alphago编程语言
cysgjj时间2024-06-18 01:28:18分类编程语言浏览101
AlphaGo是如何下棋的，它真的能“理解”围棋吗？
简单说就是对多种赢的规则进行赋权，之后每下一个子就进行所有可能性的分析，选取权较大的可能性。运算能力决定可能性分析的拓展范围，同时使用棋谱匹配提高运算效率。所以决定电脑围棋能力的决定性因素是运算能力。
在一局围棋中，平均每一步的下法大约有200种可能，若全部计算的话，棋盘上可能出现的局面总数到了远大于宇宙中原子总数的地步。因此，通过暴力穷举手段预测所有的可能情况并从中筛选中最优势走法的思路，并不适用于围棋，所以AlphaGo选择了别的下棋方式。
支撑AlphaGo提高棋力、打败人类选手的“秘诀” 有三个：深度神经网络、监督和强化学习、蒙特卡罗树搜索。
1.深度神经网络是包含超过一个认知层的计算机神经网络。对于人工智能而言，世界是被用数字的方式呈现的。人们将人工智能设计出不的“层”来解决不同层级的认知任务，这种具备许多“层”的神经网络，被称为深度神经网络。AlphaGo包含两种深度神经网络：价值网络和策略网络，价值网络使得AlphaGo能够明晰局势的判断，左右全局“战略”，抛弃不合适的路线；策略网络使得AlphaGo能够优化每一步落子，左右局部“战术”，减少失误。两者结合在一起，使得AlphaGo不需要过于庞大的计算也能够走出精妙的棋局。
2.监督学习和强化学习是机器学习方式的不同种类。监督学习是指机器通过人类输入的信息进行学习，而加强学习是指机器自身收集环境中的相关信息作出判断，并综合成自己的“经验”。在初始阶段，AlphaGo收集研究者输入的大量棋局数据，学习人类棋手的下法，形成自己独特的判断方式。之后在不计其数的自己与自己模拟对弈，以及每一次与人类棋手对弈中，AlphaGo都能并根据结果来总结并生成新的范式，实现自我提高。
3.最后需要说的是蒙特卡洛树，这是一种搜索算法，AI在利用它进行决策判断时会从根结点开始不断选择分支子结点，通过不断的决策使得游戏局势向AI预测的最优点移动，直到模拟游戏胜利。AI每一次的选择都会同时产生多个可能性，它会进行仿真运算，推断出可能的结果再做出决定。
因为比较久远了，我先按记忆里的科普来尝试回答，等大牛来详解。
DM的基本原理就是开发者通过把成千上万的棋谱输入进去之后，并且让计算机去总结归纳出一个最优方案，让计算机通过快速运算得出一个最优化（胜率最高）的走法。具体的计算和处理逻辑可能只有内部人士可以去剖析了，我们外部人员只能知道皮毛。
但是有一点是肯定的，这需要极大的计算量以及非常庞大的逻辑编程系统，这也是为什么DM是人工智能发展至今的顶峰。
现在这个AlphaGo主要是机器学习加上蒙特卡洛斯搜索这两套技术合在一起研发出来的。机器学习主要是机器和机器下棋，通过强化学习算法，自己和自己下棋，积累大量的下棋经验，这是很重要的一部分。相当于我们用一套人工神经网络，叫价值网络来实现这部分的走法。还有一部分叫蒙特卡洛斯搜索，是属于经典的人工智能算法，是把随机性和基于树的搜索结合在一起。然后，这两部分是如何结合的呢？在蒙特卡洛斯搜索的时候，要用到启发式信息，而这个启发式信息恰恰是机器和机器自我学习生成的价值网络来提供的，所以AlphaGo把经典的人工智能和新的深度学习融合在一起了，通过这样一种方式才变得这么厉害。在早期，和李世石对战的时候，加了政策网络，也就是把和人类下棋的经验做到了政策网络中，所以AlphaGo还在借鉴人类的经验。而2017年初的把六十多个选手打败的maser就没有人类的任何经验，完全是自己和自己下棋的方式学到的经验，从而变得这么厉害。AlphaGo目前来看，胜算是很大的，是能战胜柯洁的
[免责声明]本文来源于网络，不代表本站立场，如转载内容涉及版权等问题，请联系邮箱:83115484@qq.com，我们会予以删除相关文章，保证您的权利。转载请注明出处：http://www.wnpsw.com/post/14945.html
