7
| 本文作者： 鄭宇 | 2016-03-23 18:36 |
按：本文作者鄭宇博士，ACM數(shù)據(jù)挖掘中國分會秘書長，ACM Transactions on Intelligent Systems and Technology主編；張鈞波博士，ACM數(shù)據(jù)挖掘中國分會會員，從事深度神經(jīng)網(wǎng)絡相關研究。
近期AlphaGo在人機圍棋比賽中連勝李世石3局（最終4:1打敗李），體現(xiàn)了人工智能在圍棋領域的突破，作為人工智能領域的工作者，我們深感欣慰。其實質(zhì)是深度學習網(wǎng)絡（CNN）跟蒙特卡羅搜索樹(MCTS)結合的勝利，是人類智慧的進步。不少所謂的“磚”家開始鼓吹機器戰(zhàn)勝人類、甚至人類將被機器統(tǒng)治等無知言論，讓人實在看不下去。作為圍棋愛好者和人工智能領域工作者，我們覺得是時候跟大家講講AlphaGo的原理及其弱點了。
可以很負責任地告訴大家，AlphaGo還沒有完全攻克圍棋這個難題，職業(yè)棋手也并非沒有希望贏Go了，更不能說機器戰(zhàn)勝了人類。AlphaGo未來需要走的路還很長。如果有中國職業(yè)棋手想挑戰(zhàn)AlphaGo，我們愿意為其組建最頂尖（且懂圍棋）的人工智能專家顧問團，助其取勝AlphaGo。
雖然網(wǎng)上技術貼不少，但還沒有一篇文章完全講清楚AphaGo的原理，Nature上刊登的文章也缺乏一張刨解全局的圖（加之用英文描述，同學們很難理解透徹）。以下是我跟張鈞波博士在多次閱讀原文并收集了大量其他資料后，一起完成的一張圖，解釋了AlphaGo的原理，看完后大家自然知道其弱點在何處了。
圖1、AlphaGo的原理圖 (作者為本圖花費大量心血，版權歸兩位作者所有，歡迎轉(zhuǎn)發(fā)，但請勿盜圖)
AlphaGo總體上包含離線學習（圖1上半部分）和在線對弈（圖1下半部分）兩個過程。
離線學習過程分為三個訓練階段。
第一階段：利用16萬多幅專業(yè)棋手對局的棋譜來訓練兩個網(wǎng)絡。
一個是基于全局特征和深度卷積網(wǎng)絡（CNN）訓練出來的策略網(wǎng)絡（Policy Network）。其主要作用是給定當前盤面狀態(tài)作為輸入，輸出下一步棋在棋盤其它空地上的落子概率。另一個是利用局部特征和線性模型訓練出來的快速走棋策略（Rollout Policy)。策略網(wǎng)絡速度較慢，但精度較高；快速走棋策略反之。
第二階段：利用第t輪的策略網(wǎng)絡與先前訓練好的策略網(wǎng)絡互相對弈，利用增強式學習來修正第t輪的策略網(wǎng)絡的參數(shù)，最終得到增強的策略網(wǎng)絡。
這部分被很多“磚”家極大的鼓吹，但實際上應該存在理論上的瓶頸（提升能力有限）。這就好比2個6歲的小孩不斷對弈，其水平就會達到職業(yè)9段？
第三階段：先利用普通的策略網(wǎng)絡來生成棋局的前U-1步（U是一個屬于[1, 450]的隨機變量），然后利用隨機采樣來決定第U步的位置（這是為了增加棋的多樣性，防止過擬合）。
隨后，利用增強的策略網(wǎng)絡來完成后面的自我對弈過程，直至棋局結束分出勝負。此后，第U步的盤面作為特征輸入，勝負作為label，學習一個價值網(wǎng)絡（Value Network），用于判斷結果的輸贏概率。價值網(wǎng)絡其實是AlphaGo的一大創(chuàng)新，圍棋最為困難的地方在于很難根據(jù)當前的局勢來判斷最后的結果，這點職業(yè)棋手也很難掌握。通過大量的自我對弈，AlphaGo產(chǎn)生了3000萬盤棋局，用來訓練價值網(wǎng)絡。但由于圍棋的搜索空間太大，3000萬盤棋局也不能幫AlphaGo完全攻克這個問題。
