圍棋包含了龐大的搜索空間，對于落子位置的評估難度遠超簡單的啟發式算法。那么，AlphaGo究竟是如何決定落子的呢？

AlphaGo采用了一種新穎的機器學習技術，結合了監督學習和強化學習的優勢。通過訓練形成一個策略網絡（policy　network），將棋盤上的局勢作為輸入信息，并對所有可行的落子位置生成一個概率分布。然后，訓練出一個價值網絡（value　network）對自我進行預測，以-1（對手的絕對勝利）到1（AlphaGo的絕對勝利）的標準，預測所有可行落子位置的結果。這兩個網絡自身都十分強大，而AlphaGo將這兩種網絡整合進基于概率的蒙特卡羅樹（MCTS）中，實現了它的優勢。

 

 

新版的AlphaGo產生大量自我對弈棋局，為下一代版本提供了訓練數據，此過程循環往復。

獲得棋局信息后，AlphaGo會根據策略網絡探索哪個位置同時具備高潛在價值和高可能性，進而決定最佳落子位置。在分配的搜索時間結束時，模擬過程中被系統最頻繁考察的位置將成為AlphaGo的最終選擇。在經過先期的全盤探索和過程中，以及對最佳落子的不斷揣摩后，AlphaGo的搜索算法就能在其計算能力之上加入近似人類的直覺判斷。

在業內人士看來，AlphaGo最強大的地方并不體現在具體某一手棋或某個局部變化中，而在于在每一局棋里的獨特視角，所以，其棋風本身并不容易總結。但總體來說，它更傾向于一種自由開放的行棋風格，沒有什么先入為主的概念，也沒有什么必須遵守的規則。這種對局哲學常讓它下出違反第一感但極具威力的一手棋?；诖?，柯潔覺得人類可以向它學習：“在人類的棋局中，可以大膽創新，大膽開拓自己的思維。”

AlphaGo究竟如何決定落子

圖文簡介

AlphaGo采用了一種新穎的機器學習技術，結合了監督學習和強化學習的優勢。通過訓練形成一個策略網絡，將棋盤上的局勢作為輸入信息，并對所有可行的落子位置生成一個概率分布。