阿爾法狗的原理是什么？AlphaGo的弱點(diǎn)在哪里？
Google AlphaGo在人機(jī)圍棋比賽中4:1戰(zhàn)勝李世石，體現(xiàn)了人工智能在圍棋領(lǐng)域的突破。作為人工智能領(lǐng)域的工作者，我們深感欣慰。
這場(chǎng)比賽的實(shí)質(zhì)是深度學(xué)習(xí)網(wǎng)絡(luò)(CNN)與蒙特卡羅搜索樹(MCTS)結(jié)合的勝利，是人類智慧的進(jìn)步。不少所謂的“磚”家開始鼓吹機(jī)器戰(zhàn)勝人類、甚至人類將被機(jī)器統(tǒng)治等無知言論，讓人實(shí)在看不下去。
作為圍棋愛好者和人工智能領(lǐng)域工作者，我們覺得是時(shí)候跟大家講講AlphaGo的原理及其弱點(diǎn)了。
可以很負(fù)責(zé)任地告訴大家，AlphaGo還沒有完全攻克圍棋這個(gè)難題，職業(yè)棋手也并非沒有希望贏Go了，更不能說機(jī)器戰(zhàn)勝了人類。AlphaGo未來需要走的路還很長(zhǎng)。
如果有中國(guó)職業(yè)棋手想挑戰(zhàn)AlphaGo，我們?cè)敢鉃槠浣M建最頂尖(且懂圍棋)的人工智能專家顧問團(tuán)，助其取勝AlphaGo。
雖然網(wǎng)上技術(shù)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(xué)們很難理解透徹)。
以下是我們?cè)诙啻伍喿x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(diǎn)在何處了。
AlphaGo的原理圖
AlphaGo總體上包含離線學(xué)習(xí)(上圖上半部分)和在線對(duì)弈(上圖下半部分)兩個(gè)過程。
離線學(xué)習(xí)過程分為三個(gè)訓(xùn)練階段。
第一階段：利用3萬多幅專業(yè)棋手對(duì)局的棋譜來訓(xùn)練兩個(gè)網(wǎng)絡(luò)。
一個(gè)是基于全局特征和深度卷積網(wǎng)絡(luò)(CNN)訓(xùn)練出來的策略網(wǎng)絡(luò)(Policy Network)，其主要作用是給定當(dāng)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(gè)是利用局部特征和線性模型訓(xùn)練出來的快速走棋策略(Rollout Policy)。
策略網(wǎng)絡(luò)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(luò)與先前訓(xùn)練好的策略網(wǎng)絡(luò)互相對(duì)弈，利用增強(qiáng)式學(xué)習(xí)來修正第t輪的策略網(wǎng)絡(luò)的參數(shù)，最終得到增強(qiáng)的策略網(wǎng)絡(luò)。
這部分被很多“磚”家極大的鼓吹，但實(shí)際上應(yīng)該存在理論上的瓶頸(提升能力有限)。
這就好比2個(gè)6歲的小孩不斷對(duì)弈，其水平就會(huì)達(dá)到職業(yè)9段?
第三階段：先利用普通的策略網(wǎng)絡(luò)來生成棋局的前U-1步(U是一個(gè)屬于[1, 450]的隨機(jī)變量)，然后利用隨機(jī)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(qiáng)的策略網(wǎng)絡(luò)來完成后面的自我對(duì)弈過程，直至棋局結(jié)束分出勝負(fù)。此后，第U步的盤面作為特征輸入，勝負(fù)作為label，學(xué)習(xí)一個(gè)價(jià)值網(wǎng)絡(luò)(Value Network)，用于判斷結(jié)果的輸贏概率。
價(jià)值網(wǎng)絡(luò)其實(shí)是AlphaGo的一大創(chuàng)新，圍棋最為困難的就是很難根據(jù)當(dāng)前的局勢(shì)來判斷最后的結(jié)果，這點(diǎn)職業(yè)棋手也很難掌握。
通過大量的自我對(duì)弈，AlphaGo產(chǎn)生了3000萬盤棋局，用作訓(xùn)練學(xué)習(xí)價(jià)值網(wǎng)絡(luò)。但由于為其的搜索空間太大，3000萬盤棋局也不能幫AlphaGo完全攻克這個(gè)問題。
在線對(duì)弈過程包括以下5個(gè)關(guān)鍵步驟：其核心思想是在蒙特卡洛搜索樹(MCTS)中嵌入深度神經(jīng)網(wǎng)絡(luò)來減少搜索空間。AlphaGo并沒有具備真正的思維能力。
1、根據(jù)當(dāng)前盤面已經(jīng)落子的情況提取相應(yīng)特征;
