AI ใหม่ชนะได้ทุกที่ AI ที่คล้ายคลึงกันสามารถชนะที่หมากรุกได้หรือไม่? มันสามารถบรรลุการฝึกอบรมด้วยตนเองที่บริสุทธิ์ได้หรือไม่?

หนึ่งในคำถามยอดนิยมที่ถามในเว็บไซต์นี้เกี่ยวกับโอกาสของAI หมากรุกที่ฝึกตัวเองอย่างหมดจด

วันนี้ChessBase ถูกเบี่ยงเบนไปจากการรายงานข่าวของการแข่งขัน FIDE Candidates เพื่อรายงานว่า AI ใหม่นั้นเป็นครั้งแรกที่เอาชนะหัวหน้าชั้นนำของเกมที่แตกต่างกันไปซึ่งต่อต้าน AIs สไตล์หมากรุกมาหลายปี การอ่านรายงานฉบับแรกแสดงให้เห็นว่า AI ที่ออกใหม่ไม่เหมือนกับหมากรุก AIs แต่เกือบจะเป็นเกมเล่นทั่วไป (GGP) AI อย่างไรก็ตามบทความของ ChessBase ไม่ได้ใช้คำว่าจีจีพี แต่ดูเหมือนว่าจะพูดว่าไอโกที่สามารถชนะได้ในวิดีโอเกมธรรมดา

มีเหตุผลใดบ้างที่การชนะแบบโก AI ไม่สามารถทำได้ด้วยการปรับเปลี่ยนเล็กน้อยก็จะชนะที่หมากรุกด้วยเช่นกัน? หากเป็นเช่นนั้น AI แสดงให้เห็นว่าสัญญาว่าจะบรรลุการฝึกอบรมด้วยตนเองอย่างแท้จริงคำตอบที่ยอดเยี่ยมหลายประการสำหรับคำถามก่อนหน้านี้ได้กล่าวถึงก่อนหน้านี้ซึ่งในเวลานั้นยังไม่สามารถทำได้ ทำไมหรือทำไมไม่?

ฉันสงสัยว่ายังไม่มีคำตอบที่ครบถ้วนและครบถ้วนสำหรับคำถามของฉันดังนั้นแม้คำตอบบางส่วนจากความเชี่ยวชาญที่เกี่ยวข้องจะได้รับการชื่นชม

สำหรับการอ้างอิงเพิ่มเติมดูคำถามและคำตอบที่เกี่ยวข้องนี้

UPDATE

เมื่อคำถามข้างต้นถูกโพสต์ครั้งแรกเมื่อห้าวันที่แล้วและเมื่อได้รับคำตอบที่ดีบางข้อด้านล่างข่าวแรกเกี่ยวกับชัยชนะของ AI ที่เพิ่งเริ่มปรากฏขึ้น ตั้งแต่นั้นมาข้อมูลเพิ่มเติมและคำอธิบายได้เกิดขึ้น

น่าสนใจเป็นพิเศษนับ แต่นั้นมาเป็นการอภิปรายโต๊ะกลมห้าด้านที่อ่านง่ายซึ่งโจนาธานแชฟเฟอร์พูดถึง:

การเรียนรู้จากเกมมนุษย์ช่วยเร่งการเรียนรู้ของโปรแกรม AlphaGo สามารถเรียนรู้ที่จะเป็นผู้เล่นที่แข็งแกร่งได้ด้วยตัวเองโดยไม่ต้องใช้เกมของมนุษย์ กระบวนการเรียนรู้ใช้เวลานานขึ้น

ตามโฮสต์ของโต๊ะกลม, Schaeffer คือ "[c] ศาสตราจารย์ด้านวิทยาศาสตร์คอมพิวเตอร์ที่มหาวิทยาลัยอัลเบอร์ตาและชายผู้แก้ไขตัวตรวจสอบ"; ดังนั้นน่าจะเป็นไปได้ว่าเขามีคุณสมบัติที่จะแสดงความคิดเห็น

สำหรับข้อมูลเพิ่มเติมต่อไปนี้เป็นบันทึกของอีกการสนทนาที่เปิดกว้างซึ่งผู้เข้าร่วมจำนวนมากดูเหมือนจะได้รับข้อมูลที่ดีกว่าปกติ การอภิปรายเกิดขึ้นในระหว่างการแข่งขัน

