日前，DeepMind團(tuán)隊(duì)發(fā)表了最新論文，提出了全新的強(qiáng)化學(xué)習(xí)算法AlphaZero，它是一種可以從零開始，通過自我對(duì)弈強(qiáng)化學(xué)習(xí)在多種任務(wù)上達(dá)到超越人類水平的新算法，堪稱“通用棋類AI”。

據(jù)了解，AlphaZero算法可以再8個(gè)小時(shí)訓(xùn)練擊敗李世石版本AlphaGo；12小時(shí)訓(xùn)練擊敗世界頂級(jí)的國(guó)際象棋程序Stockfish；14小時(shí)訓(xùn)練擊敗世界頂級(jí)將棋程序Elmo。這是DeepMind團(tuán)隊(duì)繼AlphaGo Zero的研究問世之后，帶給我們的又一全新算法，它是“更通用的版本”。

此外，我們看到這次的AlphaZero與AlphaGo Zero有幾點(diǎn)不同，首先AlphaGo Zero是在假設(shè)結(jié)果為贏/輸二元的情況下，對(duì)獲勝概率進(jìn)行估計(jì)和優(yōu)化。而AlphaZero會(huì)將平局或其他潛在結(jié)果納入考慮，對(duì)結(jié)果進(jìn)行估計(jì)和優(yōu)化。其次，AlphaGo和AlphaGo Zero會(huì)轉(zhuǎn)變棋盤位置進(jìn)行數(shù)據(jù)增強(qiáng)，而AlphaZero不會(huì)。第三，AlphaZero只維護(hù)單一的一個(gè)神經(jīng)網(wǎng)絡(luò)，這個(gè)神經(jīng)網(wǎng)絡(luò)不斷更新，而不是等待迭代，四，AlphaZero中，所有對(duì)弈都重復(fù)使用相同的超參數(shù)，因此無需進(jìn)行針對(duì)特定某種游戲的調(diào)整。

來源：網(wǎng)易智能