- 精選文章
文章專區
2016-05-01電腦如何擊敗世界棋王？—AlphaGo人工智慧技術
557 期
Author 作者
顏士淨／臺大資訊博士，目前是東華資工系教授，IEEE資深會員，也擔任人工智慧學會與臺灣電腦對局學會的理事。研究領域為人工智慧與電腦對局，本身是圍棋六段，主持的實驗室發展許多圍棋、象棋等程式。
由Google DeepMind所開發的人工智慧圍棋程式── AlphaGo，在今（2016）年3月以四勝一敗的戰績勝過南韓棋王李世石。此一消息震撼了資訊界與圍棋界，造就人工智慧的里程碑。AlphaGo主要是以深度學習網路（deep learning networks）與蒙地卡羅樹搜尋（Monte Carlo Tree Search, MCTS）的技術來開發，並以自我學習的方式提高棋力。Google DeepMind 在三年前開始網羅電腦圍棋的專家，加上充沛的計算資源與大量的資訊人才，終於完成此一壯舉，不但影響了圍棋的發展，也讓人開始思考人工智慧對人類未來的影響。
電腦對局（computer game）是人工智慧領域中最吸引人的課題之一，也是衡量人工智慧的一個好方式，如1997年美國科技公司IBM在超級電腦上開發出來的「深藍（Deepblue）」，戰勝了西洋棋冠軍卡斯帕洛夫（Garry Kasparov）。對於目前世界上較廣為流傳的棋盤遊戲，我們可分析其複雜度（表一）。其中複雜度以該棋類起始盤面之後的所有可能變化為衡量標準。整體來說，西洋跳棋（checkers）、黑白棋（Othello）在電腦上的發展，已到達超越人類的程度；西洋棋、象棋、日本將棋程式，電腦也已到達職業棋士的水準；而Google DeepMind在此次挑戰圍棋九段成功，登上了21世紀人工智慧電腦對局的聖母峰，將永留人工智慧電腦對局的青史。
表一：人工智慧已在7種代表性棋類上戰勝人類新型演算法提高搜尋效率
由表一中可以看出圍棋的複雜度相對很高，這是因為圍棋的盤面都比較大，如果使用暴力法搜尋，在每層的分支數過多的情況下，將無法搜尋很深。因此，一些全域搜尋的方式通常不適合用於圍棋這種複雜度太高的遊戲。因此，2006年蒙地卡羅樹搜尋演算法的提出，使得電腦圍棋的研究有驚人的突破。
這種全域搜尋的演算法，以蒙地卡羅模擬演算法作為局面評估的依據，判斷形勢的良窳。又利用上界信賴演算法（Upper Confidence Bound, UCB）使得搜尋樹可以往較優秀的子點展開成為一棵不平衡樹，從而達到裁剪的目的以增加搜尋深度，適用於解決高複雜度的問題。……【更多內容請閱讀科學月刊第557期】