อัปเดตเพิ่มเติมหนึ่งปีครึ่งในภายหลัง: commenter @MarkS เขียน:

นี่เป็นเพียงความคิดเห็นเพราะมันเกี่ยวกับ Go ไม่ใช่ Chess แต่ AlphaGo Zero ได้รับ "การฝึกฝนด้วยตนเองอย่างแท้จริง" จากการถูกบอกว่าใครชนะ (ไม่ใช่คะแนนสุดท้าย) และแข็งแรงกว่าและมีประสิทธิภาพมากกว่า AI ที่เอาชนะ Lee Sedol . สำหรับข้อมูลเพิ่มเติมโปรดดูdeepmind.com/blog/alphago-zero-learning-scratch

ดีดีดี! DeepMind ได้ตีพิมพ์บทความที่พวกเขาบอกว่าพวกเขาได้ตั้งโปรแกรมและฝึกอบรมคอมพิวเตอร์เครือข่ายประสาทเพื่อเอาชนะ Stockfish

ด้วยเวลาคิด 1 นาทีต่อการย้ายคอมพิวเตอร์ AlphaZero ของพวกเขาเอาชนะ Stockfish โดย +25, = 25, -0 ด้วยสีขาวและ + 3, = 47,0- เป็นสีดำ

พวกเขา "ฝึกฝน" คอมพิวเตอร์ 3 เครื่องแยกกันเพื่อเล่นหมากรุกโชกิและโกและเอาชนะคู่แข่งซิลิคอนของพวกเขาอย่างมั่นใจ

นี่คือวิธีที่กระดาษอธิบายการฝึกอบรมและการประเมินผล -

เกมที่เล่นด้วยตนเองนั้นสร้างขึ้นโดยใช้พารามิเตอร์ล่าสุดสำหรับเครือข่ายประสาทนี้โดยไม่ผ่านขั้นตอนการประเมินและการเลือกผู้เล่นที่ดีที่สุด

AlphaGo Zero ปรับพารามิเตอร์ไฮเปอร์ของการค้นหาโดยการปรับให้เหมาะสมแบบเบย์ ใน AlphaZero เราใช้พารามิเตอร์ไฮเปอร์เดียวกันซ้ำกันสำหรับเกมทั้งหมดโดยไม่ต้องปรับแต่งเฉพาะเกม ข้อยกเว้นเพียงอย่างเดียวคือเสียงที่เพิ่มเข้าไปในนโยบายก่อนหน้าเพื่อให้แน่ใจว่ามีการสำรวจ นี่คือสัดส่วนตามจำนวนปกติของการเคลื่อนไหวตามกฎหมายสำหรับเกมประเภทนั้น

เช่นเดียวกับ AlphaGo Zero สถานะกระดานถูกเข้ารหัสโดยระนาบเชิงพื้นที่ตามกฎพื้นฐานสำหรับแต่ละเกม การกระทำจะถูกเข้ารหัสโดยระนาบเชิงพื้นที่หรือเวกเตอร์แบบแบนโดยยึดตามกฎพื้นฐานสำหรับแต่ละเกมเท่านั้น (ดูวิธีการ)

เราใช้อัลกอริทึม AlphaZero กับหมากรุก shogi และ Go เว้นแต่จะระบุไว้เป็นอย่างอื่นการตั้งค่าอัลกอริทึมเดียวกันสถาปัตยกรรมเครือข่ายและพารามิเตอร์ไฮเปอร์ถูกนำมาใช้สำหรับทั้งสามเกม เราได้ฝึกอบรม AlphaZero แยกต่างหากสำหรับแต่ละเกม การฝึกอบรมดำเนินการไปแล้ว 700,000 ขั้นตอน (มินิแบทช์ขนาด 4,096) เริ่มต้นจากการสุ่มพารามิเตอร์เริ่มต้นโดยใช้ 5,000 รุ่นแรกเพื่อสร้างเกมที่เล่นด้วยตัวเองและรุ่นที่สอง 64 วินาทีเพื่อฝึกฝนโครงข่ายประสาทเทียม รายละเอียดเพิ่มเติมของขั้นตอนการฝึกอบรมมีระบุไว้ในวิธีการ

