AlphaGo Zero橫空出世，DeepMind Nature論文解密不使用人類知識掌握圍棋

摘要

新智元AI World 2017世界人工智能大會倒計時進入20天，DeepMind 如約公佈了他們最新版AlphaGo論文，也是他們最新的Nature論文，介紹了迄今最強最新的版本AlphaGo Zero，使用純強化學習。

  

　　新智元報道

　　來源：Nature；DeepMind

　　編譯：聞菲，劉小芹

　　【新智元導讀】新智元AI World 2017世界人工智能大會倒計時進入20天，DeepMind 如約公佈了他們最新版AlphaGo論文，也是他們最新的Nature論文，介紹了迄今最強最新的版本AlphaGo Zero，使用純強化學習，將價值網絡和策略網絡整合爲一個架構，3天訓練後就以100比0擊敗了上一版本的AlphaGo。AlphaGo已經退休，但技術永存。DeepMind已經完成圍棋上的概念證實，接下來就是用強化學習創造改變世界的價值。

　　今年5月烏鎮圍棋大賽時，DeepMind CEO Hassabis 表示，將在今年晚些時候公佈打敗了柯潔的那版AlphaGo的技術細節。今天，這個承諾如約兌現，DeepMind在他們最新發表於Nature的一篇論文中，描述了迄今最強大的一版AlphaGo—— AlphaGo Zero 的技術細節。

　　AlphaGo Zero徹底不依賴於人類數據，所以，這一系統的成功也是朝向人工智能研究長期以來的目標——創造出在沒有人類輸入的條件下，在最具挑戰性的領域實現超越人類能力的算法——邁進的一大步。

　　做者在論文中寫道，AlphaGo Zero 證實了即便在最具挑戰的領域，純強化學習的方法也是徹底可行的：不須要人類的樣例或指導，不提供基本規則之外的任何領域知識，使用強化學習可以實現超越人類的水平。此外，純強化學習方法只花費額外不多的訓練時間，但相比使用人類數據，實現了更好的漸進性能（asymptotic performance）。

　　在不少狀況下，人類數據，尤爲是專家數據，每每太過昂貴，或者根本沒法得到。若是相似的技術能夠應用到其餘問題上，這些突破就有可能對社會產生積極的影響。

　　是的，你或許要說，AlphaGo已經在今年5月宣佈退休，但AlphaGo的技術將永存，並進一步往前發展、進化。DeepMind已經完成圍棋上的概念證實，接下來，就是用他們的強化學習改變世界。

　　這也是爲何接下來咱們要介紹的這篇論文如此重要——它不只是不少人期盼已久的技術報告，也是人工智能一個新的技術節點。在將來，它將獲得不少引用，成爲無數AI產業和服務的基礎。

　　迄今最強大的圍棋程序：不使用人類的知識

　　DeepMind這篇最新的Nature，有一個樸素的名字——《不使用人類知識掌握圍棋》。

　　 

　　摘要

　　人工智能長期以來的一個目標是創造一個可以在具備挑戰性的領域，以超越人類的精通程度學習的算法，「tabula rasa」（譯註：一種認知論觀念，認爲指個體在沒有先天精神內容的狀況下誕生，全部的知識都來自於後天的經驗或感知）。此前，AlphaGo成爲首個在圍棋中打敗人類世界冠軍的系統。AlphaGo的那些神經網絡使用人類專家下棋的數據進行監督學習訓練，同時也經過自我對弈進行強化學習。

　　在這裏，咱們介紹一種僅基於強化學習的算法，不使用人類的數據、指導或規則之外的領域知識。AlphaGo成了本身的老師。咱們訓練了一個神經網絡來預測AlphaGo本身的落子選擇和AlphaGo自我對弈的贏家。這種神經網絡提升了樹搜索的強度，使落子質量更高，自我對弈迭代更強。從「tabula rasa」開始，咱們的新系統AlphaGo Zero實現了超人的表現，以100：0的成績擊敗了此前發表的AlphaGo。

　　DOI：10.1038/nature24270

　　全新的強化學習：本身成爲本身的老師

　　DeepMind 研究人員介紹 AlphaGo Zero。視頻來源：DeepMind，視頻中英文字幕由Nature 上海辦公室製做

　　AlphaGo Zero 獲得這樣的結果，是利用了一種新的強化學習方式，在這個過程當中，AlphaGo Zero 成爲本身的老師。這個系統從一個對圍棋遊戲徹底沒有任何知識的神經網絡開始。而後，經過將這個神經網絡與一種強大的搜索算法相結合，它就能夠本身和本身下棋了。在它自我對弈的過程當中，神經網絡被調整、更新，以預測下一個落子位置以及對局的最終贏家。

