AlphaGo， 一款由穀歌旗下公司DeepMind基於深度學習原理而開發的人工智慧程式。 之所以聲名大噪， 是因為它自2016年以來曾先後擊敗多位世界圍棋冠軍，
現在， DeepMind又推出“超強版”——AlphaGo Zero， 基於前所未有的學習模式從零自學成才， 不再依賴於人類經驗！這一重要成果發表在最新一期《Nature》上， 並附有相關評論。
這種不需要人工輸入的自我訓練能力讓我們離一個終極夢想——創造一個能夠解決所有任務的人工智慧， 更進一步！而且， DeepMind首席執行官Demis Hassabis在新聞發佈會上表示， 從中長遠角度出發， 這一智慧將能夠用於包括蛋白質折疊、材料學等多個科研挑戰中。
AlphaGo Zero：從零自學成才
DeepMind開發的前幾款“圍棋程式”， 都是在與有專家參與的超10萬次圍棋對弈中訓練而來的， 且時間長達數月。 現在， 這一款最新的AlphaGo Zero則從零開始、自我學習。
AlphaGo Zero的原理是“強化學習”（reinforcement learning）， 能夠在更少的訓練時間、更強的計算能力下遠超“前輩”。 DeepMind參與AlphaGo開發的科學家David Silver認為：“對人工智慧使用純強化學習一直很困難。 ”他認為， 該項目是第一個“真正穩定、強大的強化學習版本”。
一個“大腦”：40天遠超人類
AlphaGo Zero的前任們使用了兩個獨立的神經網路“大腦”：一個用來預測可能的最佳落子動作， 另一個從中評估最有可能獲勝的動作。 為了實現後者目標， 他們使用“roll outs”策略——進行多個快速、隨機的預判， 測試可能的結果。
現在， AlphaGo Zero則只擁有一個“大腦”——種由大腦結構激發的深度神經網路， 它只學習抽象概念， 即僅僅瞭解遊戲規則， 通過反復訓練來學習， 並通過每場對弈後的回饋資訊自我改進。
首先， AlphaGo Zero會學習人類選手， 以初學者的身份貪婪地捕捉技巧。 但是只需3天， 它就可以掌握人類選手使用的複雜戰術。 Hassabis說：“它能夠重現人類幾千年的知識。 ”
40天后， AlphaGo Zero的水準遠超人類。
應用前景：造福科研
依賴於4個特殊的控制晶片， AlphaGo Zero可以在幾天內就完成自我訓練。 這意味著， 演算法比任何平臺或可用資料更重要。
DeepMind研發團隊已經開始嘗試將該技術應用於其他領域， 例如解析蛋白質折疊的細節， 從而為藥物研發提供工具。
他們認為， 蛋白質折疊並沒有什麼資料可以參考， 且依據氨基酸序列預測結構擁有太多的可能。 這在一定程度上類似於圍棋， 兩者都有眾所周知的規則， 且有一個清晰的目標。
參考資料：