รูปที่ 1 แสดงประสิทธิภาพของ AlphaZero ในระหว่างการเรียนรู้การเล่นเสริมด้วยตนเองซึ่งเป็นหน้าที่ของขั้นตอนการฝึกอบรมในระดับ Elo (10) ในหมากรุก AlphaZero ทำได้ดีกว่า Stockfish หลังจากผ่านไปเพียง 4 ชั่วโมง (ขั้นตอน 300k) ใน shogi, AlphaZero ทำได้ดีกว่า Elmo หลังจากน้อยกว่า 2 ชั่วโมง (110k ก้าว) และใน Go, AlphaZero ทำได้ดีกว่า AlphaGo Lee (29) หลังจาก 8 ชั่วโมง (165k ก้าว)

เราประเมินอินสแตนซ์ที่ผ่านการฝึกอบรมอย่างเต็มรูปแบบของ AlphaZero กับ Stockfish, Elmo และ AlphaGo Zero รุ่นก่อนหน้า (ผ่านการฝึกอบรม 3 วัน) ในหมากรุก shogi และ Go ตามลำดับเล่นการแข่งขัน 100 เกมที่การควบคุมเวลาแข่งขันหนึ่งนาทีต่อการย้าย AlphaZero และ AlphaGo Zero ก่อนหน้าใช้เครื่องเดียวที่มี 4 TPU Stockfish และ Elmo เล่นในระดับความสามารถที่แข็งแกร่งที่สุดโดยใช้ 64 เธรดและขนาดแฮช 1GB AlphaZero เอาชนะฝ่ายตรงข้ามได้อย่างมั่นใจแพ้เกมทั้งหมดไปที่ Stockfish และเกมแปดเกมที่ Elmo (ดูข้อมูลเพิ่มเติมสำหรับเกมตัวอย่างหลายเกม) รวมถึงการเอาชนะ AlphaGo Zero เวอร์ชันก่อนหน้า (ดูตารางที่ 1)

คอมพิวเตอร์ของพวกเขาใช้ชิปรูปแบบใหม่ที่เรียกว่า "TPU" ( Tensor Processing Unit ) ที่พัฒนาโดย Google สำหรับงานการเรียนรู้ของเครื่อง

พวกเขายังอ้างว่าอัลกอริทึมการค้นหาแบบต้นไม้ของ Monte Carlo นั้นดีกว่าและเป็น "มนุษย์ที่ชอบ" มากกว่าอัลกอริทึมการค้นหาอัลฟาเบต้าแบบดั้งเดิม -

นอกจากนี้เรายังวิเคราะห์ประสิทธิภาพสัมพัทธ์ของการค้นหา MCTS ของ AlphaZero เมื่อเปรียบเทียบกับเครื่องมือค้นหาอัลฟาเบต้าที่ทันสมัยที่ใช้โดย Stockfish และ Elmo AlphaZero ค้นหาเพียง 80,000 ตำแหน่งต่อวินาทีในหมากรุกและ 40,000 ในโชกิเมื่อเทียบกับ 70 ล้านสำหรับสต็อคฟิชและ 35 ล้านสำหรับเอลโม่ AlphaZero ชดเชยจำนวนการประเมินที่ต่ำกว่าโดยใช้โครงข่ายประสาทเทียมที่ลึกกว่าเพื่อมุ่งเน้นการคัดเลือกที่หลากหลายในรูปแบบที่มีแนวโน้มมากที่สุดซึ่งเป็นวิธีที่“ เหมือนมนุษย์” มากกว่าในการค้นหาตามที่เสนอโดย Shannon รูปที่ 2 แสดงความสามารถในการปรับขนาดของผู้เล่นแต่ละคนที่เกี่ยวกับเวลาคิดวัดในระดับ Elo เทียบกับ Stockfish หรือ Elmo ด้วยเวลาคิด 40ms MCTS ของ AlphaZero ปรับขนาดได้อย่างมีประสิทธิภาพด้วยเวลาคิดมากกว่า Stockfish หรือ Elmo

