雷鋒網(wǎng)注：本文作者彭博，Blink·稟臨科技聯(lián)合創(chuàng)始人。文章由雷鋒網(wǎng)整理自作者知乎專欄，獲授權發(fā)布，未經(jīng)允許禁止轉載。

一、神經(jīng)網(wǎng)絡在圍棋中的歷史

再次回顧 AlphaGo v13 的三大組件：

MCTS（蒙特卡洛樹搜索）

CNN （卷積神經(jīng)網(wǎng)絡，包括：策略網(wǎng)絡 policy network、快速走子網(wǎng)絡 playout network、價值網(wǎng)絡 value network）

RL （強化學習）

在上世紀90年代初期，大家就已經(jīng)開始實驗將神經(jīng)網(wǎng)絡（當時是淺層的）與強化學習應用于棋類游戲。最著名的例子是西洋雙陸棋 Backgammon 的 TD-Gammon，它在自我對弈了150萬局后，就達到了相當強的棋力，摘選 Wikipedia 中的一段：

Backgammon expert Kit Woolsey found that TD-Gammon's positional judgement, especially its weighing of risk against safety, was superior to his own or any human's.

TD-Gammon's excellent positional play was undercut by occasional poor endgame play. The endgame requires a more analytic approach, sometimes with extensive lookahead. TD-Gammon's limitation to two-ply lookahead put a ceiling on what it could achieve in this part of the game. TD-Gammon's strengths and weaknesses were the opposite of symbolic artificial intelligence programs and most computer software in general: it was good at matters that require an intuitive "feel", but bad at systematic analysis.

簡單地說，就是"大局觀"特別強（比當時所有人類都強，不過，后來人也學習它的招法，人也進步了?。?，但是"官子弱"。這恰好和許多圍棋 AI 給人的感覺完全一致。

然而神經(jīng)網(wǎng)絡（淺層的）在圍棋中的應用卻遇到很大的困難。例如90年代就有一個神經(jīng)網(wǎng)絡圍棋叫 NeuroGo：The Integration of A Priori Knowledge into a Go Playing Neural Network 它的架構（如下圖）也經(jīng)過不少考慮，但棋力很低，10K的水平：

二、策略網(wǎng)絡的工作原理

究其原因，我們看策略網(wǎng)絡的輸入（很多年來大家使用的輸入都大同小異，最重要的是把棋子按氣的口數(shù)分類，如1口氣的，2口氣的，3口氣的，4口和更多氣的）：

策略網(wǎng)絡的目的，簡單說是快速預測雙方的下一手的位置，類似于棋手的第一感。實際上，策略網(wǎng)絡的第一層是類似于這樣的規(guī)則的集合（為方便非程序員理解，這里舉一個特別的例子）：

"如果這個位置的上面有一個1口氣的對方棋子，左下區(qū)域的2口氣以上的本方棋子密度為某某某，右邊某某區(qū)域本方的棋子密度按氣加權為某某某，......，那么將以上事實加權算出有xx%的幾率在這里落子"

看上去，這種規(guī)則更像是能預測某些局部的棋形情況，不像能準確地預測下一手?，F(xiàn)代的圍棋策略網(wǎng)絡為何取得大的進展，是因為使用了 卷積神經(jīng)網(wǎng)絡 + 深度神經(jīng)網(wǎng)絡 的思想。

如果我們只看 AlphaGo v13 的第一層和最后一層神經(jīng)網(wǎng)絡，那么它的運作是：

1. 使用了 192 條類似的規(guī)則（由棋譜自動訓練出來）（規(guī)則的數(shù)量太少固然不行，太多也會慢同時容易走入誤區(qū)），然后在全棋盤掃描每個點（這就是卷積神經(jīng)網(wǎng)絡的思想），計算由所有規(guī)則綜合得到的權值。

2. 再輸入“1x1卷積核”網(wǎng)絡（通俗地說，就是將每個點的上面算出的 192 種模式權值綜合考慮，得出最終的落子幾率），算出棋盤每個點作為走子的幾率。如果也舉個特別的例子，這類似于：

