1忆绰、蒙特卡洛搜索算法和基于深度學(xué)習(xí)的模式識別促成了AlphaGo的成就蒸走。
據(jù)各方研究來看惊楼，AG不是自己想出棋著來狰右，而是學(xué)習(xí)了人類高手的千萬盤棋局（這就是大數(shù)據(jù)）杰捂。它記錄下每個棋局中的每個局面，把上百萬個局面當(dāng)作輸入進行訓(xùn)練棋蚌，通過一個多層神經(jīng)網(wǎng)絡(luò)來預(yù)測人類高手會走出的下一著嫁佳。經(jīng)過巧妙的神經(jīng)網(wǎng)絡(luò)設(shè)計與訓(xùn)練，這個多層神經(jīng)網(wǎng)建模了人類高手的“棋感”——對于當(dāng)前局面谷暮，已知以往下棋歷史中的勝率蒿往。在實際下棋時，計算機可以通過視覺識別記錄下棋局坷备，然后和以往的棋局?jǐn)?shù)據(jù)比較熄浓，找到相同的模式（局面），再檢索不同局面往后發(fā)展下去省撑，根據(jù)以往下棋史中的勝率高低選出一些高質(zhì)量的候選點供走子赌蔑，而不必每個候選點都去嘗試一遍，從而極大地減少系統(tǒng)運算量竟秫，不至于讓系統(tǒng)“殫精竭慮”而死娃惯。這就像人類，不會窮盡所有候選點肥败，而是根據(jù)經(jīng)驗和感覺選擇某些點趾浅。選出幾個點之后，人類還是要比較馒稍、計算哪個點更好皿哨。對于機器來說，這個計算就交給蒙特卡洛搜索算法纽谒。
蒙特卡洛樹形搜索是對以往決策樹算法的優(yōu)化证膨。對于以往的決策樹算法，即便給了一個高質(zhì)量的候選點鼓黔，對于接下來的選擇央勒，它同樣要進行窮舉，在每個要選擇的地方做一次分支澳化，同樣會遇到可選路徑數(shù)量的指數(shù)爆炸崔步。
蒙特卡洛方法就體現(xiàn)了概率學(xué)的精妙。假設(shè)在某個棋局局面下缎谷，深度學(xué)習(xí)網(wǎng)絡(luò)給出了三個候選落子辦法A井濒、B、C列林，以這三個點為根節(jié)點眼虱，分別往下走子，可以想象成三個樹席纽，每棵樹還有無數(shù)分支捏悬。蒙特卡洛搜索不去窮盡所有分支，而是派出300萬只螞蟻分別從A润梯、B过牙、C出發(fā)，每個點100萬只纺铭，飛速向樹梢爬（也就是往下黑白棋交替走子直到?jīng)Q出勝負(fù)寇钉，基本上走200步就會分出勝負(fù)），總有部分螞蟻走到最高點（也就是決出勝負(fù)舶赔，假設(shè)螞蟻走到終點的情況代表黑子勝扫倡，沒走到終點的情況代表白子勝）。
假設(shè)從A點出發(fā)的100萬只螞蟻有30萬只到達(dá)終點，B的為50萬只撵溃，C為40萬只疚鲤，系統(tǒng)就認(rèn)為黑子走B點勝率更高扣草，就會選擇B點奇颠。這就是概率學(xué)的取樣算法，相比逐項窮舉法温圆，極大地縮減了計算量语淘。
CPU芯片和GPU（圖形處理器）芯片同時進行神經(jīng)網(wǎng)絡(luò)計算與蒙特卡洛樹形搜索诲宇，模擬海量的終盤局面，這是人類計算能力無法相比的惶翻。由于采用深度學(xué)習(xí)建模了人類高手的棋感姑蓝，看上去人工智能擁有了人類的大局觀，而這個大局觀恰恰蘊含在人類高手的千萬盤對弈數(shù)據(jù)里吕粗。