นี่คือบางส่วนของเกม -

เกม

สีขาว: AlphaZero Black: Stockfish

ตกลงฉันต้องยอมรับว่าฉันผิด แม้ว่าฉันจะยืนยันว่ามันเป็นเพราะความรู้ของความคิดเห็นของผู้เชี่ยวชาญไม่ใช่ความงมงายทั่วไป: เพื่ออ้างอิงบทความ : "อย่างไรก็ตามโปรแกรมหมากรุกที่ใช้ MCTS ดั้งเดิมนั้นอ่อนแอกว่าโปรแกรมค้นหาอัลฟาเบต้า (4, 24) ในขณะที่อัลฟา โปรแกรมเบต้าที่ใช้เครือข่ายประสาทเทียมก่อนหน้านี้ไม่สามารถแข่งขันกับฟังก์ชั่นประเมินผลที่ทำด้วยมือได้เร็วขึ้น "

เห็นได้ชัดว่าหมากรุกมีกลยุทธ์ที่ลึกพอที่คุณจะสามารถวางแผนให้ใครซักคนได้ซึ่งจะสามารถคำนวณคุณได้ สำหรับฉันมันเป็นเรื่องที่น่าประหลาดใจอย่างมากเพราะการพัฒนาเครื่องมือหมากรุกได้ดำเนินไปในทิศทางตรงกันข้าม (เห็นได้ชัดว่ายังมีข้อแม้เล็กน้อยว่า AlphaZero นั้นแข็งแกร่งกว่า Stockfish หรือไม่: Stockfish ที่เล่นกับ hashtables เพียง 1gb และ 64 คอร์อาจไม่ตรงกับ TPU สี่ตัวจริง ๆ )

นอกจากนี้ยังเป็นสิ่งที่น่าตื่นเต้นจริงๆที่จะเกิดขึ้นเพราะ AlphaZero น่าจะมีจุดแข็งที่แตกต่างจากเครื่องยนต์ทั่วไป

นอกจากนี้ยังหมายความว่าฉันปรับปรุงความเชื่อมั่นของฉันเกี่ยวกับความสำคัญของ AlphaGo ว่าเป็นความก้าวหน้าทางเทคโนโลยีโดยมาก โดยพื้นฐานแล้วโชกุโชกไปและเล่นหมากรุกด้วยการติดตั้งครั้งเดียวนั้นยอดเยี่ยมมากไม่ต้องพูดถึงเกมอื่น ๆ อีกหลายสิบเกมที่น่าจะเล่นในระดับเหนือมนุษย์โดย AlphaZero

มีคำอธิบายที่ดีว่าเหตุใด MCTS จึงเป็นความคิดที่ดีแม้กระทั่งหมากรุกเมื่อเทียบกับการค้นหาอัลฟา - เบต้า (จากบทความ): "AlphaZero ประเมินตำแหน่งโดยใช้ฟังก์ชันที่ไม่ใช่เชิงเส้นโดยประมาณบนเครือข่ายประสาทลึกมากกว่าเชิงเส้น การประมาณฟังก์ชั่นที่ใช้ในโปรแกรมหมากรุกทั่วไปนี้ให้การเป็นตัวแทนที่มีประสิทธิภาพมากขึ้น แต่ยังอาจแนะนำข้อผิดพลาดการประมาณปลอม MCTS เฉลี่ยมากกว่าข้อผิดพลาดการประมาณเหล่านี้ซึ่งมีแนวโน้มที่จะยกเลิกเมื่อประเมินทรีย่อยขนาดใหญ่ คำนวณ mini-max อย่างชัดเจนซึ่งแพร่กระจายข้อผิดพลาดการประมาณที่ใหญ่ที่สุดไปยังรูทของทรีย่อย " (เน้นโดยฉัน)

นี่คือคำตอบเก่าของฉันยังคงมีบางจุดที่ถูกต้องแม้จะมีข้อสรุปที่ถูกแทนที่โดยความเป็นจริง

ประการแรก Alphago ไม่ใช่ระบบการเล่นเกมทั่วไป มันเป็นโปรแกรมที่ออกแบบมาเพื่อเล่นอย่างหมดจดและไม่มีอะไรอื่น อย่างไรก็ตามมันสร้างขึ้นจากการสร้างบล็อคบางอย่างที่มีการบังคับใช้ที่กว้างขึ้นเช่นเครือข่ายประสาทเทียมซึ่งใช้ในการจดจำภาพและมีการใช้งานทันทีในการวินิจฉัยทางการแพทย์และการเรียนรู้การเสริมแรงซึ่งใช้ในการเรียนรู้เกมอาตาริ บทความ.

