AlphaGo從零開始自學圍棋為什麼能成功 | 陳經

02-10

關注風雲之聲提升思維層次

解讀科學，洞察本質

戳穿忽悠，粉碎謠言

導讀

可以說人類知識可能存在問題，但不要說學了人類知識就沒法到高境界。意識到舊知識體系的問題，作出突破就可以了。而且人類沒法和機器比，不可能真從零知識開始瘋狂自己下，沒那個體力。現實的選擇只有學習前輩的經驗。也許AlphaGo的意義是說，要有一個知識體系，這個知識體系可以是自己學出來並檢驗的，也可以是Master那樣借鑒了別人的，但要接受實踐檢驗，也要敢於懷疑突破成見。

___________________________________________________________________

本文來自微信公眾號：觀察者網（ID:guanchacn）作者：陳經

一．AlphaGo從零開始自學習新版本演算法框架與等級分表現

2017年10月18日，業界非常期待的AlphagGo新論文終於在《自然》上發表了。Deepmind開發了一個名為AlphaGo Zero的新版本，它只用一個策略與價值合體的神經網路下棋，從隨機走子開始自我對弈學習，完全不需要人類棋譜。新的強化學習策略極為高效，只用3天，AlphaGo Zero就以100:0完全擊敗了2016年3月轟動世界的AlphaGo Lee。經過21天的學習，它達到了Master的實力（而Master在2017年5月3:0勝人類第一柯潔）。

40天後，它能以90%的勝率戰勝Master，成為目前最強的圍棋程序。而且AlphaGo Zero的計算過程中直接由神經網路給出葉子節點勝率，不需要快速走子至終局，計算資源大大節省，只需要4個TPU就行（AlphaGo Lee要48個）。

從Goratings棋力等級分上看，AlphaGo Zero其實和Master還能比較，只多個300多分。這相當於論文發表當天，人類第一柯潔九段的3667分與第38名的人氣主播孟泰齡六段3425分的分差，兩人肯定實力有差距，但也還有得下。論文公布了AlphaGo Zero的83局棋譜，其中與Master下的有20局，Master在第11局還勝了一局。

AlphaGo新版本從零開始訓練成功，這個結果大大出乎了我的預料，相信也讓業界不少人感到震驚。我本來是預期看到Master的演算法解密，為什麼它能碾壓人類高手。AlphaGo退役讓人以為Deepmind不研究圍棋了，剩下任務是把Master版本的演算法細節在《自然》公布出來，騰訊的絕藝等AI就可以找到開發方向突破目前的實力瓶頸了。

本來5月的烏鎮圍棋大會上說，6月新論文就能出來了，開發者們可以參考了。至於從零知識開始學習，是個有趣的想法，2016年3月人機大戰勝李世石後就有這樣的風聲，人們期待這個「山洞中左右互搏」的版本出來，與人類的下法是不是很不相同，如開局是不是會佔天元？但是後來一直好像沒進展，烏鎮也沒有提。

好幾個月了，新論文一直沒出來。絕藝明顯進入發展瓶頸，總是偶而會輸給人，還輸給了DeepZenGo與CGI。各個借鑒AlphaGo的AI都迫切需要Deepmind介紹新的思路與細節。到8月跑出來一篇AlphaGo打星際爭霸的論文，從零知識開始學，學人類錄像打，兩種辦法都不太行。

這時我認為讓AlphaGo從零知識開始學可能不太成功，會陷入局部陷阱，人類棋譜能提供一個「高起點」，高水平AI還是需要人類的「第一推動」。

實際是Deepmind團隊認為，僅僅寫Master對於《自然》級別的文章不夠震憾。新的論文標題是「Mastering the Game of Go without Human Knowledge」，這個主題升華就足夠了。而Master用人類棋譜訓練了初始的策略網路，人類知識還是有影響，雖然後來自學習提升後人類影響很小了。對於不懂圍棋或者對演算法細節不關心的人，Master相比AlphaGo Lee無非是棋力更強一些，戰勝的柯潔與李世石都是頂級高手沒本質區別，Master的創新性也需要懂圍棋才能明白。

