如今的圍棋AI仍然在不斷迭代，那怕是當今的最強AI距離真正的圍棋之神還有相當長的距離。