นอกจากนี้เอ็นจิ้นปัจจุบันทำ"เรียนรู้" ด้วยการเล่นด้วยตนเอง : "Overnight คอมพิวเตอร์หกเครื่องของ Lefler เล่นได้มากกว่า 14,000 เกมในแต่ละช่วงเวลาแปดชั่วโมง" หกเครื่องคูณ 14,000 เกมเป็นเกมจำนวนมาก "เขากล่าวและด้วย ทุกเกมที่เล่นฐานข้อมูลจะลึกและสมบูรณ์ยิ่งขึ้นแม้จะมีความสนใจในการดูคอมพิวเตอร์เล่นกับอีกเกมหนึ่งผลของการส่งเสียงกระหึ่มวุ่นวายของ Lefler คือความกล้าหาญที่เพิ่มขึ้นของโคโมโด "

หากต้องการตอบคำถามของคุณเป็นกลุ่ม:

มีความแตกต่างที่สำคัญระหว่างหมากรุกและไปเป็นอย่างน้อยจากมุมมองของโปรแกรมเมอร์ หมากรุกเป็นเกมเกี่ยวกับยุทธวิธีในขณะที่เกมต่อสู้เป็นเกมกลยุทธ์ ซึ่งหมายความว่าในเชิงลึกการคำนวณหมากรุกสำคัญกว่าการประเมินตำแหน่ง นั่นเป็นข้อมูลเชิงลึกที่สำคัญที่ทำให้เครื่องยนต์ "เก่าแก่" เช่น Fritz, Shredder, Junior และรุ่นใหม่กว่าเช่น Fruit, Rybka, Houdini, Stockfish, Komodo เนื่องจากในตอนท้ายของแต่ละบรรทัดคุณต้องประเมินตำแหน่งและคุณต้องการคำนวณล็อตของจำนวนบรรทัดและคุณภาพของการประเมินนั้นไม่สำคัญเท่ากับความลึกของการค้นหาเอ็นจิ้นหมากรุกจึงมีฟังก์ชั่นประเมินผลที่รวดเร็วและรวดเร็ว

ในทางกลับกันความซับซ้อนทางยุทธวิธีนั้นใหญ่เกินไปสำหรับคอมพิวเตอร์ ดังนั้นการประเมินตำแหน่งและย้ายอย่างถูกต้องเป็นกุญแจสำคัญ อะไร Alphago นำเกมใหม่เป็นอำนาจการประเมินผลแห่งนี้ซึ่งตั้งอยู่บนพื้นฐานของเครือข่ายประสาทสับสน

ในที่สุดมาถึงจุดของฉัน: ในขณะที่ฟังก์ชั่นการประเมินผลหมากรุกเป็นแบบลีนและรวดเร็วเครือข่ายประสาทมีหลายล้านบางพารามิเตอร์พันล้าน เนื่องจาก "การเรียนรู้" ในบริบทนี้หมายถึงการปรับแต่งพารามิเตอร์จึงมีความเป็นไปได้ที่มากขึ้นสำหรับโปรแกรมการเรียนรู้ด้วยตนเอง

ดังนั้นใช่คุณสามารถใช้การตั้งค่าเช่น Alphago เพื่อสร้างเครื่องมือหมากรุก แต่มันจะไม่ดีโดยเฉพาะ การเรียกใช้ฟังก์ชั่นการประเมินผลนั้นใช้เวลานานมากซึ่งคุณจะต้องใช้กลุ่ม gpus จำนวนมากเพื่อเข้าถึงความลึกของการค้นหาที่จำเป็น (ซึ่งเป็นสิ่งที่ Alphago ทำ) คุณสามารถสร้างฟังก์ชั่นการประเมินผลที่ดีมากแต่การแลกเปลี่ยนความเร็วไม่คุ้มค่า

มีโครงการที่เรียกว่าspawkfishซึ่งพยายามทำสิ่งนี้ มันเป็นเอ็นจิ้นพื้นฐานที่ใช้เครือข่ายประสาทซึ่งมีจุดประสงค์ "คือการสำรวจว่าความก้าวหน้าล่าสุดของคอมพิวเตอร์ Go สามารถนำไปใช้กับโลกของหมากรุกคอมพิวเตอร์ได้"

มันเป็นโครงการเล็กและเครื่องยนต์ยังค่อนข้างอ่อนแอ การเล่นมันเป็นเรื่องที่น่าสนใจเพราะการเล่นในตำแหน่งที่ดีกว่ากลยุทธ์

AI ที่คล้ายคลึงกันสามารถชนะที่หมากรุกได้หรือไม่? มันสามารถบรรลุการฝึกอบรมด้วยตนเองที่บริสุทธิ์ได้หรือไม่?