AlphaGo Zero是真正的從零開始訓練，整個學習過程與人類完全沒有關係，全是自己學，這個哲學意義還是很大的。過程中與人或者其它版本下，只是驗證棋力不是學招。

二．真正的演算法突破是Master版本實現的

可以認為，在技術上從AlphaGo Lee進步到Master是比較難的，需要真正的變革，神經網路架構需要大變，強化學習過程也要取得突破。絕藝、DeepZenGo等AI開發就一直卡在這個階段，突破不了AlphaGo Lee的水平，總是出bug偶爾輸給人，離Master差距很大。

但如果Master的開發成功了，再去試AlphaGo Zero就是順理成章的事。如果它能訓練成功，應該是比較快的事，實際不到半年頂級論文就出來了，回頭看是個自然的進展。Deepmind團隊在五月後應該是看到了成功的希望，於是繼續開發出了AlphaGo Zero，新論文雖然推遲了，但再次震驚了業界。

也可以看出，2016年Deepmind《自然》論文描述的強化學習過程，整個訓練流水線比較複雜，要訓練好幾種神經網路的係數，進化出一個新版本需要幾個星期。用這個訓練流水線，從零開始強化學習，應該是意義不大，所以一直沒有進展。

但是Master的自學習過程取得了重大突破，之前從人類棋譜開始訓練2個月的水平，改進後只要一星期就行了，學習效率，以及能夠達到的實力上限都有了很大進展。以此為基礎，再把從零開始引進來，就能取得重大突破。所以Deepmind真正的技術突破，應該是開發Master時取得的。AlphaGo Zero是Master技術成果的延續，但看上去哲學與社會意義更重大。

Master與AlphaGo Zero的成功，是機器強化學習演算法取得巨大發展的成果與證明。訓練需要的局數少了，490萬局就實現了AlphaGo Lee的水平。而絕藝到2017年3月就已經自我對弈了30億局，實力一直卡著沒有重大進步，主要應該是強化學習技術上有差距。

我在2017年1月9日寫的《AlphaGo升級成Master後的演算法框架分析》文中進行了猜測：

從實戰表現反推，Master的價值網路質量肯定已經突破了臨界點，帶來了極大的好處，思考時間大幅減少，搜索深度廣度增加，戰鬥力上升。AlphaGo團隊新的prototype，架構上可能更簡單了，需要的CPU數目也減少了，更接近國際象棋的搜索框架，而不是以MCTS為基礎的複雜框架。比起國際象棋AI複雜的人工精心編寫的局面評估函數，AlphaGo的價值網路完全由機器學習生成，編碼任務更為簡單。

理論上來說，如果價值網路的估值足夠精確，可以將葉子節點價值網路的權重上升為1.0，就等於在搜索框架中完全去除了MCTS模塊，和傳統搜索演算法完全一樣了。這時的圍棋AI將從理論上完全戰勝人，因為人能做的機器都能做，而且還做得更好更快。而圍棋AI的發展過程可以簡略為兩個階段。第一階段局面估值函數能力極弱，被逼引入MCTS以及它的天生弱點。第二階段價值網路取得突破，再次將MCTS從搜索框架逐漸去除返樸歸真，回歸傳統搜索演算法。

從新論文的介紹來看，這個猜測完全得到了證實。Master和AlphaGo Zero的架構確實更簡單了，只需要4個TPU。AlphaGo Zero到葉子節點就完全不用rollout下完數子了，直接用價值網路（已經與策略網路合併）給出勝率，就等於是「價值網路的權重上升為1.0」。Master有沒有rollout沒有明確說，從實戰表現看應該是取消了。

