AlphaGo的分析

最近我仔細看了下AlphaGo在《自然》雜志上發(fā)表的文章，寫一些分析給大家分享。

AlphaGo這個系統(tǒng)主要由幾個部分組成：

1. 走棋網(wǎng)絡(luò)(Policy Network)，給定當前局面，預(yù)測/采樣下一步的走棋。

2. 快速走子(Fast rollout)，目標和1一樣，但在適當犧牲走棋質(zhì)量的條件下，速度要比1快1000倍。

3. 估值網(wǎng)絡(luò)(Value Network)，給定當前局面，估計是白勝還是黑勝。

4. 蒙特卡羅樹搜索(Monte Carlo Tree Search，MCTS)，把以上這三個部分連起來，形成一個完整的系統(tǒng)。

我們的DarkForest和AlphaGo同樣是用4搭建的系統(tǒng)。DarkForest較AlphaGo而言，在訓(xùn)練時加強了1，而少了2和3，然后以開源軟件Pachi的缺省策略 (default policy)部分替代了2的功能。以下介紹下各部分。

1.走棋網(wǎng)絡(luò)：

走棋網(wǎng)絡(luò)把當前局面作為輸入，預(yù)測/采樣下一步的走棋。它的預(yù)測不只給出最強的一手，而是對棋盤上所有可能的下一著給一個分數(shù)。棋盤上有361個點，它就給出361個數(shù)，好招的分數(shù)比壞招要高。DarkForest在這部分有創(chuàng)新，通過在訓(xùn)練時預(yù)測三步而非一步，提高了策略輸出的質(zhì)量，和他們在使用增強學(xué)習(xí)進行自我對局后得到的走棋網(wǎng)絡(luò)(RL network)的效果相當。當然，他們并沒有在最后的系統(tǒng)中使用增強學(xué)習(xí)后的網(wǎng)絡(luò)，而是用了直接通過訓(xùn)練學(xué)習(xí)到的網(wǎng)絡(luò)(SL network),理由是RL network輸出的走棋缺乏變化，對搜索不利。

有意思的是在AlphaGo為了速度上的考慮，只用了寬度為192的網(wǎng)絡(luò)，而并沒有使用最好的寬度為384的網(wǎng)絡(luò)(見圖2(a))，所以要是GPU更快一點(或者更多一點)，AlphaGo肯定是會變得更強的。

所謂的0.1秒走一步，就是純粹用這樣的網(wǎng)絡(luò)，下出有最高置信度的合法著法。這種做法一點也沒有做搜索，但是大局觀非常強，不會陷入局部戰(zhàn)斗中，說它建模了“棋感”一點也沒有錯。我們把DarkForest的走棋網(wǎng)絡(luò)直接放上KGS就有3d的水平，讓所有人都驚嘆了下?？梢哉f，這一波圍棋AI的突破，主要得益于走棋網(wǎng)絡(luò)的突破。這個在以前是不可想像的，以前用的是基于規(guī)則，或者基于局部形狀再加上簡單線性分類器訓(xùn)練的走子生成法，需要慢慢調(diào)參數(shù)年，才有進步。

當然，只用走棋網(wǎng)絡(luò)問題也很多，就我們在DarkForest上看到的來說，會不顧大小無謂爭劫，會無謂脫先，不顧局部死活，對殺出錯，等等。有點像高手不經(jīng)認真思考的隨手棋。因為走棋網(wǎng)絡(luò)沒有價值判斷功能，只是憑“直覺”在下棋，只有在加了搜索之后，電腦才有價值判斷的能力。

2. 快速走子

那有了走棋網(wǎng)絡(luò)，為什么還要做快速走子呢?有兩個原因，首先走棋網(wǎng)絡(luò)的運行速度是比較慢的，AlphaGo說是3毫秒，我們這里也差不多，而快速走子能做到幾微秒級別，差了1000倍。所以在走棋網(wǎng)絡(luò)沒有返回的時候讓CPU不閑著先搜索起來是很重要的，等到網(wǎng)絡(luò)返回更好的著法后，再更新對應(yīng)的著法信息。

其次，快速走子可以用來評估盤面。由于天文數(shù)字般的可能局面數(shù)，圍棋的搜索是毫無希望走到底的，搜索到一定程度就要對現(xiàn)有局面做個估分。在沒有估值網(wǎng)絡(luò)的時候，不像國象可以通過算棋子的分數(shù)來對盤面做比較精確的估值，圍棋盤面的估計得要通過模擬走子來進行，從當前盤面一路走到底，不考慮岔路地算出勝負，然后把勝負值作為當前盤面價值的一個估計。這里有個需要權(quán)衡的地方：在同等時間下，模擬走子的質(zhì)量高，單次估值精度高但走子速度慢;模擬走子速度快乃至使用隨機走子，雖然單次估值精度低，但可以多模擬幾次算平均值，效果未必不好。所以說，如果有一個質(zhì)量高又速度快的走子策略，那對于棋力的提高是非常有幫助的。