คำตอบสั้น ๆ คือ "ไม่!"

หมากรุกและการเดินทางมีความแตกต่างอย่างสิ้นเชิงในความเรียบง่ายเชิงสัมพันธ์และความซับซ้อนที่สัมพันธ์กันซึ่งมาจากรูปทรงเรขาคณิตและวิธีการชนะของคุณ เหล่านี้รวมกันเพื่อสร้างโปรแกรมที่ดีที่หนึ่งที่ไร้ประโยชน์อื่น ๆ

ในหมากรุกที่คุณชนะโดยการตรวจสอบฝ่ายตรงข้ามคะแนนจะไม่ถูกนับ แน่นอนว่าฝ่ายตรงข้ามที่มีเหตุผลมักจะลาออกก่อนที่คุณจะส่งมอบรุกฆาต แต่หลักการเดียวกัน ในระหว่างการเดินทางคุณจะชนะโดยมีคะแนนมากขึ้นในตอนท้ายของเกม ถ้าฉันมีราชาและราชินีและคุณมีราชาโกงและจำนำ แต่คุณได้สร้างป้อมปราการแล้วมันไม่สำคัญว่าฉันจะมี 9 คะแนนสำหรับราชินีและคุณมีเพียง 6 คะแนนสำหรับโกงและจำนำของคุณ เกมดังกล่าวเสมอ

สิ่งนี้ทำให้ความแตกต่างพื้นฐานในความซับซ้อนระหว่างหมากรุกและไป ในระหว่างการเดินทางคุณสามารถทำคะแนนและคุณจะรู้ว่าใครเป็นผู้ชนะ ในหมากรุกวิธีเดียวที่คุณจะรู้ว่าใครจะชนะคือการคำนวณที่บริสุทธิ์ ในแง่นี้หมากรุกมีความซับซ้อนมากกว่าไป

ในเวลาเดียวกันเนื่องจากรูปทรงเรขาคณิตของทั้งสองเกมมีความเป็นไปได้ที่จะเกิดความเป็นไปได้มากกว่าหมากรุก ในแง่นี้ไปซับซ้อนกว่าหมากรุกมาก

โปรแกรมหมากรุกทำงานโดยการคำนวณแรงเดรัจฉานของการเคลื่อนย้ายที่เป็นไปได้ทั้งหมดจนถึงระดับความลึกที่กำหนดความแข็งแกร่งของมัน โปรแกรม Go ไม่สามารถทำงานได้เช่นนี้และเล่นสิ่งที่สูงกว่าระดับเริ่มต้นไป

เป้าหมายขั้นพื้นฐานของการไปคือการควบคุมดินแดนมากกว่าคู่ต่อสู้ของคุณ ในตอนท้ายของเกมมันไม่สำคัญว่าความแตกต่างคือ 1 หินหรือ 100 ก้อนหินทั้งคู่จะเป็นผู้ชนะ ทุกครั้งที่คุณวางก้อนหินคุณทำสองสิ่ง คุณเพิ่มดินแดนของคุณทั้งที่มีศักยภาพหรือที่เกิดขึ้นจริงและคุณลดคู่ต่อสู้ของคุณ

บางครั้งเมื่อเป็นการเพิ่มขึ้นหรือลดลงจริงในดินแดนมันเป็นเรื่องง่ายที่จะคำนวณมูลค่าของการย้าย แต่เมื่อมันมีศักยภาพมันเป็นเรื่องยากมากที่จะประเมิน ในฐานะผู้เล่นที่อ่อนแอฉันเข้าใจว่า "จริง" ดีกว่า "ศักยภาพ" และผู้เล่นที่แข็งแกร่งจะเอาชนะฉันได้โดยการสร้างอาณาเขตที่มีศักยภาพมากขึ้นในศูนย์ในขณะที่ฉันสร้างอาณาเขตจริงที่เล็กกว่าบนขอบและมุม ผู้เล่นที่แข็งแกร่งจะได้สร้างความสามารถในการตัดสินผ่านสัญชาตญาณและความรู้สึกจากการเล่นเกมจำนวนมากและตระหนักถึงวิธีการสร้างดินแดนที่มีศักยภาพ

