柯洁 alphago 没直播 鼎盛时期的吴清源会有希望战胜AlphaGo吗
随着科技和社会的发展，柯洁 alphago 没直播领域不断创新和完善，为人类带来更多的健康和快乐。鼎盛时期的吴清源会有希望战胜AlphaGo吗将探讨柯洁 alphago 没直播领域的最新发展和趋势，柯洁 alphago 没直播为相关研究人员提供有益的信息和观点。
是谁这么说的？奇怪~
前些天，AlphaGo重出江湖了，带来的可是好消息。
繁体字看着有点累：
大家好，很高兴向大家宣布，AlphaGo教学工具上线了。
这是一个AlphaGo教学的开局库，相关细节如下：
本教学工具总共收录了约6000个近代围棋史上主要的开局变化，从23万个人类棋谱中收集而来。
所有盘面都有AlphaGo评估的胜率，以及AlphaGo推荐的下法。
所有AlphaGo的胜率与推荐下法，AlphaGo都思考将近10分钟(1000万次模拟)。
每一个开局变化，AlphaGo都固定延伸20步棋。加上AlphaGo的下法，整个教学工具约有2万个分支变化，37万个盘面。
受限于投稿《自然》杂志的时程，本教学工具使用的版本是AlphaGoMaster。希望大家享受AlphaGo教学工具中的创新下法，也能从中有所收获。
也就是说，之前不断灭人类威风的AlphaGo现在化身为人类的围棋老师，要教人类下棋了。
棋士柯洁很快就做出反应：重新学习围棋，其实没那么严重。现在人人都可以登录AlphaGoTeach官网（https://alphagoteach.deepmind.com/zh-hans），与这位不知道段位的Go老师切磋棋艺。
这是官网标注的数据来源：
（图自腾讯野狐围棋）
项目主页的介绍支持英语、简体中文、繁体中文、日文和韩文阅读，还真是贴心，机友们有围棋爱好者不可错过良机啊。
点击棋盘上的彩色圆圈，或使用棋盘下方的导航工具，即可探索不同的开局变化，以及AlphaGo对于每一步棋的黑棋胜率预测。
浅蓝色虚线圆圈代表AlphaGo的下法，蓝紫色圆圈为人类棋手的下法。圈中的数字为黑棋的胜率，当轮到黑棋落子时，数值越接近100表示黑棋优势越大；当轮到白棋落子时，数值越接近0表示白棋优势越大。
大家可以看看DeepMind围棋大使樊麾在12月11号的微博，看大神是怎么说的。
不过我们还没回答文章开头的问题：它带来了什么好处呢？
摘录两位中国围棋院高手的说法：
很多人会担心今后布局的标准化，其实不必担心。教学工具并不是告诉大家“只能这么下”，而是告诉大家“有些下法不太好”以及“可以这么下”。有些图中没有的下法只是因为模拟的随机性而未被收录，它们之中包含很多高胜率的选点，仍可以大胆尝试。
AlphaGo教学工具，是提供给我们更多的想象和可能；而不是提供标准的答案。是打开我们的心灵，使我们有捷径通往寻求艺术的大门；而不是关闭我们的心灵，从而失去对艺术的求知和渴望。
两位棋士的话其实由浅入深的回答了关于AlphaGo甚至更多AI工具的作用：提供可能性和解决问题的捷径。
还有一个小小的好消息，尽管AlphaGo官方不会提供单机版的AlphaGo，但是其团队已经发表了论文，其他的AI会复制，借鉴AlphaGo的技术再往前去。
如果学习模仿人类，那最多也就只能模仿人类而已。在很多复杂的局面中，存在着人类永远发现不了的新见解。
掀翻世界围棋冠军后仅仅19个月，计算机程序AlphaGo跨越了一个更大的障碍：它现在能全凭自学达到前所未有的围棋水平。取名AlphaGoZero的新版程序刚开始对围棋策略一无所知，在不接受任何人为训练的情况下，只用了三天时间，就创造出几千年来人类围棋手从未想到的高明策略。这项突破让人工智能摆脱对人类知识的依赖，为智能机器的未来消除了一个主要限制。
早期版本的AlphaGo在人类的指导下，利用两种方法来学习围棋。一是监督学习，研究人员把10万场业余高手的对局输入程序，教它模仿人类的走法；二是强化学习，他们让程序自己下棋，从结果中吸取经验教训。
