新AlphaGo这么强！36小时从0自学成大师，100:0把李世乭版秒成渣渣 | Nature论文

李林 千平 发自 凹非寺
量子位 出品 | 公众号 QbitAI

“它最终超越了我们所有预期”。

DeepMind团队又放惊天消息。

简单地说，AlphaGo又有了重大进步。DeepMind把这个新版本的围棋AI称为AlphaGo Zero。之所以这样命名，是因为这个AI完全从零开始，自我学习下围棋，完全脱离人类知识。

以前其他版本的AlphaGo，都经过人类知识的训练，它们被告知人类高手如何下棋。而最新发布的AlphaGo Zero使用了更多原理和算法，从0开始，使用随机招式，40天后成为围棋界的绝世高手。真真正正的自学成才。

新的AlphaGo Zero使用了一种全新的强化学习方式，从0基础的神经网络开始，与搜索算法结合，不断进化调整、迭代升级。AlphaGo Zero的不同之处在于：

• 除了黑白棋子，没有其他人类教给AlphaGo Zero怎么下棋。而之前的AlphaGo包含少量人工设计的特征。

• AlphaGo Zero只用了一个神经网络，而不是两个。以前AlphaGo是由“策略网络”和“价值网络”来共同确定如何落子。

• AlphaGo Zero依赖神经网络来评估落子位置，而不使用rollouts——这是其他围棋程序使用的快速、随机游戏，用来预测哪一方会获胜。

创新工场AI工程院副院长王咏刚用“大道至简”四个字评价新版的AlphaGo Zero。

上述种种，让AlphaGo Zero异常强大。

“人们一般认为机器学习就是关于大数据和海量计算，但是DeepMind通过AlphaGo Zero的案例发现，算法比计算或者数据可用性更重要”，AlphaGo团队负责人席尔瓦(Dave Silver)介绍说，AlphaGo Zero的计算，比之前的AlphaGo减少了一个数量级。

如上图所示，AlphaGo Zero也只用了4个TPU。

AlphaGo Zero到底多厉害，且看官方公布的成绩单：

• 3小时后，AlphaGo Zero成功入门围棋。

• 仅仅36小时后，AlphaGo Zero就摸索出所有基本而且重要的围棋知识，以100:0的战绩，碾压了当年击败李世乭的AlphaGo v18版本。

• 21天后，AlphaGo Zero达到了Master的水平。这也就是年初在网上60连胜横扫围棋界的版本。Master后来击败了柯洁。

• 40天后，AlphaGo Zero对战Master的胜率达到90%。也就是说，AlphaGo Zero成为寂寞无敌的最强围棋AI。

DeepMind主要作者之一的黄士杰博士总结：AlphaGo Zero完全从零开始，初始阶段甚至会填真眼自杀。AlphaGo Zero自学而成的围棋知识，例如打劫、征子、棋形、布局先下在角等等，都与人类的围棋观念一致。

“间接呼应了人类几千年依赖围棋研究的价值”，黄士杰写道。

技术细节

DeepMind的最新研究成果，已经全文发布在《自然》杂志上。这也是第二篇在《自然》杂志上发表的AlphaGo论文。

论文摘要

人工智能的长期目标是创造一个会学习的算法，能在特定领域中从一块白板开始，超越人类。最近，AlphaGo成为第一个在围棋游戏中打败世界冠军的程序。AlphaGo中的树搜索使用深度神经网络来评估位置、选择落子。这些神经网络用人类专家的棋谱来进行监督学习的训练，并通过自我对弈来进行强化学习。本文介绍了一种仅基于强化学习的方法，除了游戏规则之外，没有人类的数据、指导或者领域知识。AlphaGo成了它自己的老师：一个被训练来预测AlphaGo自己落子选择以及对弈结果的神经网络。这个神经网络提高了树搜索的强度，提高了落子质量、增强了自我对弈迭代的能力。从一块白板开始，我们的新程序AlphaGo Zero的表现超越了人类，并以100-10击败了以前曾打败世界冠军的AlphaGo版本。

AlphaGo Zero的强化学习

上面提到AlphaGo使用了一个神经网络，这是怎么做到的？

DeepMind使用了一个新的神经网络f_θ，θ是参数。这个神经网络将原始棋盘表征s（落子位置和过程）作为输入，输出落子概率(p, v)= fθ(s)。这里的落子概率向量p表示下一步的概率，而v是一个标量估值，衡量当前落子位置s获胜的概率。

