本文是学人工神经网络后试图理解人工智能领域最热门的AlphaGo对弈应用。综合浓缩了众多博主的观点。
由于状态空间无法穷举，博弈类游戏AI都采用了（启发式）搜索算法，即从当前状态出发，尝试可靠的行动，达到终局或一定步数后停止，根据后续局面的优劣反馈，采取最优行动。 为了评估行动是否可靠，引入策略函数Q（a|s）和评估函数V（s），策略函数Q即在当前状态（state）下能采取的行动（action），评估函数V对当前状态评分，AlphaGo采用卷积神经网络拟合这两个函数。AlphaGo应用的蒙特卡罗树搜索（MCTS）是一种搜索框架，它把游戏的进程用树结构表示，通过反复模拟和采样对局过程来探索状态空间。它有如下特点：
- 并行搜索，对可靠的多个行动同时进行推演；
- 能随时进行，随时停止。 在对方思考对策时，不停止推演，在对方走子后保留之前的状态，根据最新的状态 进行推演。对方实际走子可能出现在刚才的推演中，所以刚才的计算是有用的。
- 随机性采样，能减小估值错误的负面影响。
- 在探索状态空间过程中，能应用神经网络选择节点，能结合强化学习调整评估函数。
- 它基于规则进行推演，而神经网络基于案例训练出评估函数，用来调整蒙特卡罗树搜索。
机器学习大体上可以分为四部分：数据集、系统模型、训练方法、评估方法。下面分别解释AlphaGo的这几个部分：
数据集：一个个独立的KGS人类在线围棋比赛棋谱、机器自我对弈棋谱作为训练集，最后的胜负作为目标；
模型：策略网络（policy network）和评估网络（value network），它们都是卷积神经网络。
策略网络P(a|s)也叫走棋网络，表示在当前状态(state)下，走子(action)的概率分布。输入当前棋局，输出棋盘上361个点的概率分布矩阵，即下一手棋子落在棋盘各个点的偏好；
评估网络V(s)，输入当前棋局，输出单个值，给出当前棋局的总体评分，取值[0,1]，也可以看作当前棋局的胜率。输入的棋局包括自己下的和对方下的，即也给对方下的这一手评判。
训练方法：监督学习SL（SupervisedLearning）、增强学习RL（Reinforced Learning）；
评估方法：终局获胜；
训练过程：
神经网络都存在一个激活函数y=f(x)，机器学习训练的过程就是通过给定大量的x和y，学习函数f，找准映射关系。y做为训练目标，可以取一个值或者一个矩阵。AlphaGo的训练过程如下：
- 训练策略网络P_net：采用监督学习。训练集为三千万的KGS人类对弈棋局图片，目的是对每个盘面做下一手预测。不同的盘面相互独立，没做成时间序列。一个盘面是19x19的二维向量s，将其输入神经网络，目的是让神经网络输出的a'不断逼近人类选手的下法a。 可以理解为学“定式”。
- 训练增强策略网络P_plus：采用增强学习，自我对弈。胜率高，但变化少，所以没直接应用在对弈过程中，主要用来生成盘面来训练V_net。
- 训练快速走棋模型P_fast，没采用神经网络训练，而是传统的局部模式匹配+线性回归，研究者基于对围棋的理解提炼出对局部落子算法。
- 训练评估网络V_net，采用增强学习，训练集为3000万人类对弈棋局和不断增长的自我对弈棋局，得到对当前盘面的胜率评估网络，即快速判断我这种局面能不能嬴。有了它，在比赛过程中就不必要用MCTS推演到终局才知道结果。
对弈过程：
整个对弈过程以蒙特卡罗树搜索算法为框架，探索各种可能下法：
- 对于当前盘面，P_net先给出几个可能选点概率；
- 对每个选点进行自我对弈往后推演，展开搜索树；
- 对各个节点的盘面进行评估，胜率高则继续推演，胜率低则剪掉。评估结果是两种方法平均加权：V_net基于盘面给出评估分数；P_fast基于盘面自我对弈到终局，返回当前盘面的胜率。
相关讨论：
- AlphaGo只求胜，不求大胜（嬴最大目数），对它来说嬴多赢少没区别。例如a选择是70%概率嬴十目，b 80%概率嬴一目，c 90%概率嬴二目，AlphaGo一定会选c，而人类会选a。因为人类没有计算机强大的计算能力，只能依靠不断积累优势来获胜。
- Alpha Go没有局部概念，求不出局部最优解。对行棋次序的组合无法遍历完。局部战斗仍然要放到最终局才能判断优劣。
- 没有采用递归神经网络RNN，所以没有基于时间序列，不会根据已经下出来的棋做决策，下棋没有逻辑。
- Alpha Go遇强则强，遇弱则弱。每一步的推演都假设对方知道自己的决策，假设对方最强。所以遇到弱手后会删掉之前正确的策略。
- 可能会出现神经网络的通病-“过拟合”问题。长期和自己下，时间久了会达到自洽，导致遇盲点而不见。所以要用不同等级的AlphaGo对弈。
- 卷积神经网络CNN对围棋拓扑图无感。围棋不是一般意义上的图案，棋子连成的形状最重要是没有断点，而具体是什么形状厚还是薄没有关系，一块连在一起的棋子中有一个眼、两个眼还是十目以上的大空是有区别。
- 是否会有升级版Beta Go，以嬴最多目数为目的，这样就会成为棋风凶狠的棋手。这样说来围棋AI还有更多发展空间。
- 是否能引入RNN，把整个棋局看作时许序列，而不仅仅是独立的盘面，这样更有逻辑性。在棋局不同阶段，动态选取两种评估方法的权重，而不是固定的0.5。
- Alpha Go不能通过观察一个棋手的棋局来学会他的“棋风”，再有针对性地攻其弱点，因为训练样本太小。
- 让人工智能下围棋是为了更深入理解智能的本质，理解人是怎么思考问题。
疑问：
1. 一个系统需要多个神经网络还是一个神经网络？
感觉对弈过程是在海量的训练集中寻找相同的盘面，一个盘面一个结果。 训练集中有人类的盘面，有机器自我对弈的盘面，一部分基于统计，一部分基于规则。如果是这样，遇到没出现过的盘面怎么办？
2. 蒙特卡罗树搜索和神经网络的在对弈过程中的角色、发挥的作用是什么？
我的理解：蒙特卡罗树MCTS基于规则推演，神经网络基于案例学习，神经网络训练完后作为盘面应对策略数据库和评分数据库。开局，蒙特卡罗树随机选择一个好开局，再基于规则对各种下法并行展开推演，对方下棋后，MCTS根据盘面，搜索到对应的策略网络，得到多种走棋方法，作为树的子节点，对每一个节点，搜索相同盘面，找到对应的评估网络，给出胜率得分（同时并行地对每个节点快速自我对弈到终局，得到胜率），综合概率和胜率得分，选择走子。对方走棋后继续这样搜索。
参考文献：
- AlphaGo如何下棋：https://www.zhihu.com/question/41176911
- 观棋录：http://imaginary.farmostwood.net/597.html
- AlphaGo的分析：https://zhuanlan.zhihu.com/p/20607684
- 关于 AlphaGo 论文的阅读笔记http://imaginary.farmostwood.net/594.html