"如果要判斷是否在這里走一個子，就會將【這里符合 A模式的程度】*0.8，【這里符合 B模式的程度】*0.4，【這里符合 C模式的程度】*(-0.2)，等等等等，綜合考慮，得出一個落子機率。"

3. 上述具體的訓練過程，就是每見到一個情況就加強這個情況的權值。因此越經(jīng)常出現(xiàn)的情況就會越被加強。

三、深度神經(jīng)網(wǎng)絡為何有效

如果只有兩層網(wǎng)絡，在看棋譜時，對于對弈者的下一手的位置，只能達到 35% 左右的正確率：cs.utoronto.ca/

但是，通過使用深度神經(jīng)網(wǎng)絡，也就是多層的網(wǎng)絡，AlphaGo v13 可以達到 55% 左右的預測正確率。這有兩個原因：

一，是概念層面的。舉例，人在選點時，會考慮附近的雙方棋子的"厚薄"，但"厚薄"是個高級概念，大致可以認為是棋塊的"安定性"與"棋形"的結合。那么我們可以想象，如果第一層的規(guī)則，包括一部分專門負責"安定性"的規(guī)則，和一部分專門負責"棋形"的規(guī)則，再往上一層就可以通過加權考慮這兩種規(guī)則的結果，得出類似"厚薄"的概念。然后再往上一層，就可以再運用之前得出的棋盤每個位置的"厚薄"情況，進行進一步的決策。

深度神經(jīng)網(wǎng)絡的最有趣之處在于，并不需要特別告訴它存在這樣的概念的層次，它會自動從數(shù)據(jù)中形成這樣的層次。

二，與棋盤和卷積神經(jīng)網(wǎng)絡的性質有關。第一層的規(guī)則，最好是局部的規(guī)則，因為這樣的規(guī)則的泛化能力較高。譬如 AlphaGo v13 第一層使用的是 5x5 的局部，然后在第二層中再考慮 3x3 個 5x5 的局部，由于這些 5x5 的局部之間有重疊部分，就會形成一個 7x7 的局部。通過一層層往上加，最終可覆蓋整個 19x19 的棋盤（如果你喜歡，可以繼續(xù)往上加）。這符合我們的一種直覺：棋形會從里向外輻射一層層的影響，先看 5x5 ，然后看看周邊的棋子就是 7x7 的情況，然后繼續(xù)看下去。

四、新發(fā)展：殘差網(wǎng)絡

自然的問題是，如果這么說，是不是層越多就越好？

從前大家認為不是，因為太多層后很難訓練，有時在訓練集上的準確度已經(jīng)會變差。

但是，如果仔細想想，這有點問題。我們不妨假設新加的一層就是一個不變變換，就是什么都不改變，就把上一層的輸入做為輸出。那么，此時的模型不會變好也不會變差。換而言之，增加層數(shù)，是永遠不應該變差的?。ㄟ@里的意思是，在訓練集上的準確度不應該下降。在測試集上的準確度可能會由于過擬合而下降）

這就是 ResNet 殘差網(wǎng)絡的思想： 通過使用它，網(wǎng)絡可以加到上千層也沒有問題，幾乎是一個免費的午餐：

通過運用殘差網(wǎng)絡和少量 MCTS 模擬，策略網(wǎng)絡的準確度可達 58% 以上：https://openreview.net/pdf?id=Bk67W4Yxl 。這近乎于理論最高值了，因為人的走棋不完美，同樣的局面可以有不同的走法。

五、策略網(wǎng)絡的弱點

然而策略網(wǎng)絡是有弱點的。我在此更具體地說明幾種情況。

第一，學習的棋譜數(shù)量有限，因此會有未見過的局面；同時，有時會知其然而不知其所以然，只學到了表面。這個問題很有趣，譬如，很多人發(fā)現(xiàn) Zen6 （包括 DeepZenGo）有時會在征子上短路。下圖是 2016/11/27 07:43 日 EWZGDXFEZ 與 Zen19L 在 KGS 的對局，黑棋是 Zen19L，走出了驚世駭俗的一步 M4，并認為自己的勝率高達 70% 以上：