當然新論文中還是將搜索框架稱為「MCTS」，因為有隨機試各分支，但這不是新東西，和傳統搜索差異不算大。對圍棋來說，2006年引入MCTS演算法真正的獨特之處是從葉子節點走完數子，代替難以實現的評估函數。

這種瘋狂的海量終局模擬更像是絕望之下的權宜之計，也把機器弄得很疲憊。但是Master與AlphaGo Zero都成功訓練出了極為犀利的價值網路，從而又再次將rollout取消。價值網路的高效剪枝，讓Master與AlphaGo Zero的判斷極為精確，從而算得更為深遠戰鬥力極為強大。這個價值網路怎麼訓練出來，就是現在Deepmind的獨門絕技。可以說，新論文最有價值的就是這個部分。

從Master開始，AlphaGo的網路結構應該就有大變了。到AlphaGo Zero，將價值與策略網路合為一個，這並不奇怪。因為第一篇論文中，就明確說價值與策略網路的架構是完全一樣的，只是係數不同。那麼二者共用一個網路也不奇怪，前面盤面特徵表述應該是一樣的，等需要不同的輸出時再分出不同的係數。Master網路結構大變之後，也許Deepmind發現，許多盤面特徵都可以訓練出來，所以就簡單將盤面輸入簡化成黑白。

AlphaGo Zero的強化學習過程，應該與Master差不多，都是成功地跳出了陷阱，不斷提升到超乎人類想像的程度。Master從研發上來說，像一個探路先鋒，證明了這條路是可以跑通的，能把等級分增加1000分。而AlphaGo Zero，像是一個更為精減的過程，本質是與Master類似的。

新論文中的AlphaGo Zero確實顯得架構優美。只需要一個網路，既告訴機器可以下哪，也能給出局面的勝率。盤面輸入就是黑白，也不需要任何人類知識。強化學習就是兩招，搜索的結果好於神經網路直覺想下的點，可以用於策略選點的訓練，一盤下完的結果回頭用於修正勝率，都很自然。但是為了實現這個優美結果，需要勇敢的探索。一開始的AlphaGo並沒有這麼優美，路跑通了，才想到原來可以做得更簡單。

本文再提出一個猜測：現在的絕藝、DeepZenGo等AI實力接近AlphaGo Lee了，但都經常出現死活bug，會怎麼出和人類對手的實力關係不大，並不是對手等級分高的它就容易出bug，基本是自己莫明其妙送死。這個bug的原因是rollout模塊帶來的，因為rollout策略是人類棋譜訓練出來的，也可能有人工加代碼打補丁。

它的目的是快速下完終局，但如果牽涉到死活，這種快速下完就不太可靠了，活的下死，死的殺活。但是，怎麼實現不出錯的rollout，這非常困難，應該是不可能完成的任務。Master和AlphaGo Zero的辦法，是取消這個不可靠的rollout，直接讓神經網路給出結果。如果神經網路給出的勝率結果有問題，那就靠訓練來解決。這樣糾錯，強過程序員去排查rollout代碼里出了什麼錯。

三．機器與人類對圍棋的適應能力差異很大

Master和AlphaGo Zero的突破說明，在極高的水平上，需要考慮出現瓶頸的原因。人類棋譜能夠提供一個「高起點」，但是機器從零開始訓練一兩天也就追上了，帶來的「先發優勢」沒多少。而人類棋譜中顯然有一些「有害成分」，這可能將AI的學習過程帶歪。如果AI不能找到消除這些「人類病毒」的辦法，那訓練就會陷入瓶頸。如下圖，零知識強化學習的版本實力迅速追上有人類棋譜幫忙的。

