围棋胜负判定 :以围棋胜负来判定人工智能高低能否可行？

抖音真文案网 2022年07月20日 12:39 141 admin

先给一个肯定的回答，就目前人工智能的发展来说，如果以围棋的胜负来判定其能力的高低是可行的。咱们可以先看1997年IBM公司的人工智能“深蓝”，它在国际象棋上击败了国际象棋大师卡斯帕罗夫。

围棋胜负判定
:以围棋胜负来判定人工智能高低能否可行？

根据这位大师的回忆，在1985年的时候，他战胜阿纳托利·卡尔波夫之后成为世界国际象棋冠军。在那一年，他在德国汉堡与世界上最先进的32台象棋电脑展开了一场车轮战。比赛结果全盘获胜。然而，仅仅12年后的1997年，大师需要拼尽全力对战一台计算机，当时的《新闻周刊》把这场比赛称为“人脑的最后防线”。那一年象棋计算机在科技的加持下，实力大增；而大师正好又是国际象棋冠军，于是代表全人类与机器进行了那场至今仍然家喻户晓的对决。他与IBM“深蓝”计算机下了两盘棋，一胜一败。

大师将计算机的胜利归功于“深蓝”计算机的创造者，许峰雄（电脑“深蓝”的设计者，出生于中国台湾，毕业于台湾大学和卡内基·梅隆大学），并向他和他的团队由衷致敬。因为机器的胜利也是人类的胜利（因为人类是机器的缔造者），当时的“深蓝”能够在一秒钟内分析出惊人的200万个棋位。

但那个时候有人说，围棋是人工智能无法攻克的壁垒，是因为围棋计算量实在是太大了。选择围棋除了这个，还有一个原因。1、对于计算机来说，每一个位置都有黑、白、空三种可能，那么棋盘对于计算机来说就有3的361次方种可能，而宇宙的原子只有10的80次方。下图是围棋的复杂程度卷积。

围棋胜负判定
:以围棋胜负来判定人工智能高低能否可行？

但令人震惊的是在2016年3月份，Alpha Go以4-1的比分击败李世石。而Alpha Go 的算法也不是穷举法，而是在人类的棋谱中学习人类的招法，不断进步，就是我们说的机器学习。而它在后台，进行的则是胜率的分析，这跟人类的思维方式有很大的区别，它不会像人类一样计算目数，而是胜率，它会将对手的信息和招式完全记录下来，如果对手没有新的招式来应对，输的概率是非常之大。

2、围棋作为一种开启智力的“游戏”，已有3000多年的历史，人机对弈也有近50年历史。《大英百科全书》中说：“围棋，公元前2356年起源于中国。” 自古以来，围棋备受帝王、将军和知识分子、神童的喜爱，在国外包括爱因斯坦、约翰纳什和图灵等都是围棋的爱好者。围棋的英文就是“Go”，所以人家其实不叫阿尔法狗（只是咱们中文的谐音），真正的叫法是阿尔法围棋。

阿尔法围棋有哪些特别之处？阿尔法围棋是一个中央处理器（Central Process Unit，CPU）和图形处理器（Graphic Process Unit，GPU）一起工作的围棋智能机器人。

阿尔法围棋以神经网络、深度学习、蒙特卡洛树搜索法为核心算法。系统由四部分组成：1、策略网络（Policy Network），以当前局面为输入，预测下一步的走法；

2、快速走子（Fast Rollout），目标和策略网络相似，在适当牺牲质量的条件下的加速走法；

3、价值网络（Value Network），以当前局面为输入，估算胜率。

4、蒙特卡洛树搜索（Monte Carlo Tree Search），把上述三个部分整合起来，形成完整的系统。

早期的阿尔法狗有176个GPU和1202个CPU。GPU能够通过内部极多进程的并行运算，取得比CPU高一个数量级的运算速度。

阿尔法围棋（AlphaGo）是通过两个不同神经网络“大脑”合作来改进下棋。这些“大脑”是多层神经网络，跟那些Google图片搜索引擎识别图片在结构上是相似的。它们从多层启发式二维过滤器开始，去处理围棋棋盘的定位，就像图片分类器网络处理图片一样。经过过滤，13个完全连接的神经网络层产生对它们看到的局面判断。这些层能够做分类和逻辑推理。第一大脑：落子选择器（Move Picker）

阿尔法围棋（AlphaGo）的第一个神经网络大脑是“监督学习的策略网络（Policy Network）” ，观察棋盘布局企图找到最佳的下一步。事实上，它预测每一个合法下一步的最佳概率，那么最前面猜测的就是那个概率最高的。这可以理解成“落子选择器”。

第二大脑：棋局评估器（Position Evaluator）

阿尔法围棋（AlphaGo）的第二个大脑相对于落子选择器是回答另一个问题，它不是去猜测具体下一步，而是在给定棋子位置情况下，预测每一个棋手赢棋的概率。这“局面评估器”就是“价值网络（Value Network）”，通过整体局面判断来辅助落子选择器。这个判断仅仅是大概的，但对于阅读速度提高很有帮助。通过分析归类潜在的未来局面的“好”与“坏”，阿尔法围棋能够决定是否通过特殊变种去深入阅读。如果局面评估器说这个特殊变种不行，那么AI就跳过阅读。

阿尔法围棋（AlphaGo）此前的版本，结合了数百万人类围棋专家的棋谱，以及强化学习进行了自我训练。后来它又有了个弟弟AlphaGoZero，其能力则在这个基础上有了质的提升。最大的区别是，它不再需要人类数据。也就是说，它一开始就没有接触过人类棋谱。研发团队只是让它自由随意地在棋盘上下棋，然后进行自我博弈。

据阿尔法围棋团队负责人大卫·席尔瓦（Dave Sliver）介绍，AlphaGoZero使用新的强化学习方法，让自己变成了老师。系统一开始甚至并不知道什么是围棋，只是从单一神经网络开始，通过神经网络强大的搜索算法，进行了自我对弈。随着自我博弈的增加，神经网络逐渐调整，提升预测下一步的能力，最终赢得比赛。更为厉害的是，随着训练的深入，阿尔法围棋团队发现，AlphaGoZero还独立发现了游戏规则，并走出了新策略，为围棋这项古老游戏带来了新的见解。

一个大脑：AlphaGoZero仅用了单一的神经网络。AlphaGo用到了“策略网络”来选择下一步棋的走法，以及使用“价值网络”来预测每一步棋后的赢家。而在新的版本中，这两个神经网络合二为一，从而让它能得到更高效的训练和评估。

神经网络：AlphaGoZero并不使用快速、随机的走子方法。在此前的版本中，AlphaGo用的是快速走子方法，来预测哪个玩家会从当前的局面中赢得比赛。相反，新版本依靠地是其高质量的神经网络来评估下棋的局势。

围棋胜负判定
:以围棋胜负来判定人工智能高低能否可行？