大数据文摘作品
编译：叶一、Chlo、彭湘伟、钱天培
在年3月，Dpmind研发的AlphaGo以4:1的成绩，击败了曾荣获18次世界冠军的围棋选手，李世石(LSdol)。超过2亿观众见证了这一历史时刻。一台机器已经学会了一种超越人类的围棋策略。这在以前被认为是一项不可能完成的任务，或者至少需要十年之功。
AlphaGo与李世石的第3场比赛
这已是一项了不起的成就。然而，在年10月18日，DpMind又再次取得了突破。
论文《无需人类知识就能称霸围棋》（MastringthGamofGowithoutHumanKnowldg），揭示了一种新的算法——AlphaGoZro，它以:0的惊人成绩打败了AlphaGo。更令人难以置信的是，它从零开始，通过自我博弈，逐渐学会了能打败自己之前的策略。至此，开发一个超级AI不再需要依赖人类专家的游戏数据库了。
仅48天后的年12月5日，DpMind又发布了另一篇论文《通过一种通用的强化学习算法称霸国际象棋和日本象棋》（MastringChssandShogibySlf-PlaywithaGnralRinforcmntLarningAlgorithm），它展示了AlphaGoZro如何能够学会国际象棋（StockFish和Elmo）和象棋。整个学习过程，从第一次参与游戏到成为世界上最厉害的计算机程序，只用了24小时。
就这样，AlphaZro华丽丽地诞生了——它无需储备任何人类棋谱，就可以以通用算法完成快速自我升级。
关于这个成就，有两点最让人称奇:
AlphaZro对人类游戏经验根本就不需要
这点的重要性怎么说都不过分。也就是说，对于任何有充分信息的游戏（对阵双方对游戏状态都全程掌握），AlphaGoZro的方法论都可以得到完美应用！因为除了游戏规则之外，人类任何游戏经验值都是不需要的。
AlphaGoZro的基础方法可以应用于任何具有完美信息的游戏(游戏状态在任何时候，双方玩家都完全知道的)，因为在游戏规则之外，不需要事先的专家知识。
这就是DpMind能在发表AlphaGoZro论文48天后，马上就能发表第二篇论文。毫不夸张地说，所需要改变的仅仅是新游戏规则，及与神经网络和蒙特卡罗树搜索相关的超参数。
这个算法的优雅程度秒杀众生
即便AlphaZro使用的是世界上只有极少数人能够看懂的超复杂算法，它仍然是项了不起的成就。同它相比，之前的算法可谓不复杂不成活，这才是它真正的魅力。究其核心，无非是以下极简而美的学习逻辑:
脑补各种场景，挑能赢的路走，想想别人会怎么应对，并不断探索未知。
在思考未来可能的情景时，优先考虑有前途的路径，同时考虑其他人最有可能如何对你的行动作出反应，并继续探索未知。
遇到不熟悉的状况，评估它的利害程度，把它同之前的各种让你走到今天这一步的场景作比较。
穷尽你对未来的想象，用你试过最多的招数来应对。
在你考虑了未来的可能性之后，采取你已经探索过的行动。
游戏结束时，回头看看在哪里犯过错，然后洗心革面、更新认知。
在游戏结束时，回过头来评估你在哪里错误地判断了未来的位置，并相应地更新你的理解。
这听起来是不是很像你学玩游戏的方式?当做错一个动作时，要么是因为你误判了这个动作会带来的结果，要么是你误判了对手可能会采取的行动。这两点正是AlphaZro学会如何玩游戏的法门。
如何构建自己的AlphaZro
首先，我们需要学习和理解AlphaGoZro的原理。我之前写过一篇AlphaGoZro的知识点速查手册可供参考：