從圍棋本身看，它的規則幾乎是所有遊戲中最優美最簡單的。規則就是兩句話可以了，氣盡提子，禁全同（打劫的由來）。甚至貼目這樣的勝負規則都是人類強加的，圍棋遊戲不需要勝負規則就可以成為一個定義明確的遊戲。打磚塊這樣的Atari遊戲就是這樣，目標就是打到更高的分。圍棋遊戲的目標可以是占更多的地，結果可能是黑183、184、185子這樣，不需要明確說出黑勝黑負。黑白博弈，會有一個上帝知道的「均衡」結果，猜測可能是黑184子白177子，或者黑184.5白176.5（有眼雙活）。

這是一個優美的博弈問題，是掌握了強化學習方法的AI最喜歡的遊戲，規則這麼簡單，太容易了。最終強大的圍棋AI，應該是自然的，開發只依靠原始規則，不需要其它的信息了。AlphaGo Zero應該已經接近了這個目標，除了中國規則強加的7.5目的貼目。也許以後可以讓AlphaGo不考慮貼目了，黑白都直接優化佔地的多少，不再以勝率為目標，說不定能訓練出一個更優秀的AI。如優勢時不會退讓了，劣勢時也不自殺。這次Master與AlphaGo Zero一些局終局輸定時就表現得很搞笑，有時搖頭劫死棋打個沒完。

AlphaGo Zero的棋力提升過程非常流暢，說明圍棋精緻的規則形成的數學空間很優美，神經網路很快就能抓住圍棋空間的特徵，表現得非常適應。而這種神經網路與圍棋空間的適應性，是之前人們沒有想到的，因為人自己感覺很困難，沒料到神經網路學習起來美滋滋。

AlphaGo Zero能從零開始訓練成功，也是因為圍棋的絕對客觀性。圍棋規則如此自洽，不需要人類干預，就能很容易地自我對弈出結果，直接解決了「學習樣本」這個大問題。人工智慧機器學習碰上的很大問題就是需要海量樣本，而實際生活中有時只有少量樣本，有時需要人工標註很麻煩。

圍棋的對局天然在那了，AlphaGo Zero的任務就是找到合適的學習方法，沒有樣本的問題。而人類既無法自我產生海量對局，也無法像AI那樣目標明確地快速改進自己的腦神經，單位時間學習效率被AI完全碾壓。所以圍棋是更適合AI去學習的遊戲。人類的學習方法也許還是適合人的，但AI學習方法更強。

對於圍棋這麼自然而且絕對客觀的遊戲，消除人類的影響應該從哲學上來說是有深度的想法。從圍棋規則來看，日韓規則對AI簡直是不可理解，甚至無法定義，未來肯定會消亡。而人類的棋譜是客觀的，但對棋譜的解讀是主觀的。主觀的東西就可能出錯，這要非常小心。

對於人類的知識體系也是如此。客觀世界的運行是與人無關的，人對客觀世界的解讀就是主觀的，很可能帶入了錯誤的東西。所以，有時需要返回到客觀世界進行本原觀察，而不是在錯誤的知識體系上進入所謂的「推理與搜索」。客觀上不成立，什麼都完了。經濟學道理寫得再雄辯，實踐中失敗了就不行。

另一方面，也不要片面強調說人類知識沒用，還不如零知識。實際上Master與AlphaGo Zero的差距從演算法層面看，並不太大。二者300分的等級差距，也許不是Master開始學了人類棋譜帶來的，也許是更精細的網路架構、訓練過程的小細節之類的影響。Master其實找到辦法跳出了人類知識的陷阱。

因此，可以說人類知識可能存在問題，但不要說學了人類知識就沒法到高境界。意識到舊知識體系的問題，作出突破就可以了。而且人類沒法和機器比，不可能真從零知識開始瘋狂自己下，沒那個體力。現實的選擇只有學習前輩的經驗。也許AlphaGo的意義是說，要有一個知識體系，這個知識體系可以是自己學出來並檢驗的，也可以是Master那樣借鑒了別人的，但要接受實踐檢驗，也要敢於懷疑突破成見。

