AlphaZero登上《科學》封面：一個演算法“通殺”三大棋，完整論文首次釋出
編者按：本文來自 ofollow,noindex">“量子位” （ID：QbitAI），作者：乾明、一璞、栗子、曉查，36氪經授權轉載。
不僅會下圍棋，還自學成才橫掃國際象棋和日本將棋的DeepMind AlphaZero，登上了最新一期《科學》雜誌封面。
同時，這也是經過完整同行審議的AlphaZero論文，首次公開發表。
論文描述了AlphaZero如何快速學習每個遊戲，如何從隨機對弈開始訓練，在沒有先驗知識、只知道基本規則的情況下，成為史上最強大的棋類人工智慧。
《科學》雜誌評價稱，能夠解決多個複雜問題的單一演算法，是建立通用機器學習系統，解決實際問題的重要一步。
DeepMind說，現在AlphaZero已經學會了三種不同的複雜棋類遊戲，並且可能學會任何一種完美資訊博弈的遊戲，這“讓我們對建立通用學習系統的使命充滿信心”。
AlphaZero到底有多厲害？再總結一下。
-
在國際象棋中，AlphaZero訓練4小時就超越了世界冠軍程式Stockfish；
-
在日本將棋中，AlphaZero訓練2小時就超越了世界冠軍程式Elmo。
-
在圍棋中，AlphaZero訓練30小時就超越了與李世石對戰的AlphaGo。
AlphaZero有什麼不同， 國際象棋有什麼難的？
實際上，國際象棋是電腦科學家很早就開始研究的領域。1997年，深藍擊敗了人類國際象棋冠軍卡斯帕羅夫，這是一個人工智慧的里程碑。此後20年，國際象棋的演算法在超越人類後，一直還在不斷地進步。
這些演算法都是由強大的人類棋手和程式設計師構建，基於手工製作的功能和精心調整的權重來評估位置，並且結合了高效能的alpha-beta搜尋。
而提到遊戲樹的複雜性，日本將棋比國際象棋還難。日本將棋程式，使用了類似國際象棋的演算法，例如高度優化的alpha-beta搜尋，以及許多有針對性的設定。
AlphaZero則完全不同，它依靠的是深度神經網路、通用強化學習演算法和通用樹搜尋演算法。除了基本規則之外，它對這些棋類遊戲一無所知。
其中，深度神經網路取代了手工寫就的評估函式和下法排序啟發演算法，蒙特卡洛樹搜尋（MCTS）演算法取代了alpha-beta搜尋。
AlphaZero深度神經網路的引數，通過自我博弈的強化學習來訓練，從隨機初始化的引數開始。
隨著時間推移，系統漸漸從輸、贏以及平局裡面，學會調整引數，讓自己更懂得選擇那些有利於贏下比賽的走法。
那麼，圍棋和國際象棋、將棋有什麼不同？
圍棋的對弈結局只有輸贏兩種，而國際象棋和日本將棋都有平局。其中，國際象棋的最優結果被認為是平局。
此外，圍棋的落子規則相對簡單、平移不變，而國際象棋和日本將棋的規則是不對稱的，不同的棋子有不同的下法，例如士兵通常只能向前移動一步，而皇后可以四面八方無限制的移動。而且這些棋子的移動規則，還跟位置密切相關。
儘管存在這些差異，但AlphaZero與下圍棋的AlphaGo Zero使用了相同架構的卷積網路。
AlphaGo Zero的超引數通過貝葉斯優化進行調整。而在AlphaZero中，這些超引數、演算法設定和網路架構都得到了繼承。
除了探索噪聲和學習率之外，AlphaZero沒有為不同的遊戲做特別的調整。
5000個TPU練出最強全能棋手
系統需要多長時間去訓練，取決於每個遊戲有多難：國際象棋大約9小時，將棋大約12小時，圍棋大約13天。
只是這個訓練速度很難復現，DeepMind在這個環節，投入了5000個一代TPU來生成自我對弈遊戲，16個二代TPU來訓練神經網路。
訓練好的神經網路，用來指引一個搜尋演算法，就是蒙特卡洛樹搜尋 (MCTS) ，為每一步棋選出最有利的落子位置。
每下一步之前，AlphaZero不是搜尋所有可能的排布，只是搜尋其中一小部分。
比如，在國際象棋裡，它每秒搜尋6萬種排布。對比一下，Stockfish每秒要搜尋6千萬種排布，千倍之差。
△ 每下一步，需要做多少搜尋？
AlphaZero下棋時搜尋的位置更少，靠的是讓神經網路的選擇更集中在最有希望的選擇上。DeepMind在論文中舉了個例子來展示。
上圖展示的是在AlphaZero執白、Stockfish執黑的一局國際象棋裡，經過100次、1000次……直到100萬次模擬之後，AlphaZero蒙特卡洛樹的內部狀態。每個樹狀圖解都展示了10個最常訪問的狀態。
經過全面訓練的系統，就和各個領域裡的最強AI比一比：國際象棋的Stockfish，將棋的Elmo，以及圍棋的前輩AlphaGo Zero。
每位參賽選手都是用它最初設計中針對的硬體來跑的：
Stockfish和Elmo都是用44個CPU核；AlphaZero和AlphaGo Zero用的都是一臺搭載4枚初代TPU和44個CPU核的機器。
(一枚初代TPU的推理速度，大約相當於一個英偉達Titan V GPU。)
另外，每場比賽的時長控制在3小時以內，每一步棋不得超過15秒。
比賽結果是，無論國際象棋、將棋還是圍棋，AlphaGo都擊敗了對手：
-
國際象棋，大比分擊敗2016 TCEC冠軍Stockfish，千場只輸155場。
-
將棋，大比分擊敗2017 CSA世界冠軍Elmo，勝率91.2%。
-