AlphaGoZero跳过了第一步。该程序从白丁开始，只知道围棋的规则，自己跟自己对弈。起初，它把棋子随机地放在棋盘上。随着时间的推移，它能更好地评估棋盘上的局势，发现有利的落子位置。它还学会了围棋策略中的很多诀窍，自己发明了新招数。
“如果你学习模仿人类，那最多也就只能模仿人类而已，”密歇根大学计算机科学家桑汀德·辛格（SatinderSingh）说，“在很多复杂的局面中，存在着你永远发现不了的新见解。”
经过三天的训练和490万场练习赛后，研究人员让AlphaGoZero和曾经打败世界围棋冠军的旧版AlphaGo一决高下。AlphaGoZero取得了100:0的全胜战绩。
在行家眼中，这个结果令人震惊。
围棋比国际象棋复杂得多，走法多不胜数，单纯的强化学习似乎无法掌握，你会认为AlphaGoZero将永远摸不着头绪，盲目地寻找可行的策略。然而，它很快就培养出了人类无法企及的能力。
高效的学习过程归功于反馈回路。和其前身一样，AlphaGoZero通过一个名为“树搜索”的过程来确定下一步棋的走法。该程序从当前的盘面入手，考虑可能的落子位置，接着考虑对手会怎么下，然后再考虑自己如何应对，以此类推，形成一个模拟不同落子组合、产生不同盘面的分支树图。
AlphaGoZero无法穷尽搜索树的每个分支，因为这需要极为强大的计算能力。它通过确定哪些路径最有取胜希望，有选择地修剪枝丫。它根据以前学到的致胜走法和盘面，来计算应该修剪哪些枝丫。
早期版本的AlphaGo也是这么做，但AlphaGoZero的新颖之处在于，它不是运行树搜索，然后走一步棋，而是记住树搜索的结果以及对弈的结果，然后利用这些信息，调整它对具有取胜希望的走法和不同落子位置的致胜可能性的判断。因此，下一次运行树搜索的时候，它能利用改善后的判断（经由以前的树搜索结果加以训练），来进一步改善对最佳可能走法的判断。
AlphaGoZero背后的计算策略很有效，特别是在拥有众多可能性、需要找到最优解的情况下。在描述AlphaGoZero研究的论文中，作者们写到，他们的系统可用于材料研究（识别让材料具有不同属性的原子组合）和蛋白质折叠（了解蛋白质的三维结构如何决定其功能）。
至于围棋，AlphaGoZero带来的影响可能是惊天动地的。迄今为止，游戏公司未能开发出世界级的围棋软件。AlphaGoZero可能改变这一点。美国围棋协会执行副总裁安德鲁·杰克逊（AndrewJackson）认为，不久后围棋应用程序将面市。这将改变人类围棋手的训练方式，也将使作弊变得更容易。
对于AlphaGo来说，其未来是无限宽广的。围棋十分复杂，没人知道一个能够自学的计算机程序将达到怎样的高度。现在，AlphaGo有了能够匹配围棋之广博的学习方法。
翻译：于波
来源：QuantaMagazine
造就：剧院式的线下演讲平台，发现最有创造力的思想这是完全没有可能的。即使吴清源处于鼎盛时期，也没有任何可能战胜今天的AlphaGo。首先吴清源时代的围棋与今天的围棋差距甚多，主要是现代围棋比以前更加激烈了许多，将胜负从过去的中盘提前至布局；其次是阿尔法狗的深度学习功能实在强大，它每天的对局量相当于人类数百年，如果人类也有这样的对局量，相信人类的功力也会大增。
现代科技实在过于强大，已经超过人类智慧所及，比如说阿尔法狗的服务器一再升级，已经到了不再需要人类棋谱就能自己提高功力的地步。有说法是阿尔法狗的升级版Master要让2016年与李世石对战时的AlphaGo三个子，这意味着什么？等于说AlphaGo2.0版与AlphaGo1.0版的实力差距相当于职业与业余的巨大差距了！
吴清源的强大在于他跳出了前人的窠臼，不再拘泥于边边角角，将视角放到了广袤的中腹，他在棋上没有禁忌，什么棋都敢下，在当时简直就是离经叛道，正因为他在棋盘上更给自由和奔放，又拥有高出同时代棋手的天赋，所以他才成为那个时代的围棋巨擘。