為了達到這個目標，神經(jīng)網(wǎng)絡(luò)的模型就顯得太慢，還是要用傳統(tǒng)的局部特征匹配(local pattern matching)加線性回歸(logistic regression)的方法，這辦法雖然不新但非常好使，幾乎所有的廣告推薦，競價排名，新聞排序，都是用的它。與更為傳統(tǒng)的基于規(guī)則的方案相比，它在吸納了眾多高手對局之后就具備了用梯度下降法自動調(diào)參的能力，所以性能提高起來會更快更省心。AlphaGo用這個辦法達到了2微秒的走子速度和24.2%的走子準確率。24.2%的意思是說它的最好預(yù)測和圍棋高手的下子有0.242的概率是重合的，相比之下，走棋網(wǎng)絡(luò)在GPU上用2毫秒能達到57%的準確率。這里，我們就看到了走子速度和精度的權(quán)衡。

和訓(xùn)練深度學(xué)習(xí)模型不同，快速走子用到了局部特征匹配，自然需要一些圍棋的領(lǐng)域知識來選擇局部特征。對此AlphaGo只提供了局部特征的數(shù)目(見Extended Table 4)，而沒有說明特征的具體細節(jié)。我最近也實驗了他們的辦法，達到了25.1%的準確率和4-5微秒的走子速度，然而全系統(tǒng)整合下來并沒有復(fù)現(xiàn)他們的水平。我感覺上24.2%并不能完全概括他們快速走子的棋力，因為只要走錯關(guān)鍵的一步，局面判斷就完全錯誤了;而圖2(b)更能體現(xiàn)他們快速走子對盤面形勢估計的精確度，要能達到他們圖2(b)這樣的水準，比簡單地匹配24.2%要做更多的工作，而他們并未在文章中強調(diào)這一點。

在AlphaGo有了快速走子之后，不需要走棋網(wǎng)絡(luò)和估值網(wǎng)絡(luò)，不借助任何深度學(xué)習(xí)和GPU的幫助，不使用增強學(xué)習(xí)，在單機上就已經(jīng)達到了3d的水平(見Extended Table 7倒數(shù)第二行)，這是相當厲害的了。任何使用傳統(tǒng)方法在單機上達到這個水平的圍棋程序，都需要花費數(shù)年的時間。在AlphaGo之前，Aja Huang曾經(jīng)自己寫過非常不錯的圍棋程序，在這方面相信是有很多的積累的。

3. 估值網(wǎng)絡(luò)

AlphaGo的估值網(wǎng)絡(luò)可以說是錦上添花的部分，從Fig 2(b)和Extended Table 7來看，沒有它AlphaGo也不會變得太弱，至少還是會在7d-8d的水平。少了估值網(wǎng)絡(luò)，等級分少了480分，但是少了走棋網(wǎng)絡(luò)，等級分就會少掉800至1000分。特別有意思的是，如果只用估值網(wǎng)絡(luò)來評估局面(2177)，那其效果還不及只用快速走子(2416)，只有將兩個合起來才有更大的提高。我的猜測是，估值網(wǎng)絡(luò)和快速走子對盤面估計是互補的，在棋局一開始時，大家下得比較和氣，估值網(wǎng)絡(luò)會比較重要;但在有復(fù)雜的死活或是對殺時，通過快速走子來估計盤面就變得更重要了?？紤]到估值網(wǎng)絡(luò)是整個系統(tǒng)中最難訓(xùn)練的部分(需要三千萬局自我對局)，我猜測它是最晚做出來并且最有可能能進一步提高的。

關(guān)于估值網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的生成，值得注意的是文章中的附錄小字部分。與走棋網(wǎng)絡(luò)不同，每一盤棋只取一個樣本來訓(xùn)練以避免過擬合，不然對同一對局而言輸入稍有不同而輸出都相同，對訓(xùn)練是非常不利的。這就是為什么需要三千萬局，而非三千萬個盤面的原因。對于每局自我對局，取樣本是很有講究的，先用SL network保證走棋的多樣性，然后隨機走子，取盤面，然后用更精確的RL network走到底以得到最正確的勝負估計。當然這樣做的效果比用單一網(wǎng)絡(luò)相比好多少，我不好說。

一個讓我吃驚的地方是，他們完全沒有做任何局部死活/對殺分析，純粹是用暴力訓(xùn)練法訓(xùn)練出一個相當不錯的估值網(wǎng)絡(luò)。這在一定程度上說明深度卷積網(wǎng)絡(luò)(DCNN)有自動將問題分解成子問題，并分別解決的能力。

