AlphaZero如何快速学习每个游戏，如何从随机对弈开始训练

不仅会下围棋，还自学成才横扫国际象棋和日本将棋的DeepMind AlphaZero，登上了最新一期《科学》杂志封面。

同时，这也是经过完整同行审议的AlphaZero论文，首次公开发表。

论文描述了AlphaZero如何快速学习每个游戏，如何从随机对弈开始训练，在没有先验知识、只知道基本规则的情况下，成为史上最强大的棋类人工智能。

《科学》杂志评价称，能够解决多个复杂问题的单一算法，是创建通用机器学习系统，解决实际问题的重要一步。

DeepMind说，现在AlphaZero已经学会了三种不同的复杂棋类游戏，并且可能学会任何一种完美信息博弈的游戏，这“让我们对创建通用学习系统的使命充满信心”。

AlphaZero到底有多厉害？再总结一下。

在国际象棋中，AlphaZero训练4小时就超越了世界冠军程序Stockfish；

在日本将棋中，AlphaZero训练2小时就超越了世界冠军程序Elmo。

在围棋中，AlphaZero训练30小时就超越了与李世石对战的AlphaGo。

AlphaZero有什么不同

国际象棋有什么难的？

实际上，国际象棋是计算机科学家很早就开始研究的领域。1997年，深蓝击败了人类国际象棋冠军卡斯帕罗夫，这是一个人工智能的里程碑。此后20年，国际象棋的算法在超越人类后，一直还在不断地进步。

这些算法都是由强大的人类棋手和程序员构建，基于手工制作的功能和精心调整的权重来评估位置，并且结合了高性能的alpha-beta搜索。

而提到游戏树的复杂性，日本将棋比国际象棋还难。日本将棋程序，使用了类似国际象棋的算法，例如高度优化的alpha-beta搜索，以及许多有针对性的设置。

AlphaZero则完全不同，它依靠的是深度神经网络、通用强化学习算法和通用树搜索算法。除了基本规则之外，它对这些棋类游戏一无所知。

其中，深度神经网络取代了手工写就的评估函数和下法排序启发算法，蒙特卡洛树搜索（MCTS）算法取代了alpha-beta搜索。

AlphaZero深度神经网络的参数，通过自我博弈的强化学习来训练，从随机初始化的参数开始。

随着时间推移，系统渐渐从输、赢以及平局里面，学会调整参数，让自己更懂得选择那些有利于赢下比赛的走法。

那么，围棋和国际象棋、将棋有什么不同？

围棋的对弈结局只有输赢两种，而国际象棋和日本将棋都有平局。其中，国际象棋的最优结果被认为是平局。

此外，围棋的落子规则相对简单、平移不变，而国际象棋和日本将棋的规则是不对称的，不同的棋子有不同的下法，例如士兵通常只能向前移动一步，而皇后可以四面八方无限制的移动。而且这些棋子的移动规则，还跟位置密切相关。

尽管存在这些差异，但AlphaZero与下围棋的AlphaGo Zero使用了相同架构的卷积网络。

AlphaGo Zero的超参数通过贝叶斯优化进行调整。而在AlphaZero中，这些超参数、算法设置和网络架构都得到了继承。

除了探索噪声和学习率之外，AlphaZero没有为不同的游戏做特别的调整。

5000个TPU练出最强全能棋手

系统需要多长时间去训练，取决于每个游戏有多难：国际象棋大约9小时，将棋大约12小时，围棋大约13天。

只是这个训练速度很难复现，DeepMind在这个环节，投入了5000个一代TPU来生成自我对弈游戏，16个二代TPU来训练神经网络。

训练好的神经网络，用来指引一个搜索算法，就是蒙特卡洛树搜索 (MCTS) ，为每一步棋选出最有利的落子位置。

每下一步之前，AlphaZero不是搜索所有可能的排布，只是搜索其中一小部分。

比如，在国际象棋里，它每秒搜索6万种排布。对比一下，Stockfish每秒要搜索6千万种排布，千倍之差。

△每下一步，需要做多少搜索？

AlphaZero下棋时搜索的位置更少，靠的是让神经网络的选择更集中在最有希望的选择上。DeepMind在论文中举了个例子来展示。

上图展示的是在AlphaZero执白、Stockfish执黑的一局国际象棋里，经过100次、1000次……直到100万次模拟之后，AlphaZero蒙特卡洛树的内部状态。每个树状图解都展示了10个最常访问的状态。

经过全面训练的系统，就和各个领域里的最强AI比一比：国际象棋的Stockfish，将棋的Elmo，以及围棋的前辈AlphaGo Zero。

每位参赛选手都是用它最初设计中针对的硬件来跑的：

Stockfish和Elmo都是用44个CPU核；AlphaZero和AlphaGo Zero用的都是一台搭载4枚初代TPU和44个CPU核的机器。

(一枚初代TPU的推理速度，大约相当于一个英伟达Titan V GPU。)