ก่อนหน้านี้ฉันบอกว่าทุกครั้งที่ฉันวางก้อนหินมันจะเพิ่มพื้นที่ของฉัน (จริงหรือมีศักยภาพ) และลดจำนวนคู่ต่อสู้ของฉัน (จริง ๆ แล้วถ้ามันเป็นการเคลื่อนไหวที่โง่เขลามันจะทำสิ่งที่ตรงกันข้าม!) ในตำแหน่งที่กำหนดไม่ย้ายทั้งหมดจะเหมือนกัน หินที่วางในตำแหน่งหนึ่งอาจมีค่ามากกว่าหรือน้อยกว่าหินที่วางอยู่ในตำแหน่งอื่น

โดยทั่วไปแล้วในเกมจะมี "การต่อสู้" เล็ก ๆ ที่ผู้เล่นวางหินใกล้กันทำเครื่องหมายอาณาเขตและ จำกัด คู่แข่งของตน ในขณะเดียวกันก็มีความเป็นไปได้ที่จะเริ่มทำการปักหลักอาณาเขตในอีกส่วนหนึ่งของกระดานหรือเปลี่ยนไปต่อสู้ที่อื่นที่ผู้เล่นทั้งสองมีหินอยู่แล้ว

สิ่งที่สำคัญมากในสถานการณ์เหล่านี้คือการรู้ว่าเมื่อใดควรหยุดการต่อสู้หนึ่งครั้งเนื่องจากผลกำไรที่อาจเกิดขึ้นได้ลดลงและเปลี่ยนไปใช้การต่อสู้อื่นหรืออาจบุกเข้าสู่ดินแดนบริสุทธิ์ บางครั้งสิ่งนี้ขึ้นอยู่กับการคำนวณที่ยาก แต่บ่อยครั้งมันมีความคลุมเครือมากกว่าและไม่ได้รับการคำนวณ ในฐานะผู้เล่นที่อ่อนแอนี่คือที่ที่ผู้จ่ายเงินที่แข็งแกร่งจะบดขยี้ฉันทุกครั้ง

สิ่งที่คอมพิวเตอร์ทำในสถานการณ์เหล่านี้ใช้วิธีการความน่าจะเป็นเพื่อสร้างคะแนนที่คาดหวังสำหรับการย้ายโดยเฉพาะ บางครั้งมูลค่าที่แท้จริงจะกลายเป็นน้อยกว่าเล็กน้อยบางครั้งก็มากขึ้นเล็กน้อย แต่ในระยะยาวมันจะยิ่งมากขึ้นหรือน้อยลง มันจะทำการเก็บย้ายไปพร้อมกับมูลค่าที่คาดหวังสูงสุดด้วยความคาดหวังว่าข้อผิดพลาดเล็ก ๆ น้อย ๆ ของเกมจะถูกยกเลิกและกลยุทธ์ของมันจะชนะ

นี่ไม่ใช่กลยุทธ์ที่ฟังดูคุ้นเคยกับผู้เล่นหมากรุกและไม่ใช่กลยุทธ์ที่จะใช้เล่นหมากรุก มันเป็นสิ่งที่ฟังดูคุ้นหูสำหรับใครก็ตามที่ติดตามสิ่งที่เกิดขึ้นในตลาดหุ้น มันฟังดูคล้ายกับสิ่งที่เรียกว่า "การซื้อขายความถี่สูง" ซึ่งคอมพิวเตอร์จะทำการเดิมพันเล็ก ๆ เป็นพัน ๆ หรือเพียงแค่เสนอการเดิมพันทุกวินาทีเพื่อ "นิกเกิลและค่าเล็กน้อย" ในตลาด

ตลาดการเงินนั้นถูกครอบงำโดยการค้าอัลกอริธึมประเภทนี้ซึ่งแสดงให้เห็นว่าโปรแกรมประเภทนี้ได้รับชัยชนะในพื้นที่ที่มีกำไรมากกว่าเกมกระดาน

(ใครก็ตามที่ต้องการการสนทนาเชิงลึกสำหรับ AlphaGo สามารถดูโพสต์ของฉัน)

