是不是對於任意 n n 大小的圍棋棋盤，人類都贏不了 AlphaGo Zero 了？

1樓：find goo

沒有什麼是無敵的。

在qq圍棋評測中用我用業餘九段號無色，下贏了人工智慧馬甲leelaztest。

後面是下棋記錄，多數九段都是人工智慧馬甲，人工智慧也有弱點。

2樓：走地雞

阿法狗贏李世石的時候使用了上千個晶元，贏柯潔時使用了專用晶元TPU，而使用類似的神經網路演算法卻沒有同等規模的計算能力的其他團隊的AI卻經常輸給人類棋手，這說明：阿法狗的勝率和計算機的處理能力是高度相關的。

那麼，要達到同等棋力，計算機處理能力和棋盤規模之間是什麼關係呢？我猜測是指數關係，因為阿法狗的原理是利用大量的自我對弈進行訓練，而可能的棋局數量和棋盤規模之間是指數關係，在棋盤擴大時，要保持

訓練棋局數/比賽時可能出現的棋局數=常數，就必須指數級地增加計算機處理能力。

這只是乙個猜測，建立在如下推理的基礎上：

阿法狗需要自我對弈幾千萬局才能完成訓練。

如果f（19）=「幾千萬」，那麼從常理判斷，f（n）不太像乙個和棋盤規模n無關的大的常數，更像是隨棋盤規模指數級增長的變數。

結論：建議把棋盤規模擴大到25路以上，以抵禦人工智慧的衝擊。

3樓：知遙其實是德魯伊

答主'INT.ZC'給的理由我真沒看懂，為什麼把AlphaGo想得那麼蠢呢。

對於n>19，我個人覺得alphaGo Zero獲勝的可能性很大。當然這裡的AlphaGo指的是用新的n調整網路結構，以同樣演算法重新訓練過的網路。

畢竟n=19和n=30對於AlphaGo來說幾乎就是同樣的乙個問題。就算人類重新積累幾百年n=30的經驗，應該還是下不過。就像現在n=19下不過那樣。

但當n變得非常大的時候，由於記憶體限制，現有的硬體可能就很難訓練AlphaGo Zero。同時增強學習的演算法可能會由於反饋的步數過長而變得不那麼有效。這種情況下肯定要修改現有的演算法，但深度增強學習+蒙特卡洛樹的路子應該還是適用的。

相應地，這種情況下人類的水平也會變得很菜，畢竟大計算量更不是人類的強項了。有了AlphaGo的基礎，我相信Google那幫人研究幾年的話，在n非常大的情況下，也許找不到很優的解法，但戰勝人類的可能性應該依然是很大的。

4樓：

我就想知道,Zero和別的AlphaGo前輩的下棋資料有沒有反饋到自己的神經網路裡去?

如果是,Zero的Input就是它的前輩們,它的演算法其實沒啥了不起.

5樓：

不會如果沒記錯的話，狗的神經網路是有限的

同樣一條面積很大的龍，對你來說是一整塊棋，但在狗眼裡則是好多塊棋拼接在一起的。

換句話說，你一眼就知道這條龍是否活著，但狗不一定能知道。

實戰中這可能導致狗拼命做活，或者拼命攻殺活龍。無論怎樣都是致命的。

PS：隔壁問題的高票是基於AlphaGo需要提供大量資料樣本進行訓練這樣乙個偽命題上的。事實上至少從AlphaGo Fan開始AlphaGo就進行了大量的自我對弈，也產生了很多和人類棋手不一樣的下法。

比如大雪崩定式，AlphaGo認為黑棋在O4長很吃虧，喜歡在S4打。白R3黏之後脫先。強制讓他O4長之後也會走出吳清源先生開創的d位內拐。

PPS：總拿三千年說事的真是夠了。三千年前的圍棋長什麼樣你見過？

兩千年前棋子還是方的，一千五百年前才公升到十九路。江戶時代還有第一手下天元的你看看現在有幾個幹這事兒？現代圍棋不過從吳清源開始，歷史不足百年。

何況昇路對死活手筋一類的影響不大，邊角的定式也不會有多大影響。只是要建立新的大局觀（主戰場由四周轉為中腹

建議既沒學過圍棋也沒學過人工智慧的還是省省吧。這些不是道聽途說就能回答的。