另外，每场比赛的时长控制在3小时以内，每一步棋不得超过15秒。

比赛结果是，无论国际象棋、将棋还是围棋，AlphaGo都击败了对手：

国际象棋，大比分击败2016 TCEC冠军Stockfish，千场只输155场。

将棋，大比分击败2017 CSA世界冠军Elmo，胜率91.2%。

围棋，击败自学成才的前辈AlphaGo Zero，胜率61%。

不按套路落子

因为AlphaZero自己学习了每种棋类，于是，它并不受人类现有套路的影响，产生了独特的、非传统的、但具有创造力和动态的棋路。

在国际象棋里，它还发展出自己的直觉和策略，增加了一系列令人兴奋的新想法，改变了几个世纪以来对国际象棋战略的思考。

国际象棋世界冠军卡斯帕罗夫也在《科学》上撰文表示，AlphaZero具备动态、开放的风格，“就像我一样”。他指出通常国际象棋程序会追求平局，但AlphaZero看起来更喜欢风险、更具侵略性。卡斯帕罗夫表示，AlphaZero的棋风可能更接近本源。

卡斯帕罗夫说，AlphaZero以一种深刻而有用的方式超越了人类。

国际象棋大师马修·萨德勒（Matthew Sadler）和女性国际大师娜塔莎·里根（Natasha Regan）即将于2019年1月出版新书《棋类变革者（Game Changer）》，在这本书中，他们分析了数以千计的AlphaZero棋谱，认为AlphaZero的棋路不像任何传统的国际象棋引擎，马修·萨德勒评价它为“就像以前翻看一些厉害棋手的秘密笔记本。”

棋手们觉得，AlphaZero玩这些游戏的风格最迷人。

国际象棋特级大师马修·萨德勒说：“它的棋子带着目的和控制力包围对手的王的方式”，最大限度地提高了自身棋子的活动性和移动性，同时最大限度地减少了对手棋子的活动和移动性。

与直觉相反，AlphaZero似乎对“材料”的重视程度较低，这一想法是现代游戏的基础，每一个棋子都具有价值，如果玩家在棋盘上的某个棋子价值高于另一个，那么它就具有物质优势。AlphaZero愿意在游戏早期牺牲棋子，以获得长期收益。

“令人印象深刻的是，它设法将自己的风格强加于各种各样的位置和空缺，”马修说他也观察到，AlphaZero以非常刻意的方式发挥作用，一开始就以“非常人性化的坚定目标”开始。

“传统引擎非常强大，几乎不会出现明显错误，但在面对没有具体和可计算解决方案的位置时，会发生偏差，”他说。 “正是在这样的位置，AlphaZero才能体现出‘感觉’，‘洞察’或‘直觉’。”

这种独特的能力，在其他传统的国际象棋程序中看不到，并且已经给最近举办的世界国际象棋锦标赛提供了新的见解和评论。

“看看AlphaZero的分析与顶级国际象棋引擎甚至顶级大师级棋手的分析有何不同，这真是令人着迷，”女棋手娜塔莎·里根说。 “AlphaZero可以成为整个国际象棋圈强大的教学工具。”

AlphaZero的教育意义，早在2016年AlphaGo对战李世石时就已经看到。

在比赛期间，AlphaGo发挥出了许多极具创造性的胜利步法，包括在第二场比赛中的37步，这推翻了之前数百年的思考。这种下法以及其他许多下法，已经被包括李世石本人在内的所有级别的棋手研究过。

他对第37步这样评价：“我曾认为AlphaGo是基于概率计算的，它只是一台机器。但当我看到这一举动时，我改变了想法。当然AlphaGo是有创造性的。“

不仅仅是棋手

DeepMind在博客中说AlphaZero不仅仅是国际象棋、将棋或围棋。它是为了创建能够解决各种现实问题的智能系统，它需要灵活适应新的状况。

这正是AI研究中的一项重大挑战：系统能够以非常高的标准掌握特定技能，但在略微修改任务后往往会失败。

AlphaZero现在能够掌握三种不同的复杂游戏，并可能掌握任何完美信息游戏，解决了以上问题中重要的一步。

他们认为，AlphaZero的创造性见解，加上DeepMind在AlphaFold等其他项目中看到的令人鼓舞的结果，带来了创建通用学习系统的信心，有助于找到一些新的解决方案，去解决最重要和最复杂的科学问题。

DeepMind的Alpha家族从最初的围棋算法AlphaGo，几经进化，形成了一个家族。

刚提到的AlphaFold，最近可以说关注度爆表。

它能根据基因序列来预测蛋白质的3D结构，还在有“蛋白质结构预测奥运会”之称的CASP比赛中夺冠，力压其他97个参赛者。这是“证明人工智能研究驱动、加速科学进展重要里程碑”，DeepMInd CEO哈萨比斯形容为“灯塔”。

从2016年AlphaGo论文发表在《自然》上，到今天AlphaZero登上《科学》，Alpha家族除了最新出炉的AlphaFold之外，AlphaGo、AlphaGo Zero和AlphaZero已经全部在顶级期刊Nature和Science上亮相。

期待轰动科研界的AlphaFold论文早日露面。

AlphaZero论文

这篇刊载在《科学》上的论文，题为：

A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play

作者包括：David Silver、Thomas Hubert、Julian Schrittwieser、Ioannis Antonoglou、Matthew Lai、Arthur Guez、Marc Lanctot、Laurent Sifre、Dharshan Kumaran、Thore Graepel、Timothy Lillicrap、Karen Simonyan、Demis Hassabis。

《科学》刊载的论文在此：http://science.sciencemag.org/content/362/6419/1140

棋局可以在此下载：https://deepmind.com/research/alphago/alphazero-resources/

DeepMind还特别写了一个博客，传送门：https://deepmind.com/blog/alphazero-shedding-new-light-grand-games-chess-shogi-and-go/