　　這個更新後的神經網絡又將與搜索算法從新組合，進而建立一個新的、更強大的 AlphaGo Zero 版本，再次重複這個過程。在每一次迭代中，系統的性能都獲得一點兒的提升，自我對弈的質量也在提升，這就使得神經網絡的預測愈來愈準確，獲得更增強大的 AlphaGo Zero 版本。

　　這種技術比上一版本的 AlphaGo 更強大，由於它再也不受限於人類知識的侷限。相反，它能夠從一張白紙的狀態開始，從世界上最強大的圍棋玩家——AlphaGo 自身——學習。

　　AlphaGo Zero 在其餘方面也與以前的版本有所不一樣：

　　AlphaGo Zero 只使用圍棋棋盤上的黑子和白子做爲輸入，而上一版本的 AlphaGo 的輸入包含了少許人工設計的特徵。

　　它只使用一個神經網絡，而不是兩個。之前版本的 AlphaGo 使用一個「策略網絡」（policy network）來選擇下一個落子位置和一個「價值網絡」（value network）來預測遊戲的贏家。這些在 AlphaGo Zero 中是聯合進行的，這使得它可以更有效地進行訓練和評估。

　　AlphaGo Zero 不使用「走子演算」（rollout）——這是其餘圍棋程序使用的快速、隨機遊戲，用來預測哪一方將從當前的棋局中獲勝。相反，它依賴於高質量的神經網絡來評估落子位置。

　　上面的全部這些不一樣之處都有助於提升系統的性能，使其更加通用。但使得這個系統更增強大和高效的是算法的改變。

　　在進行了3天的自我訓練後，AlphaGo Zero 在100局比賽中以100：0擊敗了上一版本的 AlphaGo——而上一版本的 AlphaGo 擊敗了曾18次得到圍棋世界冠軍的韓國九段棋士李世乭。通過 40 天的自我訓練後，AlphaGo Zero 變得更增強大，超越了「Master」版本的 AlphaGo——Master 曾擊敗世界上最優秀的棋士、世界第一的柯潔。

　　在通過數以百萬計的 AlphaGo vs AlphaGo 的對弈後，這個系統逐漸從零開始學會了下圍棋，在短短几天內積累了人類數千年積累的知識。AlphaGo Zero 也發現了新的知識，開發出很是規的策略和創造性的新下法，這些新下法超越了它在與柯潔和李世乭比賽時發明的新技巧。

　　儘管目前仍處於早期階段，但 AlphaGo Zero 成爲了朝着這個目標邁進的關鍵一步。DeepMind 聯合創始人兼 CEO Demis Hassabis 評論稱：「AlphaGo在短短兩年裏取得了如此使人驚歎的成果。如今，AlphaGo Zero是咱們項目中最強大的版本，它展現了咱們在更少的計算能力，並且徹底不使用人類數據的狀況下能夠取得如此大的進展。

　　「最終，咱們但願利用這樣的算法突破來幫助解決現實世界的各類緊迫問題，例如蛋白質摺疊或新材料設計。若是咱們能在這些問題上取得與AlphaGo一樣的進展，就有可能推進人類理解，並對咱們的生活產生積極影響。」

　　AlphaGo Zero 技術細節拆解：將價值網絡和策略網絡整合爲一個架構，整合蒙特卡洛搜索不斷迭代

　　新方法使用了一個深度神經網絡 fθ，參數爲 θ。這個神經網絡將原始棋盤表徵 s（棋子位置和歷史）做爲輸入，輸出落子機率和一個值 (p, v)= fθ(s)。

　　落子機率向量 p 表示選擇下每一步棋（包括不下）的機率。值 v 是一個標量估值，衡量當前棋手在位置 s 獲勝的機率。

　　這個神經網絡將最初的 AlphaGo（下文中的 AlphaGo Fan 和 AlphaGo Lee，分別指對戰樊麾和對戰李世石的版本）的策略網絡和價值網絡整合到一個架構裏，含有不少基於卷積神經網絡的殘差模塊，這些殘差模塊中使用了批正則化（batch normalization）和非線性整流函數（rectifier nonlinearities）。

　　AlphaGo Zero 的神經網絡使用自我對弈數據作訓練，這些自我對弈是在一種新的強化學習算法下完成的。在每一個位置 s，神經網絡 fθ 都會進行蒙特卡洛樹搜索（MCTS）。MCTS 輸出下每步棋的落子機率 π。這樣搜索得出的機率一般比神經網絡 fθ(s) 的原始落子機率 p 要更增強一些；MCTS 也所以能夠被視爲一個更增強大的策略提高 operator。

　　系統經過搜索進行自我對弈，也即便用加強的基於 MCTS 的策略選擇下哪步棋，而後使用獲勝者 z 做爲價值樣本，這個過程能夠被視爲一個強有力的策略評估 operator。