但与AlphaGo比起来，鼎盛期的吴清源也完全不是对手，主要是技术上AlphaGo要先进得多，尽管吴清源在很多方面神似AlphaGo，比如下棋自由自在，看重中腹价值和行棋速度等等，但胜负是要通过真刀真枪比拼的，在技术上，AlphaGo已经达到了人类无法企及的地步。
我个人认为，这个是人工智能发展的里程牌来的，同时也意味着人工智能会出现新的研究方向。再看看其他人，是怎么样评价的，其中柯洁回应最亮了
安全专家评价
金山毒霸安全专家是这样子评价的：AlphaGoZero（阿法元）“成神”了，不需要人类历史数据训练，并且已经100：0打败李世乭的大哥AlphaGo，也打败了AlphaGomaster（和柯洁对战的）。
知乎上的评价
作者：何之源
https://www.zhihu.com/question/66861459/answer/246746766从技术上说，最主要的创新是以下两点：
从多网络到单网络。原AlphaGo用了两个网络，决策网络用于预测可能的走法，价值网络用于评价当前局势的优劣。这次的AlphaGoZero将这两个网络合二为一，新的网络同时输出走法p和局势打分v。从卷积网络到残差网络（此处再次膜拜KaimingHe大神）论文作者证明了架构的改变对结果的影响非常大！请参考下面的对比图。“dual”表示使用合并的网络，“sep”表示分开的网络，“conv”表示一般的卷积网络，“res”表示残差网络。使用同样的训练样本，同样的训练步数，dual-res的elo分值比原先AlphaGo的sep-conv架构高出了1000多分，可见新的网络架构提升了网络的表达能力，训练起来也更加简单。
另外有人疑惑的是，算法是如何进行通过自我博弈来学习的？详细解释一下，假设一开始有一个完全随机的网络N，这个网络完全是一个围棋小白，不具备任何的知识。根据上面的架构，N有两个输出，预测的走法p和对局势优劣的判断v。如果稍微有一点点机器学习的相关知识，就会知道训练网络是需要训练样本的。应该如何得到训练样本？参考原论文中的训练过程：
在a步骤，N网络利用自身的输出p和v，自己和自己对弈。不管此时N网络是什么水平，最终都会有一个胜利者，我们就用胜利者的走子方式作为N网络的训练正样本。
再到b步骤。此时用a步骤得到的训练样本进行训练，就得到一个新的N网络。由于使用了胜利者的走子进行训练，这个N网络会比之前的N网络稍微“强一点点”。然后再重复自我对弈->训练->自我对弈……的过程，N网络就会不断迭代变得越来越厉害。如果你知道DQN算法或者PolicyGraident算法，就会发现这种迭代过程是和它们一模一样的。
可以预见的是，这篇文章之后，很快会有一大波“AlphaGo”横空出世，每个围棋爱好者都可以拥有自己的“AlphaGo”。原因有二，一是之前训练一个AlphaGo需要收集大量人类棋局数据，这其实是有门槛的，现在连搜集棋谱数据也不用了，直接就可以训练。二是需要的资源也大大减少。打败李世石的那个AlphaGo，需要在多台服务器上用48个TPU训练几个月的时间，这种资源别说是个人，就算是公司也很难的负担得起。作为对比，这次的AlphaGo仅仅需要一台机器4个TPU，训练3天就可以打败之前的AlphaGo，在计算资源的需求上少了太多，相信用单个GPU也能达到比较decent的结果。
最后，上一张官方的动图，可以直观感受到深度强化学习的威力（只用40天，超越人类几千年的经验）：
最亮的回应原话：一个纯净、纯粹自我学习的alphago是最强的...对于alphago的自我进步来讲...人类太多余了
PS:心疼柯洁三秒钟。。。。
PS:对此，大家有什么看法，欢迎大家关注、转发、点赞、评论、收藏等方式交流。
柯杰只能摆正心态，把正常的训练水平发挥出来，走出好棋自然会受到人们的尊重，因为身后眼睛太多，保持平常心都难，何况年轻气盛。放下输赢是关键，拿曾国藩一句话屡败屡战又何妨？
总之，本文的研究成果为柯洁 alphago 没直播提供了重要的参考和借鉴，希望未来的研究能够进一步深入探讨柯洁 alphago 没直播的问题，为其发展提供更多的有益信息和思路。
别人在看
