AlphaGo Zero是由Google DeepMind开发的一款计算机程序，用于下围棋。它是一个基于神经网络的系统，完全通过自我对弈学习下棋，不依赖任何人类棋谱数据，除游戏基本规则外也没有先验知识。该系统于2017年10月发布，超越了其前身AlphaGo（后者曾击败顶尖人类棋手）的性能，并为人工智能在复杂策略游戏领域树立了新的标杆。
与早期版本的AlphaGo（最初在数千盘人类业余和职业棋局上训练）不同，AlphaGo Zero从零开始。它使用单个神经网络，通过强化学习进行训练，与自己对弈数百万盘棋。这种方法表明，系统可以在不依赖人类专业知识的情况下，在某一领域实现超人类表现，这是深度学习研究中的一个重要里程碑。
架构与训练
AlphaGo Zero的架构比其前身更简单、更高效。它使用一个带有残差块的深度神经网络，设计灵感来自ResNet，用于评估棋盘局面并选择落子。该网络通过策略和价值的组合输出进行训练，其中策略头预测每一步棋的概率，价值头估计当前局面的预期对局结果。
训练通过自我对弈进行，当前版本的网络与自己对弈以生成棋局数据。网络使用随机梯度下降优化器的一种变体（具体为Adam优化器）进行更新，并采用学习率调度，随时间递减。系统还通过旋转和翻转棋盘局面来使用数据增强，以增加训练样本的多样性。这一过程在数百万盘棋局中重复进行，网络不断改进其棋艺。
性能与结果
在一系列实验中，AlphaGo Zero取得了显著成果。经过仅72小时的自我对弈训练，它便以100比0的比分击败了此前发布的AlphaGo Lee（即2016年击败世界冠军李世石的版本）。经过约40天的训练，它超越了AlphaGo Master（一个在2017年初击败顶尖职业棋手的更强版本）。最终版本的AlphaGo Zero（训练约40天）被评估为强于所有之前的AlphaGo版本，估计Elo等级分超过5000，而AlphaGo Master约为4800。
这些结果表明，在没有人类知识的情况下训练的系统，不仅能匹配，还能超越基于人类棋局训练的系统。自我对弈方法也被证明在计算上更高效，使用的资源少于早期版本。
意义与影响
AlphaGo Zero的成功对人工智能领域产生了深远影响。它证明了强化学习结合深度神经网络，可以在不需要人类生成训练数据的情况下解决复杂问题。这在围棋这类搜索空间巨大且长期被视为AI重大挑战的游戏中尤为突出。
AlphaGo Zero采用的方法影响了后续的机器学习研究，包括游戏之外的应用。它凸显了自我对弈和课程学习在训练智能体方面的潜力，并促进了更通用的强化学习算法的发展。这些原理已被应用于其他领域，如生成模型和机器人技术，尽管成功程度不一。
遗产与未来方向
AlphaGo Zero是DeepMind和AI研究史上的关键成就。紧随其后的是AlphaZero，一个更通用的版本，也能下国际象棋和将棋，进一步展示了自我对弈方法的通用性。AlphaGo Zero的思想已被纳入其他AI系统，并继续为神经网络和强化学习的研究提供参考。
该程序还引发了关于人类专业知识本质以及AI发现新颖策略潜力的讨论。在AlphaGo Zero的对局中，它有时会走出不符合人类标准的非常规棋步，这表明AI可以找到人类未曾考虑过的解决方案。这引发了关于AI在科学发现和问题解决中作用的讨论。
截至2020年代初，AlphaGo Zero开创的技术仍然具有影响力，该系统常被引用为现代深度学习和强化学习可能性的标志性范例。其遗产体现在各领域更强大AI系统的持续发展中。
参见
参考文献
- Silver, D., et al. (2017). "Mastering the game of Go without human knowledge." Nature, 550, 354-359.
- Silver, D., et al. (2018). "A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play." Science, 362, 1140-1144.