　　這一新的強化學習算法的核心思想是，在策略迭代的過程當中，反覆使用這些搜索 operator：神經網絡的參數不斷更新，讓落子機率和價值 (p,v)= fθ(s) 愈來愈接近改善後的搜索機率和自我對弈贏家 (π, z)。這些新的參數也被用於下一次自我對弈的迭代，讓搜索更強。下面的圖1 展現了自我對弈訓練的流程。

　　 

　　圖1：AlphaGo Zero 自我對弈訓練的流程：a. 程序本身和本身下棋，標記爲s1, ..., sT。在每一個位置st，一個MCTS αθ被執行（見圖2），使用最新的神經網絡fθ。每一個走子選擇的依據是經過MCTS, at ? πt計算的搜索機率。最終的位置sT根據遊戲規則計算對局的最終勝者z。b. AlphaGo Zero 中神經網絡的訓練。該神經網絡將棋盤位置st做爲輸入，與參數θ一塊兒講它傳送到許多的卷積層，並同時輸出表示每一走子的機率分佈的向量 pt 和一個表示當前玩家在位置 st 上的贏率的標量值 vt。

　　MCTS 使用神經網絡 fθ 指導其模擬（參見圖2）。搜索樹中的每條邊 (s, a) 都存儲了一個機率先驗 P(s, a)，一個訪問數 N(s, a)，以及動做值 Q(s, a)。每次模擬都從根節點狀態開始，不斷迭代，選擇能將置信區間 Q(s, a)+ U(s, a) 的上層最大化的落子結果，直到走到葉節點 s′。

　　而後，網絡會擴充這個葉節點，而且只進行一次評估，生成機率先驗和評估值，(P(s′, ·), V(s′))= fθ(s′)。在模擬中，遍歷每條邊 (s, a) 後，會更新訪問量 N(s, a)，而後將動做值更新，取全部模擬的平均值：

　　 

　　。

　　MCTS 能夠被看作一種自我對弈算法：給定神經網絡參數 θ 和一個根節點位置 s，計算搜索機率向量推薦落子 π = αθ(s)，與每步棋的訪問量指數成正比，τ 是溫度參數：

　　 

　　。

　　 

　　圖2：MCTS 使用神經網絡 fθ 模擬落子選擇的過程示意

　　神經網絡使用這個自我對弈的強化學習算法作訓練，正如上文介紹，這個算法使用 MCTS 下每一步棋。首先，神經網絡使用隨機權重 θ0 初始化。在隨後的每一次迭代中，i ≥ 1，生成自我對弈棋譜（參見圖1的a）。在每一個時間步長 t，運行一個 MCTS 搜索 πt = αθ (st)，使用上一次神經網絡 fθi?1 迭代的結果，而後根據搜索機率採樣下出一步棋。一局棋在第 T 步結束，也就是雙方都沒法落子，搜索值下降到閾值如下的時候。隨後，進行計分，得出獎勵 rT ∈ {?1,+1}。

　　每個時間步長 t 的數據都被存儲爲 (st, πt, zt)，其中 zt = ± rT 就是從當前這步棋 t 看來最終獲勝的贏家。

　　同時（參見圖1 b），使用從最後一次自我對弈迭代的全部時間步長中獲取的數據 (s, π, z)，對新的網絡參數 θi 進行訓練。調整神經網絡 (p, v) = fθi (s)，將預測值 v 和自我對比勝者 z 之間的偏差下降到最小，同時將神經網絡落子機率 p 和搜索機率 π 之間的類似度提高到最大。

　　具體說，咱們用損失函數 l 的梯度降低來調節參數 θ，這個損失函數表示以下，其中 c 是控制 L2 權重正則化水平的參數（防止過擬合）：

　　 

　　評估結果：21天就比打敗柯潔的Master更加厲害

　　DeepMind官方博客上介紹了AlphaGo Zero與此前版本的對比。徹底從零開始，3天超越AlphaGo李世石版本，21天達到Master水平。

　　 

　　 

　　 

　　 

　　幾個不一樣版本的計算力對好比下：

　　 

　　論文中，爲了分開結構和算法的貢獻，DeepMind研究人員還比較了 AlphaGo Zero 的神經網絡架構和先前與李世乭對弈時的 AlphaGo （記爲 AlphaGo Lee）的神經網絡架構的性能（見圖4）。

　　咱們構建了4個神經網絡，分別是在 AlphaGo Lee 中使用的分開的策略網絡和價值網絡，或者在 AlphaGo Zero 中使用的合併的策略和價值網絡；以及 AlphaGo Lee 使用的卷積網絡架構，或 AlphaGo Zero 使用的殘差網絡架構。每一個網絡都被訓練以最小化同一個損失函數（公式1），訓練使用的是 AlphaGo Zero 在72小時的自我對弈以後產生的同一個自我對弈棋局數據集。