四．AlphaGo Zero的實戰表現

雖然AlphaGo Zero完全與人類棋譜無關了，但是也許會讓棋手們欣慰的是，它下得其實很像人。訓練沒幾個小時就下得非常像人了，也是從角上開始，這方面的判斷和人是一致的。

而且它甚至比Master還要像人類棋手，顯得比較正義。Master不知道為什麼喜歡出怪異的手段，棋譜極為難懂，對人類而言更為痛苦，打又打不過，看也看不懂。AlphaGo Zero對Master的棋譜結果是19:1，感覺上AlphaGo Zero戰勝Master的招數不是以怪制怪，而是用正招去應付，然後Master的強招碰上正義的力量就失敗了。而人類對Master應錯了，就輸了。也許是因為，Master訓練到後來，為了提高勝率走上了劍走偏鋒的路線，出怪招打敗之前的版本，而同一版本的黑白是同等實力，以怪對怪正好實力相當，維持了半目勝負。碰上AlphaGo Zero就失去了這種平衡，被正義的招數鎮壓。

圖為AlphaGo Zero執黑對Master。Master氣勢洶洶54位飛，要吃掉黑三子。在Master與人類棋手的計算中，以及解說的這盤棋的絕藝看來（騰訊圍棋經常有絕藝配合人類棋手解說棋局的節目），黑這三子應該是被吃了，要考慮棄子。但是AlphaGo Zero不這麼認為。

黑棋AlphaGo Zero在左下角將白棋做成了打劫殺。遭此打擊，Master就此陷入被動。這說明Master的計算也不一定毫無破綻，只是碰上算得更深的才被抓住。這個計算手數很長，出現錯誤也可以理解。這也說明Master以及AlphaGo Zero從演算法原理看，都可能會被抓住計算錯誤，仍然有進步空間。一度我被Master的極限對局嚇住了，以為圍棋的終極奧義可能就是這種看不懂的死掐。

AlphaGo Zero執白對Master。這是雙方對局的常見局面，白AlphaGo Zero撈足了實地，Master的中央模樣像紙糊的一樣被打破，敗下陣來。

AlphaGo Zero自戰。勝率落後的黑用129的手筋撐住了局勢，但最後還是勝率越來越低失敗了。

應該說AlphaGo Zero的棋譜還是較為自然的，雖然中盤顯然很複雜，但不像Master那樣完全看不懂心生恐懼。對於人類棋手來說，AlphaGo Zero會更為親切，它就像一個最高水平的人類棋手，下得是意圖可以說清楚的棋，只是永遠正確，不像人類低手這錯那錯。而Master的自戰譜就顯得不可理解，蠻不講理，動不動就搞事，撐得很滿步步驚心搞極限對局，人類看得很暈。

圍棋AI應該還是在發展過程中，自我對弈容易顯得較死勁，實力有差距就會顯得一方瀟洒自然。圍棋的狀態空間還很大，應該還能有更厲害的版本一級級發展出來，就像國際象棋AI仍然在不斷進步。

當然對Master以及AlphaGo Zero的棋譜，需要人類高手們配合AI的後台數據來解讀。AlphaGo Zero這個不需要人類知識的AI棋手，再次給人類提供了不同風格的棋譜，讓棋壇越來越精彩。而且Deepmind的這篇論文提供了優美簡潔的開發方法，更容易模仿成功，會有越來越多高水平的AI取得突破。

背景簡介：本文作者筆名陳經，香港科技大學計算機科學碩士，科技與戰略風雲學會會員，微博@風雲學會陳經。文章於2017年10月21日發表於觀察者網（http://m.guancha.cn/chenjing/2017_10_21_431711.shtml），風雲之聲獲授權轉載。責任編輯：郭尖尖

歡迎關注風雲之聲

知乎專欄：

http://zhuanlan.zhihu.com/fengyun

一點資訊：

http://www.yidianzixun.com/home?page=channel&id=m107089

今日頭條：

http://toutiao.com/m6256575842