結果被白棋直接在 N4 征死（同時勝率立刻掉到17%...）。這到底是為什么？我們可以打開 Zen6 的策略網(wǎng)絡顯示（Hotspots 菜單）：

非常有趣。Zen6 認為白棋最可能的下一步是在 G2（概率大小是按紅橙黃綠藍紫排列，最不可能的是無色），而 N4 是它眼中白棋最不可能下的棋。它根本想不到白棋會走 N4。這個問題的成因是明顯的：

在人類高手的對弈中，很少出現(xiàn)一方對另一方進行征子，因為另一方會預先避免對方征子成功。而策略網(wǎng)絡在學習中，卻不可能看到如此高的概念，它只能看到，如果有一方走出看似可以被征的棋形，另一方不會去征，于是，它所學到的，就是大家都不會去征對方的子。

著名的第 78 手與此也有類似的原因（區(qū)別是隱蔽得多）。同樣，機器很難理解人為什么會"保留"，因為人"保留"的原因是另一個層次的（例如作為劫材）。當然，人的"保留"也不見得都對。

解決這個現(xiàn)象，初級的辦法是加入手動的處理，更好的辦法是通過自我對弈學習更多的局面。AlphaGo 比其它各路狗強大的重要原因，在于經(jīng)過了上億盤的左右互搏學習，見過的局面太多了。

第二，由于輸入中缺乏對于多口氣的精確區(qū)分（請思考為什么沒有精確區(qū)分），可以說它不會精確數(shù)氣，對于對殺和死活容易犯暈。這一般可以被蒙特卡洛樹搜索糾正，但總會有糾正不了的情況。不過，雖然其它各路狗在此都經(jīng)常會犯錯，但 Master 卻還沒有被人抓到，有可能在于它已經(jīng)學會有意避免這種局面，就像傳說它會有意避免某些大型變化。

第三，靠感覺是不會精確收官和打劫，因此許多狗的官子和打劫有缺陷（換而言之，人可以靠官子和打劫逆轉）。不過目前看來 AlphaGo 的新版已經(jīng)專門為此做過額外處理，不會讓人抓到這么明顯的漏洞。我的一個猜測是，新版 AlphaGo 可能也建立了一個以"贏的子數(shù)"作為目標的價值網(wǎng)絡，并且在適當?shù)臅r候會參考它的結果。

許多人可能會很好奇，為什么各路狗都是用"勝率"而不是"贏的子數(shù)"作為目標。這是因為大家發(fā)現(xiàn)以"勝率"為標準，得到的勝率更高（這看似是廢話，其實不是廢話）。說到這個，我見過網(wǎng)上有人提為什么不在穩(wěn)贏的時候改變貼目，盡量贏得更多一些，棋走得更好看；這個想法其實大家早就試過了，叫 Dynamic Komi 動態(tài)貼目，后果也是會稍微降低勝率。

不過，電腦的保守，有時候可以被人類利用。譬如，在電腦的棋有潛在缺陷的時候，可以先故意不走，等到收官階段，電腦認為必勝（并且退讓了很多）的時候再走，讓電腦措手不及。最近陳耀燁就通過類似的辦法連贏了國產(chǎn)狗好幾盤，而 DeepZenGo 也被某位棋手抓到了一個漏洞連贏了好幾盤（而這兩位狗對付其它職業(yè)棋手的勝率已經(jīng)相當高了）。圍棋確實很有趣。我相信人機對抗并沒有結束，還會繼續(xù)下去，因為雙方都會不斷進步。

相關閱讀：

《28 天自制你的 AlphaGo（一）：圍棋AI基礎及版本安裝》

《28 天自制你的 AlphaGo（二）：訓練策略網(wǎng)絡，真正與之對弈》

雷峰網(wǎng)特約稿件，未經(jīng)授權禁止轉載。詳情見轉載須知。