在線對弈過程包括以下5個關鍵步驟：其核心思想實在蒙特卡羅搜索樹（MCTS）中嵌入了深度神經(jīng)網(wǎng)絡來減少搜索空間。AlphaGo并沒有具備真正的思維能力。
根據(jù)當前盤面已經(jīng)落子的情況提取相應特征；
利用策略網(wǎng)絡估計出棋盤其他空地的落子概率；
根據(jù)落子概率來計算此處往下發(fā)展的權重，初始值為落子概率本身（如0.18）。實際情況可能是一個以概率值為輸入的函數(shù)，此處為了理解簡便。
利用價值網(wǎng)絡和快速走棋網(wǎng)絡分別判斷局勢，兩個局勢得分相加為此處最后走棋獲勝的得分。這里使用快速走棋策略是一個用速度來換取量的方法，從被判斷的位置出發(fā)，快速行棋至最后，每一次行棋結束后都會有個輸贏結果，然后綜合統(tǒng)計這個節(jié)點對應的勝率。而價值網(wǎng)絡只要根據(jù)當前的狀態(tài)便可直接評估出最后的結果。兩者各有優(yōu)缺點、互補。
利用第四步計算的得分來更新之前那個走棋位置的權重（如從0.18變成了0.12）；此后，從權重最大的0.15那條邊開始繼續(xù)搜索和更新。這些權重的更新過程應該是可以并行的。當某個節(jié)點的被訪問次數(shù)超過了一定的門限值，則在蒙特卡羅樹上進一步展開下一級別的搜索（如圖2所示）。
圖2、MCTS拓展下一級節(jié)點
1、攻其策略網(wǎng)絡，加大搜索空間。
進入中盤后，職業(yè)選手如能建立起比較復雜的局面，每一步棋都牽連很多個局部棋的命運（避免單塊、局部作戰(zhàn)），則AlphaGo需要搜索空間則急劇加大，短時間內(nèi)得到的解的精度就會大打折扣。通俗地說，非常復雜的變化，人算不清楚，現(xiàn)階段計算機的計算力更沒辦法。李世石九段的第四局棋就有這個意思。此處左右上下共5塊黑白棋都相互關聯(lián)到一起，白1下后，黑棋需要考慮很多地方。很多地方都需要在MCTS上進行更深入的搜索。為了在一定的時間內(nèi)有結果，只能放棄搜索精度。
圖3、李世石對AlphaGo第四盤棋棋譜
2、攻其價值網(wǎng)絡，萬劫不復。
AlphaGo的價值網(wǎng)絡極大地提高了之前單純依靠MCTS來做局勢判斷的精度，但離準確判斷圍棋局勢還有不小的差距。神經(jīng)網(wǎng)絡還不能完全避免在某些時候出現(xiàn)一些怪異（甚至錯誤）的判斷，更何況其訓練樣本還遠遠不足。這也是為什么有了價值網(wǎng)絡還仍然需要依靠快速走棋來判斷局勢。
大家都曾經(jīng)懷疑過AlphaGo的打劫能力，也感覺到了AlphaGo有躲避打劫的跡象。實際上南京大學的周志華教授曾經(jīng)撰文指出打劫會讓價值網(wǎng)絡崩潰的問題，原理不再重復。不能說AlphaGo不會打劫，而是害怕在棋局早期的多劫并存。即，打劫要乘早，太晚了搜索空間變小，即便價值網(wǎng)絡失效，還可以靠快速走棋網(wǎng)絡來彌補。開劫應該以在剛剛進入中盤時期為好（太早劫財還不夠），并且保持長時間不消劫，最好在盤面上能同時有兩處以上打劫。沒有了價值網(wǎng)絡的AlphaGo其實水平也就職業(yè)3-5段左右。
AlphaGo已經(jīng)達到了頂尖棋手的水平，但還不能說徹底打敗了人類！
AlphaGo是人類智慧的進步，但其本身并沒有思維和智慧！
數(shù)據(jù)+計算資源+計算方法à人工智能在圍棋項目的進步
注：本文由作者本人授權發(fā)布雷鋒網(wǎng)，如獲授權轉(zhuǎn)載，也請務必標明出處，侵權必究。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
