2017年10月19日凌晨，DeepMind 在《自然》杂志上发表了一篇论文，正式推出人工智能围棋程序的最新版本——AlphaGo Zero．

AlphaGo Zero成长史

 最初AlphaGo Zero除了围棋的基本规则以外，没有任何关于围棋的知识；
 3个小时之后，它通过自学入门围棋，成为人类初学者水平；
 19个小时之后，它自已总结出了一些＂套路＂，比如死活，打劫，先占边角等等；
 自学第三天后，它战胜了AlphaGo Lee（当初击败李世石的AlphaGo版本）；
 自学第四十天后，它战胜了AlphaGo Master（今年击败柯洁的AlphaGo版本）

 与之前的AlphaGo版本相对，它不但提高了水平，而且节约了算力．

 这还不是最重要的，最重要的是它只使用了增强学习，因此它的意义就不仅仅是赢得棋类比较这么简单了．

增强学习

 先来看看什么是增强学习（Reinforcement Learning），我们知道机器学习分为有监督学习和无监督学习，增强学习介于它们两个之间，它关注的是智能体如何在环境中采取一系列行为，从而获得最大的累积回报。简单地说就是边干边学．
 之前的AlphaGo版本也用到了增强学习，它先使用人类专家下棋数据作为训练（有监督学习），然后再让机器自己和自己对弈（增强学习）并从中吸取经验．而AlphaGo Zero是完全不使用专家数据训练，只使用增强学习，并且成功了．它在几天之内进行了上百万盘自我对弈，达到了人类围棋巅峰水平，而且那些＂套路＂都是它自己总结出来的，看到学习过程图真的很震撼（具体图请见论文），感觉它把人类成百上千年的围棋技术发展史浓缩在几天之内了．

 如果用人类专家的方法训练机器，机器一般只能发展到和人类专家相似的水平．AlphaGo Zero证明了机器只不会鹦鹉学舌，它能自学，而且速度还挺快．从这个角度看，它确实具有里程碑的意义．

AlphaGo 版本比较

 下面从技术角度看看Zero与AlphaGo早期版本相比，到底有哪些进步．早期的AlphaGo使用的是卷积神经网络，Zero加入了残差网络；早期使用决策和价值两个网络，Zero将它们合二为一；早期是人工提取特征，Zero直接把棋子位置直接作为输入；早期是有监督学习与增强学习相结合，Zero只使用了增强学习．（具体请见论文）
 同样它们都使用了神经网络，蒙特卡洛搜索树算法，而算力从原来的48个TPU降到了4个TPU．总之，它的进步主要是采用新技术和化繁为简．有点像哥白尼的日心说，一下把复杂的事情变简单了．

机器自学能否超越人类

 有人说，人的脑细胞不是更多，为什么让机器给超越了呢？机器把所有时间和运算力都放在训练棋局上，人的大脑虽然厉害，但是分块处理各种工作，每天工作时间也有限．并且神经网络算法里还加入了很多优化算法并不完全和人脑一样．
 又有人说，原来说机器学习就是鹦鹉学舌，那么经过增强学习，机器是否就可以自学，跳出人类模型，创造模型，超越人类呢？
 人是高级动物，把刚生出来的小孩扔到大森林里他活不了，反而一些低级动物一生出来就能自己生活．因为低级动物的生存的目标，规则，方法都比较简单，而基因中又刻画了一些先天的技能．就像棋类游戏，有确定的规则，可判定的结果．目标，价值，损失…由于人需要处理更复杂的问题，所以需要更多积淀和更灵活的框架．这也是目前算法欠缺的地方（个人观点，仅供参考）．人类还有一些明显有优势，比如：从少量的训练中积累经验（基于人的常识系统）；知识迁移（见Minsky的框架理论）等等，这属于人工智能中的其它领域了．
 棋类游戏比较容易定义和模拟场景，属于一个很抽象的领域，可以不断地试错．在真实的世界里，大多数事情都没机会多试，不可能让汽车在大街上去练自动驾驶，积累经验．这也局限了增强学习的使用范围．

论文原文

 论文原文《Mastering the game of Go without human knowledge》请见：
https://deepmind.com/documents/119/agz_unformatted_nature.pdf
建议阅读原文，读起来确实激动人心，一共40多页，没空的话读前14页即可．后面是 References，技术细节和图表数据．

技术文章定时推送
请关注公众号：算法学习分享