คำตอบสั้น ๆ : ไม่

คำตอบยาว :

ก่อนอื่นเราต้องเข้าใจว่าเพราะเหตุใด Google จึงไม่ใช้ alpha-beta ใน AlphaGo Stockfish และ Komodo (และเครื่องมือหมากรุกทั้งหมด) มีอัลฟ่าเบต้าทำไม Alpha ถึงไม่

เหตุผล : ไม่มีวิธีที่ง่ายและราคาถูกที่สามารถประเมินตำแหน่ง Go ได้อย่างถูกต้อง

ในหมากรุกเราสามารถนับวัสดุได้ตลอดเวลาซึ่งเป็นวิธีที่มีประสิทธิภาพมากในการประเมินตำแหน่งแบบคงที่ แม้ว่าจะไม่สมบูรณ์แบบมันเร็วมากและเป็นพร็อกซีที่ดีมากสำหรับหมากรุก

การค้นหาพื้นที่รัฐด้วย Monte-Carlo เป็นวิธีการที่ด้อยกว่าถึงอัลฟาเบต้า Google จะใช้อัลฟ่าเบต้าหากทำได้ แต่ไม่สามารถทำได้ ดังนั้นพวกเขาถูกบังคับให้ใช้สิ่งที่ช้ากว่ามาก

เอ็นจิ้นหมากรุกจะไม่เล่นได้ดีกับ Monte-Carlo

ฉันไม่เห็นด้วยกับคำตอบอื่น ๆ ฉันเป็นนักวิทยาศาสตร์คอมพิวเตอร์ที่ทำงานอย่างมืออาชีพในด้านปัญญาประดิษฐ์และยังเป็นผู้สมัครหลักในหมากรุกและ 3 dan ใน igo

ฉันคิดว่ามันไม่ชัดเจนในเวลานี้ว่าวิธีการของ Deep Mind สามารถนำไปใช้กับหมากรุกได้หรือไม่ แต่ฉันคิดว่ามันเป็นไปได้

ปัจจุบันโปรแกรมการเล่นหมากรุกชั้นนำกำลังพึ่งพาการวิเคราะห์พฤติกรรมและพยายามใช้สถาปัตยกรรม AlphaGo มากขึ้นสำหรับการเล่นหมากรุก

คุณลักษณะทางสถาปัตยกรรมที่สำคัญอย่างหนึ่งของ AlphaGo ที่จะต้องแก้ไขคือวิธีการระบุคีย์สแควร์ (หรือแผนที่ความร้อน) ซึ่งมีลักษณะเฉพาะกับเกมที่เหมือนไอโกะและไม่สามารถใช้กับหมากรุกได้โดยตรง บางส่วนของวิธีการนี้จะต้องได้รับการพัฒนาเพื่อให้สถาปัตยกรรม AlphaGo เกี่ยวข้องกับหมากรุก ตัวอย่างเช่นเราอาจมีแนวคิดของ "ชิ้นส่วนสำคัญ" แทนที่จะเป็นช่องสี่เหลี่ยมสำคัญ

ฉันคิดว่าอาร์กิวเมนต์ที่สถาปัตยกรรม AlphaGo นั้นไม่เกี่ยวข้องกับหมากรุกเพราะหมากรุกนั้นมียุทธวิธีมากกว่านั้นไม่ใช่ข้อเรียกร้องที่ดีมากเพราะในที่สุดทั้งสองมีต้นไม้ค้นหาที่มีรูปร่างคล้ายกันมากพอที่ AlphaGo จะสามารถดัดแปลงเป็นหมากรุกได้

คำตอบคือใช่! Google เพิ่งพิสูจน์สิ่งนี้เมื่อวานนี้เมื่อ AlphaZero เอาชนะโปรแกรมหมากรุกที่ดีที่สุดโดยใช้ความรู้เฉพาะเกี่ยวกับกฎและการฝึกอบรมด้วยตนเองอย่างแท้จริงโดยไม่ใช้ความรู้ด้านหมากรุกของมนุษย์ คำตอบที่ยอมรับนั้นผิด ลิงค์ไปยังบทความอยู่ที่นี่: ลิงค์

หากต้องการดูการทำงานของ AlphaZero ให้ทำตามhttp://lczero.org/หรือเล่นที่http://play.lczero.org/