圍棋，擊敗自學成才的前輩AlphaGo Zero，勝率61%。
不按套路落子
因為AlphaZero自己學習了每種棋類，於是，它並不受人類現有套路的影響，產生了獨特的、非傳統的、但具有創造力和動態的棋路。
在國際象棋裡，它還發展出自己的直覺和策略，增加了一系列令人興奮的新想法，改變了幾個世紀以來對國際象棋戰略的思考。
國際象棋世界冠軍卡斯帕羅夫也在《科學》上撰文表示，AlphaZero具備動態、開放的風格，“就像我一樣”。他指出通常國際象棋程式會追求平局，但AlphaZero看起來更喜歡風險、更具侵略性。卡斯帕羅夫表示，AlphaZero的棋風可能更接近本源。
卡斯帕羅夫說，AlphaZero以一種深刻而有用的方式超越了人類。
國際象棋大師馬修·薩德勒（Matthew Sadler）和女性國際大師娜塔莎·里根（Natasha Regan）即將於2019年1月出版新書《棋類變革者（Game Changer）》，在這本書中，他們分析了數以千計的AlphaZero棋譜，認為AlphaZero的棋路不像任何傳統的國際象棋引擎，馬修·薩德勒評價它為“就像以前翻看一些厲害棋手的祕密筆記本。”
棋手們覺得，AlphaZero玩這些遊戲的風格最迷人。
國際象棋特級大師馬修·薩德勒說：“它的棋子帶著目的和控制力包圍對手的王的方式”，最大限度地提高了自身棋子的活動性和移動性，同時最大限度地減少了對手棋子的活動和移動性。
與直覺相反，AlphaZero似乎對“材料”的重視程度較低，這一想法是現代遊戲的基礎，每一個棋子都具有價值，如果玩家在棋盤上的某個棋子價值高於另一個，那麼它就具有物質優勢。AlphaZero願意在遊戲早期犧牲棋子，以獲得長期收益。
“令人印象深刻的是，它設法將自己的風格強加於各種各樣的位置和空缺，”馬修說他也觀察到，AlphaZero以非常刻意的方式發揮作用，一開始就以“非常人性化的堅定目標”開始。
“傳統引擎非常強大，幾乎不會出現明顯錯誤，但在面對沒有具體和可計算解決方案的位置時，會發生偏差，”他說。 “正是在這樣的位置，AlphaZero才能體現出‘感覺’，‘洞察’或‘直覺’。”
這種獨特的能力，在其他傳統的國際象棋程式中看不到，並且已經給最近舉辦的世界國際象棋錦標賽提供了新的見解和評論。
“看看AlphaZero的分析與頂級國際象棋引擎甚至頂級大師級棋手的分析有何不同，這真是令人著迷，”女棋手娜塔莎·里根說。 “AlphaZero可以成為整個國際象棋圈強大的教學工具。”
AlphaZero的教育意義，早在2016年AlphaGo對戰李世石時就已經看到。
在比賽期間，AlphaGo發揮出了許多極具創造性的勝利步法，包括在第二場比賽中的37步，這推翻了之前數百年的思考。這種下法以及其他許多下法，已經被包括李世石本人在內的所有級別的棋手研究過。
他對第37步這樣評價：“我曾認為AlphaGo是基於概率計算的，它只是一臺機器。但當我看到這一舉動時，我改變了想法。當然AlphaGo是有創造性的。“
不僅僅是棋手
DeepMind在部落格中說AlphaZero不僅僅是國際象棋、將棋或圍棋。它是為了建立能夠解決各種現實問題的智慧系統，它需要靈活適應新的狀況。
這正是AI研究中的一項重大挑戰：系統能夠以非常高的標準掌握特定技能，但在略微修改任務後往往會失敗。
AlphaZero現在能夠掌握三種不同的複雜遊戲，並可能掌握任何完美資訊遊戲，解決了以上問題中重要的一步。
他們認為，AlphaZero的創造性見解，加上DeepMind在AlphaFold等其他專案中看到的令人鼓舞的結果，帶來了建立通用學習系統的信心，有助於找到一些新的解決方案，去解決最重要和最複雜的科學問題。
DeepMind的Alpha家族從最初的圍棋演算法AlphaGo，幾經進化，形成了一個家族。
剛剛提到的AlphaFold，最近可以說關注度爆表。
它能根據基因序列來預測蛋白質的3D結構，還在有“蛋白質結構預測奧運會”之稱的CASP比賽中奪冠，力壓其他97個參賽者。這是“證明人工智慧研究驅動、加速科學進展重要里程碑”，DeepMInd CEO哈薩比斯形容為“燈塔”。
從2016年AlphaGo論文發表在《自然》上，到今天AlphaZero登上《科學》，Alpha家族除了最新出爐的AlphaFold之外，AlphaGo、AlphaGo Zero和AlphaZero已經全部在頂級期刊Nature和Science上亮相。
期待轟動科研界的AlphaFold論文早日露面。
AlphaZero論文
這篇刊載在《科學》上的論文，題為：
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。
《科學》刊載的論文在此：
http://science.sciencemag.org/content/362/6419/1140
棋局可以在此下載：
https://deepmind.com/research/alphago/alphazero-resources/
DeepMind還特別寫了一個部落格，傳送門：
https://deepmind.com/blog/alphazero-shedding-new-light-grand-games-chess-shogi-and-go/