另外，我猜測他們在取訓(xùn)練樣本時，判定最終勝負用的是中國規(guī)則。所以說三月和李世石對局的時候也要求用中國規(guī)則，不然如果換成別的規(guī)則，就需要重新訓(xùn)練估值網(wǎng)絡(luò)(雖然我估計結(jié)果差距不會太大)。至于為什么一開始就用的中國規(guī)則，我的猜測是編程非常方便(我在寫DarkForest的時候也是這樣覺得的)。

4. 蒙特卡羅樹搜索

這部分基本用的是傳統(tǒng)方法，沒有太多可以評論的，他們用的是帶先驗的UCT，即先考慮DCNN認為比較好的著法，然后等到每個著法探索次數(shù)多了，選擇更相信探索得來的勝率值。而DarkForest則直接選了DCNN推薦的前3或是前5的著法進行搜索。我初步試驗下來效果差不多，當然他們的辦法更靈活些，在允許使用大量搜索次數(shù)的情況下，他們的辦法可以找到一些DCNN認為不好但卻對局面至關(guān)重要的著法。

一個有趣的地方是在每次搜索到葉子節(jié)點時，沒有立即展開葉子節(jié)點，而是等到訪問次數(shù)到達一定數(shù)目(40)才展開，這樣避免產(chǎn)生太多的分支，分散搜索的注意力，也能節(jié)省GPU的寶貴資源，同時在展開時，對葉節(jié)點的盤面估值會更準確些。除此之外，他們也用了一些技巧，以在搜索一開始時，避免多個線程同時搜索一路變化，這部分我們在DarkForest中也注意到了，并且做了改進。

5. 總結(jié)

總的來說，這整篇文章是一個系統(tǒng)性的工作，而不是一兩個小點有了突破就能達到的勝利。在成功背后，是作者們，特別是兩位第一作者David Silver和Aja Huang，在博士階段及畢業(yè)以后五年以上的積累，非一朝一夕所能完成的。他們能做出AlphaGo并享有現(xiàn)在的榮譽，是實至名歸的。

從以上分析也可以看出，與之前的圍棋系統(tǒng)相比，AlphaGo較少依賴圍棋的領(lǐng)域知識，但還遠未達到通用系統(tǒng)的程度。職業(yè)棋手可以在看過了寥寥幾局之后明白對手的風(fēng)格并采取相應(yīng)策略，一位資深游戲玩家也可以在玩一個新游戲幾次后很快上手，但到目前為止，人工智能系統(tǒng)要達到人類水平，還是需要大量樣本的訓(xùn)練的。可以說，沒有千年來眾多棋手在圍棋上的積累，就沒有圍棋AI的今天。

在AlphaGo中，增強學(xué)習(xí)(Reinforcement Learning)所扮演的角色并沒有想像中那么大。在理想情況下，我們希望人工智能系統(tǒng)能在對局中動態(tài)地適應(yīng)環(huán)境和對手的招式并且找到辦法反制之，但是在AlphaGo中增強學(xué)習(xí)更多地是用于提供更多質(zhì)量更好的樣本，給有監(jiān)督學(xué)習(xí)(Supervised Learning)以訓(xùn)練出更好的模型。在這方面增強學(xué)習(xí)還有很長的路要走。

另外，據(jù)他們的文章所言，AlphaGo整個系統(tǒng)在單機上已具有了職業(yè)水平，若是谷歌愿意開幾萬臺機器和李世石對決(這對它來說再容易不過了，改個參數(shù)就行)，相信比賽會非常精彩。

一些更新。

問題1：“Alphago的MCTS做rollout的時候，除了使用快速走子，還用了搜索樹的已有部分，看起來像是AMAF/RAVE反過來：AMAF是把快速走子的信息傳導(dǎo)到樹的其它無關(guān)部分，Alphago是把樹的其它無關(guān)部分拿來增強快速走子。我懷疑這是不是它棋力比其它DCNN+MCTS強的原因之一。"

這個辦法在解死活題的文章中出現(xiàn)過，會在一定程度上提高搜索效率，但是提高多少還不知道。

問題2：“rollout的走法質(zhì)量變好可能會導(dǎo)致棋力下降。”

這里要分兩種情況，tree policy和default policy。在AlphaGo的文章里面已經(jīng)說過了，tree policy的分布不能太尖，不然在搜索時太過重視一些看起來的好著，可能使得棋力下降。但是除了這種原因，一般來說tree policy變好棋力還是會變強的。

default policy這邊，即(半)隨機走子到最后然后判分，就很復(fù)雜了，質(zhì)量變好未必對局面能估得更準。default policy需要保證的是每塊棋的死活大體正確，不要把死的棋下成活的或者反之，而對大局觀的要求反而沒有那么高。雙方完全可以配合著把每塊棋下完，然后轉(zhuǎn)戰(zhàn)另一塊，而不是說搶在對方前去別處占先手。