而为了达到这一目的，AlphaGo系统将最先进的蒙特卡洛树状搜索技术与两个深层神经网络相结合，每个深层神经网络均包含许多层，每层又包含数以百万计的神经元一样的连接。
在AlphaGo两种不同的神经网络中，“策略网络（policynetwork）”的作用是预测下一步，并用来将搜索范围缩小至最有可能硬起的那些步骤。另一个神经网络“价值网络（valuenetwork）”则是用来减少搜索树的深度，每走一步估算一次获胜方，而不是搜索所有结束棋局的途径。
上述方法使得AlphaGo的搜索方式相比之前的方法更人性化。例如，深蓝采用强力方法搜索的棋子位置要比AlphaGo多数千倍。而AlphaGo则相反，它通过想象下完剩余棋局来对下一步进行预判，如此多次反复。在上述模拟游戏中，策略网络提出下一步的智能建议，而价值网络则对走过的每个位置进行评估。
具体而言，Google首先采用围棋专业棋手的3000万步下法对价值网络进行训练，直到该网络对人类下法预测准确率达到57%（AlphaGo之前的纪录是44%）。
但AlphaGo的目标是击败水平最高的人类棋手，而不仅仅是模仿他们。为了做到这一点，AlphaGo学会自己发现新策略，通过自身两个神经网络之间成千上万的对弈，采用被称为强化学习的试错法逐步进行改善。这种方法提高了策略网络的效率，以至于最原始的神经网络（即其中不包含任何树状搜索）可以击败最尖端、构建有巨大无比的搜索树的围棋软件。
这些策略网络又反过来对价值网络进行训练，采用的还是从自我对弈强化学习的方法。这些价值网络可以对围棋的任何位置进行评估并预测获胜方，而人们过去曾认为这个问题太过困难，根本无法实现。
实现上述所有设想的前提是，计算机要超级强大。Google称，这一过程大量使用了Google云平台，使得人工智能和机器学习研究人员得以随时灵活地获得计算、存储和联网能力。此外，采用数据流图形（如TensorFlow）、用于数值计算的开房源库使研究人员得以对多个CPU或GPU的深度学习算法的计算需求进行高效利用。
AlphaGo到底有多强大？为了回答这个问题，Google在AlphaGo和人工智能研究领域最前沿的其他顶级围棋软件如CrazyStone、Zen和Pachi之间进行了一次比赛。AlphaGo在总计495局中只输了一局，胜率是99.8%。
AlphaGo甚至在每局开局让对方四步的情况下对阵CrazyStone、Zen和Pachi，胜率分别达到了77%、86%和99%。
如果在今年3月的对战中，AlphaGo战胜李世石，是否意味着人工智能已经超过人类?
或许还不能如此断言。但新成立的非营利性组织OpenAI的AI研究者IlyaSutskever认为，从技术的角度说，这个研究对AI具有纪念碑式的贡献。
在棋类游戏之外，这场对决也将引发更多的思考——那些人们曾经以为人工智能不可能完成的脑力挑战，是否都将被一一打破？未来人类是否会被人工智能所取代？
登陆|注册欢迎登陆本站，认识更多朋友，获得更多精彩内容推荐！