这个神经网络把之前AlphaGo所使用的策略网络和价值网络，整合成一个单独的架构。其中包含很多基于卷积神经网络的残差模块。

AlphaGo Zero的神经网络，使用新的强化学习算法，自我对弈进行训练。在每个落子位置s，神经网络f_θ指导进行MCTS（蒙特卡洛树）搜索。MCTS搜索给出每一步的落子概率π。通常这种方式会选出更有效的落子方式。

因此，MCTS可以被看作是一个强大的策略提升operator。这个系统通过搜索进行自我对弈，使用增强的MCTS策略决定如何落子，然后把获胜z作为价值样本。

这个强化学习算法的主要理念，实在策略迭代过程中，反复使用这些这些搜索operator：神经网络的参数不断更新，让落子概率和价值（P,v）=f_θ(s)越来越接近改善后的搜索概率和自我对弈赢家（π, z）。这些新参数也被用于下一次的自我对弈迭代，让搜索变得更强大。整个过程如下图所示。

上图解释了AlphaGo Zero中的自我对弈强化学习。图a展示了程序的自我对弈过程。程序在从s1到st的棋局中进行自我对弈，在任意位置st，程序会用最新的神经网络f_θ来执行MCTS α_θ，根据MCTS计算出的搜索概率a_t∼π_t选择落子位置，根据游戏规则来决定最终位置s_T，并计算出胜者z。

图b展示了AlphaGo Zero中的神经网络训练过程，神经网络以棋盘位置s_t为输入，将它和参数θ通过多层CNN传递，输出向量P_t和张量值v_t，P_t表示几步之后可能的局面，v_t表示s_t位置上当前玩家的胜率。为了将P_t和搜索概率π_t的相似度最大化，并最小化v_t和游戏实际胜者z之间的误差，神经网络的参数θ会不断更新，更新后的参数会用到如图a所示的下一次自我对弈迭代中。

AlpaGo Zero中的MCTS结构如上图所示，从图a显示的选择步骤可以看出，每次模拟都会通过选择最大行为价值Q的边缘，加上置信区间上限U来遍历树，U取决于存储先验概率P和访问次数N。

图b显示，叶节点扩展和相关位置s的评估都是通过神经网络(P(s, ·)，V(s)) = f_θ(s)实现的，P的向量值存储在s的出口边缘。

图c显示了更新行为价值Q以追踪该行为下面子树中所有评估V的平均值。

图d显示，搜索完成后，搜索概率π返回，与N^1/τ成比例，其中N是从根状态每次移动的访问次数，τ是控制温度的参数。

从零开始的训练

DeepMind在论文中表示，应用了强化学习的pipeline来训练AlphaGo Zero，训练从完全随机的行为开始，并在没有认为干预的情况下持续3天。

训练过程中，生成了490万盘自我博弈对局，每个MCTS使用1600次模拟，相当于每下一步思考0.4秒。下图显示了在自我对弈强化学习期间，AlphaGo Zero的表现。整个训练过程中，没有出现震荡或者灾难性遗忘的困扰。

令人惊讶的是，AlphaGo Zero在训练36小时后，表现就优于击败李世乭的版本AlphaGo Lee。当年那个版本经过了数月的训练。AlphaGo Zero使用了4个TPU，而击败李世乭的AlphaGo使用了48个TPU。

下图就是AlphaGo Zero和AlphaGo Lee的神经网络架构比较。

论文全文

论文的共同第一作者是David Silver、Julian Schrittwieser、Karen Simonyan。

关于这篇论文，可以直接从这个地址下载：

https://deepmind.com/documents/119/agz_unformatted_nature.pdf

DeepMind还放出AlphaGo Zero的80局棋谱，下载地址在此：

https://www.nature.com/nature/journal/v550/n7676/extref/nature24270-s2.zip

— 完 —

加入社群

量子位AI社群10群开始招募啦，欢迎对AI感兴趣的同学，加小助手微信qbitbot3入群；

此外，量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募，面向正在从事相关领域的工程师及研究人员。

进群请加小助手微信号qbitbot3，并务必备注相应群的关键词~通过审核后我们将邀请进群。（专业群审核较严，敬请谅解）

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI

վ'ᴗ' ի 追踪AI技术和产品新动态