2、利用策略網(wǎng)絡(luò)估計(jì)出棋盤其他空地的落子概率;
3、根據(jù)落子概率來計(jì)算此處往下發(fā)展的權(quán)重，初始值為落子概率本身(如0.18)。實(shí)際情況可能是一個(gè)以概率值為輸入的函數(shù)，此處為了理解簡(jiǎn)便。
4、利用價(jià)值網(wǎng)絡(luò)和快速走棋網(wǎng)絡(luò)分別判斷局勢(shì)，兩個(gè)局勢(shì)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(gè)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(jié)束后都會(huì)有個(gè)輸贏結(jié)果，然后綜合統(tǒng)計(jì)這個(gè)節(jié)點(diǎn)對(duì)應(yīng)的勝率。
價(jià)值網(wǎng)絡(luò)只要根據(jù)當(dāng)前的狀態(tài)便可直接評(píng)估出最后的結(jié)果。兩者各有優(yōu)缺點(diǎn)、互補(bǔ)。
5、利用第四步計(jì)算的得分來更新之前那個(gè)走棋位置的權(quán)重(如從0.18變成了0.12);此后，從權(quán)重最大的0.15那條邊開始繼續(xù)搜索和更新。
這些權(quán)重的更新過程應(yīng)該是可以并行的。當(dāng)某個(gè)節(jié)點(diǎn)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(jìn)一步展開下一級(jí)別的搜索。
MCTS拓展下一級(jí)節(jié)點(diǎn)
AlphaGo的弱點(diǎn)在哪里?
1、攻其策略網(wǎng)絡(luò)，加大搜索空間。
進(jìn)入中盤后，職業(yè)選手如能建立起比較復(fù)雜的局面，每一步棋都牽連很多個(gè)局部棋的命運(yùn)(避免單塊、局部作戰(zhàn))，則AlphaGo需要搜索空間則急劇加大，短時(shí)間內(nèi)得到的解的精度就會(huì)大打折扣。
李世石九段的第四局棋就有這個(gè)意思。此處左右上下共5塊黑白棋都相互關(guān)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(jìn)行跟深入的搜索。為了在一定的時(shí)間內(nèi)有結(jié)果，只能放棄搜索精度。
李世石對(duì)AlphaGo第四盤棋棋譜
2、攻其價(jià)值網(wǎng)絡(luò)，萬劫不復(fù)。
AlphaGo的價(jià)值網(wǎng)絡(luò)極大的提高了之前單純依靠MCTS來做局勢(shì)判斷的精度，但離準(zhǔn)確判斷圍棋局勢(shì)還有不小的差距。神經(jīng)網(wǎng)絡(luò)還不能完全避免在某些時(shí)候出現(xiàn)一些怪異(甚至錯(cuò)誤)的判斷，更何況其訓(xùn)練樣本還遠(yuǎn)遠(yuǎn)不足。
這也是為什么有了價(jià)值網(wǎng)絡(luò)還仍然需要依靠快速走棋來判斷局勢(shì)。
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(shí)際上南京大學(xué)的周志華教授曾經(jīng)撰文指出過打劫會(huì)讓價(jià)值網(wǎng)絡(luò)崩潰的問題，原理不再重復(fù)。
總之，打劫要乘早，太晚了搜索空間變小，即便價(jià)值網(wǎng)絡(luò)失效，還可以靠快速走棋網(wǎng)絡(luò)來彌補(bǔ)。
開劫應(yīng)該以在剛剛進(jìn)入中盤時(shí)期為好(太早劫財(cái)還不夠)，并切保持長(zhǎng)時(shí)間不消劫，最好在盤面上能同時(shí)有兩處以上打劫。
沒有了價(jià)值網(wǎng)絡(luò)的AlphaGo其實(shí)水平也就職業(yè)3段左右。
鄭宇(博士、教授、博士生導(dǎo)師)微軟亞洲研究院 主管研究員、城市計(jì)算領(lǐng)域負(fù)責(zé)人，Editor-in-Chief of ACM Transactions on Intelligent Systems and Technology，2013年被MIT Techology Review評(píng)委全球杰出青年創(chuàng)新者(MIT TR35)，ACM數(shù)據(jù)挖掘中國(guó)分會(huì)秘書長(zhǎng)。
張鈞波(博士)，微軟亞洲研究院副研究員、城市計(jì)算組成員，從事深度學(xué)習(xí)領(lǐng)域的研究。