编辑 | Vincent
编译 | 陈利鑫
AI前线出品｜ ID：ai-front
AI 前线导语：前不久，谷歌 DeepMind 发布了 AlphaGo 的进阶版本 AlphaGo Zero。后者的表现证明了，在复杂多变的环境下，把没有预先输入的“白板”程序，训练成超人水平是有可能实现的。与此前 100 胜 0 败战绩的 AlphaGo 相比， AlphaGo Zero 使用 4TPUs 替代了 48TPUs，而且需要的神经网络数量也由两条变成一条。那么， AlphaGo Zero 的工作原理是怎样的？其实一张图就可以解释。
上图是根据在《自然》上发表的文章绘制，解释了 AlphaGo Zero 是怎样将深度学习和蒙特卡洛树搜索结合，使之具有超强的强化学习算法能力。
简单来说，AlphaGo Zero 的训练可以分为三个同时进行的阶段：自我对战、再训练网络、评估网络。
在自我对战阶段， AlphaGo Zero 创建一个训练集合，自我完成对战 25000 次。棋局每变动一次，博弈、搜索可能性和胜出者的信息将被存储。
训练网络阶段，是神经网络权值得到优化的过程。在一次完整的训练循环中， AlphaGo Zero 将从 50 万局博弈中选取 2048 个移动位置作为样品，并对这些位置的神经网络进行训练。之后，通过损失函数，来对比神经网络预测与搜索可能性和实际胜出方的信息。每完成一千次这样的训练循环，就对神经网络进行一次评估。
在评估网络阶段，测试新的神经网络是否得到优化。在这个过程中，博弈双方都通过各自的神经网络评估叶节点，并使用蒙特卡洛树搜索进行下一步棋路的选择。
这样，在没有任何人类专业知识和数据输入的情况下，AlphaGo Zero 完成了了神经网络的“自学”过程。
AlphaGo 的进阶之路
目前，人类的专业知识资源相对昂贵，可靠性具有不确定性，而且获取难度较大，AI 的目的之一，就包括克服这个难题，发现在无需巨大人力投入前提下，可执行庞大计算的解决方案。
AlphaGo Zero 并没有被输入围棋比赛相关知识，仅了解简单的游戏规则，但其在 3 天内即超越曾打败世界围棋冠军李世石的 AlphaGo Lee，21 天超越曾战胜 60 位全球最顶尖专业围棋选手和柯洁的 AlphaGo Master，40 天后超越另一版本的 AlphaGo，成为迄今为止最强大的 AlphaGo。
视频链接：https://v.qq.com/x/page/i05626amo4e.html
与之前版本的 AlphaGo 相比，AlphaGo Zero 性能更优，凭借新型的强化学习方法，AlphaGo Zero 成为自身的“老师”。这个系统通过对围棋游戏一无所知的神经网络，结合强大的搜索算法，自学博弈。在对战过程中，神经网络可以感知并预测对手的下一步动作。
总而言之，AlphaGo Zero 之所以比之前版本更加强大，是因为其不受人类知识的限制，而是能够从世界上最强大的玩家——自身，学习并发明自己的战略。
在 AlphaGo 和 AlphaGo Zero 的数百万次对战中，AlphaGo Zero 不断从博弈中学习，在几天之内就将人类数千年凝聚的智慧学到手。不仅如此，AlphaGo Zero 还发现了新的知识，在对战中创造了自己的策略和创新性的招数。
AlphaGo Zero 的创新性“举动”，一定程度上证明了 AI 可以超越人类的智慧，帮助人类解决困难和挑战，更多 AI 技术如果在蛋白质折叠、减少能源消耗、发现新材料等领域得到突破性的应用，将会对社会产生巨大的积极影响。
－全文完－
人工智能已不再停留在大家的想象之中，各路大牛也都纷纷抓住这波风口，投入AI创业大潮。那么，2017年，到底都有哪些AI落地案例呢？机器学习、深度学习、NLP、图像识别等技术又该如何用来解决业务问题？
2018年1月11-14日，AICon全球人工智能技术大会上，一些大牛将首次分享AI在金融、电商、教育、外卖、搜索推荐、人脸识别、自动驾驶、语音交互等领域的最新落地案例，应该能学到不少东西。目前大会8折报名倒计时，更多精彩可点击阅读原文详细了解。
网友评论