Deepmind 最近发布了 AlphaGo 的最新版本 AlphaGo Zero 的论文，AlphaGo 不再需要学习人类的经验，而是可以自己学习如何下围棋，而且最新的 Zero 可以打败之前的版本。

首先，围棋这个游戏是很难用暴力方法来搜索最优路径的，拿只有 9 格的 tic tac toe 游戏来说就有 3^9 ～ 19 000 种可能，每个格子可以是空白三种可能。

AI 如果用暴力解法，他会产生一个 move tree，

每一分支代表一系列的 move，在每一个确定的深度，会判断哪种走法可以胜利。

而人类玩这个游戏的时候不会把这些情况都试过，而是凭直觉和推理。

围棋用暴力的方式是太低效了，所以 AlphaGo 也尝试像人一样用直觉来缩小选择的范围。

第一个版本用两个卷积神经网络共同合作来决定策略：

一个神经网络叫做 policy network，接收到输入的棋局后决定下一步最好该怎么走。这个网络要通过学习成千上百万的高手对决的例子来训练，准确率约 57%：

为了改进这个网络，采用了强化学习，不再是一步一步的学习，而是把比赛一直放到结尾，让网络学习出下一步怎么走可以赢得整个比赛：

其中采用 Roll out policy：即不是随时都看全局，而是看当前相关的一部分，这样可以将效率提高上千倍：

在 value network 中，不是预测下一步具体怎么走，而是会预测在给定的位置上每个选手赢得比赛的概率。这个网络可以辅助 policy network，告诉它下一个位置是好还是坏，当下一个位置是坏的时候，就不再考虑这一分支上的任何一步：

除了两个神经网络，AlphaGo 还采用 Monte Carlo Tree Search 算法来高效地读取 move tree：

即：
Policy network 根据当前的棋局，预测下一步可以走的几种情况。
Value network 评估这几种情况的质量。
然后再用 Monte Carlo Tree Search 在质量好的走法上看的更远一些。

AlphaGo Zero 和前面版本的主要区别是，把两个神经网络合二为一。
而且不再是学习人类的棋局例子，而是在一无所知的基础上，通过和自己对决来学习下围棋。

ITPub博客

AlphaGo Zero 初探