围棋下法与致胜的规则都最简单有利于计算机取胜 节点 自练

邓文龙

吴中祥  科学网博客  博文

围棋下法与致胜的规则都最简单有利于计算机取胜

对于人脑来说，学习是一个在神经元之间形成并加强关联的过程。“深层学习”系统采取了类似方式，因而被称作“神经网络”。它在软件中建立起数十亿节点和关联，使用案例“训练集”来强化刺激（正在下的棋）和反应（下一步棋）间的关联，而后再对系统进行新刺激，并观察其反应。通过另一种名叫“强化学习”的技术，“阿尔法围棋”还和自己下了数百万盘棋，以记住有效走法和战略  “强化学习”的技术，“阿尔法围棋”还和自己下了数百万盘棋，以记住有效走法和战略  
“深层学习”系统“神经网络” 在软件中建立起数十亿节点和关联，用案例训练   “强化学习”和自己下了数百万盘棋，以记住有效走法和战略  节点 自练

《自然》已登一篇论文

已有 146 次阅读 2017-10-22 21:55 |个人分类:数理|系统分类:观点评述|关键词:围棋下法与致胜的规则都最简单有利于计算机取胜

围棋下法与致胜的规则都最简单有利于计算机取胜

围棋下法与致胜的规则都最简单，双方相互应对影响致胜的几率因素有限，高手较容易根据对手的数次应对，选得致胜途径。

但是，人脑估算的速度有限，即使总结有某些经验规律，可确定的致胜途径，能应对对手应对的次数也不会很多。

计算机运算的速度远远超过人脑，可以根据对手多得多次数，试探多得多种可能致胜的方案，选其优，只要一个程序设计得完善，就必然胜过人脑。

原‘阿尔法狗’（AlphaGo）所谓“会用强化学习”就是：“学习”对手“致胜之道”，因运算速度远远超过人脑，而能胜过世界冠军的人脑。

新版‘阿尔法狗’（AlphaGo Zero）并非“学习”对手“致胜之道”，而是根据围棋下法与致胜的规则，自行试探应对对手多次各种可能的应对达到致胜之道的“自学”、“创新”，更好地发挥运算速度快的优势，就更加必然能胜过人脑。

至于麻将，其打法与致胜的规则都远较复杂，4方相互应对影响致胜的几率，不确定的因素，也多得多，各方致胜的几率也相差很大，且各次不同。即使运算速度再快，也很难有确切致胜的方案。只能根据实际进行中的最佳几率考虑少犯大错。

而不可能每次必胜。

新版阿尔法狗自学围棋3天胜“旧狗”：具备强化学习能力

韩媒称，谷歌DeepMind联合创始人德米斯·哈萨比斯和首席科学家大卫·西尔弗于17-10-18日在国际期刊《自然》刊登一篇论文，表明：“‘阿尔法狗’（AlphaGo）的最新版本‘Zero’的性能超越了打败世界围棋冠军的‘阿尔法狗’。”
韩国《朝鲜日报》称，韩国电子通讯研究院（ETRI）高级研究员李京远（音）表示：“阿尔法元程序的优势是会用强化学习。”强化学习是人类或动物大脑的实际运作方式。专家们期待阿尔法元程序增大人工智能运用幅度。