　　使用殘差網絡的準確率更高，偏差更低，在 AlphaGo 達到600 Elo（等級分）的性能提升。將策略（policy）和價值（value）結合到一個單一的網絡中的話，走子預測的準確性略微下降了，可是價值錯誤也下降了，而且將 AlphaGo 的性能再提升了600 Elo。這在必定程度上是因爲提升了計算效率，但更重要的是，雙目標使網絡成爲支持多個用例的常規表示。

　　 

　　圖4：AlphaGo Zero 和 AlphaGo Lee 的神經網絡架構比較。使用分開的策略和價值網絡記爲（sep），使用組合的策略和價值網絡記爲（dual），使用卷積網絡記爲（conv），使用殘差網絡記爲（res）。「dual-res」和「sep-conv」分別表示在 AlphaGo Zero 和 AlphaGo Lee 中使用的神經網絡架構。每一個網絡都在同一個數據集上訓練，該數據集由 AlphaGo Zero 的自我對弈產生。a，每一個訓練好的網絡都與 AlphaGo Zero 的搜索相結合，以獲得一個不一樣的玩家。Elo等級分是由這些不一樣玩家之間的評估遊戲計算獲得的，每一步棋有5秒的思考時間。b，對每一個網絡架構的職業棋手的走法（從GoKifu數據集得來）的預測準確性。c，每一個網絡架構的人類職業棋手的棋局結果（從GoKifu數據集得來）的MSE。

　　 

　　AlphaGo Zero學到的知識。a，AlphaGo Zero訓練期間發現的五我的類定式（常見的角落序列）。b）自我對弈中愛用的5個定式。c）在不一樣訓練階段進行的3次自我對弈的前80步棋，每次搜索使用1,600次模擬（約0.4s）。最開始，系統關注奪子，很像人類初學者。然後，關注勢和地，也即圍棋根本。最後，整場比賽體現出了很好的平衡，涉及屢次戰鬥和一場複雜的戰鬥，最終以白棋多半子獲勝。

　　AlphaGo 小傳

　　姓名：AlphaGo（Fan，Lee，Master，Zero）

　　別名：阿老師，阿爾法狗

　　生日：2014年

　　出生地：英國倫敦

　　1

　　擊敗樊麾

　　2015年10月，AlphaGo擊敗樊麾，成爲第一個無需讓子便可在19路棋盤上擊敗圍棋職業棋手的電腦圍棋程序，寫下了歷史，相關成果在2016年1月發表於Nature

　　2

　　擊敗李世石

　　2016年3月，AlphaGo在一場五番棋比賽中4:1擊敗尖端職業棋手李世石，成爲第一個不借助讓子而擊敗圍棋職業九段棋手的電腦圍棋程序，再創歷史。五局賽後韓國棋院授予AlphaGo有史以來第一位名譽職業九段

　　3

　　排名短暫超越柯潔

　　2016年7月18日，AlphaGo在Go Ratings網站的排名升至世界第一。但幾天以後被柯潔反超。

　　4

　　化名「Master」橫掃棋界

　　2016年末至2017年年初，再度強化的AlphaGo以「Master」爲名，在未公開其真實身份的狀況下，借非正式的網絡快棋對戰進行測試，挑戰中韓日臺的一流高手，60戰全勝

　　5

　　打敗柯潔，成爲世界第一

　　2017年5月23至27日烏鎮圍棋峯會，最新的強化版AlphaGo和世界第一棋手柯潔對局，並配合八段棋手協同做戰與對決五位頂尖九段棋手等五場比賽，獲取3比零全勝的戰績，團隊戰與組隊戰也全勝。此次AlphaGo的運算資源消耗僅李世石版本的十分之一。在與柯潔的比賽結束後，中國圍棋協會授予AlphaGo職業圍棋九段的稱號

　　AlphaGo在沒有人類對手後，2017年5月25日，AlphaGo之父傑米斯·哈薩比斯宣佈AlphaGo退役。AlphaGo的研究計劃於2014年開始，從業餘棋手的水平到世界第一，AlphaGo的棋力獲取這樣的進步，僅僅花了兩年左右。

　　AlphaGo雖已退休，但技術永存。

　　謹以此文，致敬AlphaGo，以及研發AlphaGo的人。

　　對AI來講，德州撲克是比圍棋更難的遊戲！新智元世界人工智能大會邀請到打敗了人類德撲職業玩家的「冷撲大師」Libratus發明人CMU教授Tuomas Sandholm，