2017-10-20 00:15:01 来源：参考消息网

据韩国《朝鲜日报》17-10月19日报道，谷歌DeepMind首席执行官哈萨比斯称：“阿尔法元程序（AlphaGo Zero）通过三天的围棋自学就以100:0的比分完胜对阵李世石的AlphaGo Lee，经过21天的学习就超越了以3:0战胜柯杰九段的AlphaGo Master。”
报道称，“阿尔法狗”之前通过人类棋手的棋谱进行训练，学习如何下围棋。去年以4:1打败李世石九段的AlphaGo Lee，利用七个月的时间学习了16万份棋谱。但是阿尔法元程序与之前的版本不同，只掌握了围棋基本规则，并无其他任何信息的输入。即在没有输入人类棋谱数据的情况下，通过下围棋的过程自动生成了大数据。
报道称，韩国电子通讯研究院（ETRI）高级研究员李京远（音）表示：“阿尔法元程序的优势是会用强化学习。”强化学习是人类或动物大脑的实际运作方式。
世界著名脑科学家、美国耶鲁大学医学教授李大烈（音）表示：“强化学习是100年前出现的心理学概念，但是最近在脑科学领域运用十分活跃，脑科学的研究成果直接对人工智能开发产生积极影响。”
报道称，专家们期待阿尔法元程序增大人工智能运用幅度。例如，向阿尔法元程序输入首尔市人口分布和业务空间数据，在没有任何其他相关数据的情况下，也能绘制出与当前完全不同的、高效的地铁及公交路线图。还能对无人驾驶车运行提供安全保障，目前靠人类无法计算出其在运行过程当中出现事故的所有情况，但是通过阿尔法元程序可以预测所有可能性，包括目前从未出现的情况。
报道称，但阿尔法元程序也存在局限性。韩国科学技术计划评价院车斗元研究员表示：“目前人们无法明确解释阿尔法元程序算出的每一种走法，所以运用到实际生活，将有可能出现一些副作用。”
美媒：“阿尔法围棋”获胜诠释“深层学习”威力
参考消息网3月19日报道
美媒称，“阿尔法围棋”这个由谷歌旗下“深层思维”公司创建的人工智能系统，在人机围棋大赛中以四比一的成绩击败了围棋冠军李世石。这场人机大赛究竟重要在哪里？毕竟1997年国际象棋冠军加里·卡斯帕罗夫就败在了国际商用机器公司的“深蓝”计算机手下。那么为何说“阿尔法围棋”的胜利具有特别重要的意义呢？
据美国《纽约时报》网站3月16日文章称，和国际象棋一样，围棋是高度复杂的战略游戏，无法依靠机会和运气取胜。然而和象棋不同的是，没人能解释高段位围棋该如何下。事实上，甚至连围棋大师都无法完全搞懂自己为什么会下得一手好棋。从驾车到辨认面孔，这种不自知是存在于人类诸多能力中的一种普遍现象。英国哲学家、科学家迈克尔·波拉尼描绘这种奇异的状态时说：“我们知道的要比我们能表达的多。”人们将这种现象称为“波拉尼的悖论”。
文章称，“波拉尼的悖论”并没有妨碍人民使用电脑来完成一些复杂工作。这些活动的编程需要极高的精确度，以命令电脑具体该做什么。而给电脑编程的老方法在应用方面非常受限，在很多领域都行不通。
“深蓝”之所以能够有超人的绝佳表现，几乎纯粹是靠运算能力：它被输入了数百万个国际象棋案例，因此能在众多可能性中进行筛选，从而确定下一步棋的最佳位置。然而围棋落子的可能性要多得多，即便是运算速度最快的电脑都无法模拟哪怕其中一小部分。
文章称，“阿尔法围棋”生动地诠释了新方法的威力。这个方法是创建一个几乎完全靠自学，并通过观察成功与失败案例来掌握得胜技巧的系统。
“阿尔法围棋”确实使用了模拟的方式和传统搜索算法来帮它下了几步棋，但真正的突破则在于它能够克服“波拉尼的悖论”。之所以能做到这点，是因为它既能通过具体案例，也能通过自身经验来得出决胜战略。这些案例取材于2500年围棋史上出自围棋大师之手的无数经典棋局。为了弄清这些棋局中蕴含的决胜策略，系统使用了一种名为“深层学习”的超凡方法，能够梳理出模式并一下抓住重点，而不会迷失在信息海洋中。
文章称，对于人脑来说，学习是一个在神经元之间形成并加强关联的过程。“深层学习”系统采取了类似方式，因而被称作“神经网络”。它在软件中建立起数十亿节点和关联，使用案例“训练集”来强化刺激（正在下的棋）和反应（下一步棋）间的关联，而后再对系统进行新刺激，并观察其反应。通过另一种名叫“强化学习”的技术，“阿尔法围棋”还和自己下了数百万盘棋，以记住有效走法和战略。
“深层学习”和“强化学习”并非新生事物，然而直到最近，我们才认清其威力以及其所能到达的境地。
文章称，虽然还有很长的路要走，但其意义深远。未来数年内，技术带来的变革将会波及人类经济。了解并解决科技迅速发展所带来的社会挑战仍是人类所面临的任务，没有机器能够替代我们完成。
（2016-03-19 11:28:07）
中国网友向阿尔法围棋挑战：敢来打麻将吗？
参考消息网17-3月16日报道
港媒称，先是国际象棋。然后是围棋。现在，中国网民问，人工智能敢不敢接受终极挑战——麻将。
据香港《南华早报》网站3月15日报道，这项挑战是在谷歌研制的电脑程序“阿尔法围棋”（AlphaGo）在一系列比赛中获胜后提出的。
报道称，“阿尔法围棋”已经证明自己可以打败某些最优秀的围棋选手：它最近连赢了韩国棋手李世石三局。
麻将通常有四个人打，每人从144张牌中抓牌，然后出牌，可以吃碰别人的牌，组成一副能和的牌。与围棋相比，麻将的排列组合要少得多，但包括运气和其他一些有利于人类的因素。
报道称，很多人表示对“阿尔法围棋”的胜利感到高兴，也有些人认为，要打败中国麻将选手则困难得多。
一位内地网民在新浪微博上称：“围棋从数学角度看是最难的游戏，但麻将从人类智力角度看最难。”
这位用户写道：“‘阿尔法围棋’能挑战中国麻将吗？我敢肯定，一位普通四川大妈就可以完胜它。”
报道称，有些研究也支持这种看法。一篇名叫《走进科学：为什么AlphaGo不敢挑战麻将》的文章说，一台安装了“阿尔法围棋”的电脑挑战三个人类选手一点儿胜算没有；就算有两台安装了“阿尔法围棋”的电脑挑战两个人类选手，人类也会战胜机器，因为一位人类选手可以看懂另一位的表情暗示；而三个“阿尔法围棋”就太贵了。
这篇文章还称，中国不同地区的居民发明了不同的麻将玩法，麻将的变化因此比围棋还多。
作者还称：“要学习麻将，‘阿尔法围棋’还得熟悉人们在打牌时使用的方言。”
报道称，关于麻将问题，有一位网民给出最终的答案：“阻止‘阿尔法围棋’战胜人类的最快办法就是拔掉电源。”
（2016-03-16 10:04:40）
台媒:大陆电脑围棋欲战AlphaGo 称其计算上有失误
参考消息网17-3月31日报道 台媒称，谷歌人工智能AlphaGo击败李

链接地址：http://blog.sciencenet.cn/blog-226-1082013.html



（華成旅行最便宜 03-3833-9823)