陈经：从人机大战前两局推测AlphaGo算法的重大进展

2016年3月10日人机大战第二局，AlphaGo执黑211手中盘胜李世石。对于不懂围棋的围观群众，这意味着机器以5：0获胜的前景确认，可能会转而关注人工智能进步对社会的影响。对棋迷特别是职业棋手来说，会更关注第二局中AlphaGo在围棋技艺上带来的震撼，这个震撼比第一局更大。

先用一段文学性的描述概括前两局：

在围棋这个令许多人沉醉的迷失大陆上，忽然半空中浮现了一个既令人恐惧，又令人兴奋的带着魔幻主义色彩的怪物。离得还远看不太清的时候，职业高手群体作为人类护法，把AlphaGo当作一个有趣的小妖怪，准备用自己明显更高的法力去吊打它。第一局过后，人们发现这小妖扛过了大法师的主动挑战，第102手趁法师没有防备忽然出手偷袭，获得了胜利。人们称赞这小妖法力可以啊，但并不认为它有多强大，而是认为大法师发挥不佳。第二局，人类大法师平心静气地开局，小妖更多地主动出招主导了棋局的进程。事实说明AlphaGo不是小妖，而是大魔王。它的着数与人类很不相同，下出了人们从未见过的次序与招数，但却自成体系。大魔王的着法并非天衣无缝，一次主动出击甚至被抓到了明显破绽，却靠着弥漫在全局的邪气维持着局面。后半盘，大魔王的威力开始显现出来，差距越拉越大，在人类的眼中终于完成了从小妖到魔王的形象转变。职业棋手们现在已经普遍悲观，认为整个大陆都将被魔王统治，只有柯洁、孟泰龄等少数人还想着进行最后的抵抗。还有一些企图抓住最后一根稻草，相信大魔王有“不会打劫”的死穴，盼望着最后三局出现奇迹。

下面用几个图介绍一下AlphaGo带有魔性的着法。

开局AlphaGo第13手脱先就让所有人大吃一惊。15手这么早刺一下，都是没人下过的招。虽然难以论定好坏，但AlphaGo从魔界过来的作派已经初露端倪了。

黑37是让所有职业高手都难以置信的创新招手。人类理论说，三路和四路是地势平衡线，四路尖冲三路常见。AlphaGo却五路尖冲四路，没有人敢想。而且这招并不是胡下，四周有配合，得到了聂老等布局高手的赞许。仔细品味，为什么三路四路的地势平衡线就是定死的？如果有配合，为什么平衡线不能上移到四路五路？白R4R5R6这个头非常硬，本来就是不应该去围地的形状，再加上黑S14扳白为了护住“四路大空”要应，等于黑先手护角。这几个理由加起来，地势线真的可能就上移了。

白80打入，黑81手却悠然地封住白棋联络自身。这实在是很难想到的方向，这么紧急的地方不去攻打入的那子，却到这里自补。但是细细品味，却会发现这是好招，是一种间接攻击。也许AlphaGo模拟了几百万个局面，认为有了81的自补，白就动不出什么东西。这无疑是一种非常高级的思路。

李世石白120手凶悍出手。黑棋121扳123连125淡定得不得了，白似乎获利极大。但是黑再127扳住，赫然发现黑这里围了不少地，而且整体厚了很多，122那里的最后一个毛病没有了，下面就轮到黑对中间白棋发起令人胆寒的魔性攻击了。

感性完了，我们还是回到技术性的探讨。从2015年10月AlphaGo与樊麾的对局来看，虽然AlphaGo正式比赛是5：0，但以高手的标准，五局中它的招数平平无奇，毫无魔性。是下得象人，比以前的程序强太多了，不会抽风。但并没有真正震慑到人，人们还发现了它不少明显的漏洞与不精确的地方，前面我写文章分析介绍了（http://www.guancha.cn/chenjing/2016_02_01_349900.shtml）。而且五局非正式对局樊麾也胜了2局。考虑到樊麾心理失衡表现大打折扣，可以认为这时单机版的AlphaGo和他正常的棋力差不多，分布式版本的高一些。谷歌论文也说了单机版AlphaGo的等级分和樊麾差不多，2900多分，差李世石600分。

2016年1月28日论文在《自然》上发表了，棋谱公布了，3月挑战李世石的计划也宣布了。在当天WeiqiTV立即推出的谈话节目中，刘星透露不久前樊麾来北京时喝大了，又因为保密协议不能说，只是反复说出大事了，要变天了。如果AlphaGo只是和樊麾差不多的实力，这只能说是人工智能界值得庆祝的大事，对围棋界却不是变天性质的大事。这还是个好事，帮围棋打响世界知名度。如果机器总是胜不了人类高手，这对围棋发展到全球是一个绝佳机会。这是孟泰龄等职业棋手看到的机会，也是我内心的期盼。由于樊麾加入了谷歌团队，他显然知道了更多的东西，知道了AlphaGo的实力突破。可以认为，在2015年12月左右，谷歌团队取得了显著的算法突破。

3月9日人机大战第一局开战前，就有一个谷歌工程师传出来的流言，说内部评估李世石胜率为0，AlphaGo三天就完成了一次进化，对上一个版本的胜率达到了100%！现在看来这很可能是真的。后来流言又变成，每三天完成一次进化，对上一个版本达到100%。这应该不成立。谷歌放出的内部消息意思应该是，取得了算法突破，搞了一次学习进化，AlphaGo用三天时间进化完成后，对胜樊麾的那个版本胜率100%。

所有围棋AI不断开发提升实力的过程中，都存在瓶颈。例如之前最强的程序Zen，2011年在KGS上就很厉害了，打到了5D。但之后三四年虽然不断调整代码开发，实力进展却很小。只有在最近引入了深度学习后，才再次突破站稳了7D。之前围棋AI的主要开发工作是写程序代码，怎么用代码写一个走子策略，写出蒙特卡洛搜索（MCTS）算法的代码，怎么优化代码，怎么加进一些代码消除bug。这种工作还是比较依赖人的具体代码工作的，主要是人在那动脑子想。主要框架定了以后，不断改进调试就到顶了，再想有所突破就难了。表现出来就是代码改了这里，那里就不好了，顾此失彼。想加进一些改进的思想，大的加不了，小的越来越琐碎，加了也不一定有大用。

那么AlphaGo的瓶颈是什么？从谷歌论文来看，与Zen等上一代程序很不相同。这里我们要再次描述一下AlphaGo的算法框架。

AlphaGo的核心程序代码有两部分。一部分是MCTS算法代码、快速走子策略中一些和围棋专业知识相关的代码。更重要的部分是策略网络、价值网络等几个多层神经网络中，那几百万个节点与更多联结边的“系数”。AlphaGo的开发者并不是从头开始的，两个并列第一作者David Silver和Aja Huang都是之前研究了围棋算法多年的，整个团队有约15-20人的业界顶级专家。但我相信，要让他们去调整MCTS代码，加一些代码去消除bug，去提升最终的程序表现实力，他们也很快就会工作很烦却进展不大，这是代码开发中常有的事。程序算法框架定下来了，从2015年10月到2016年3月，五个月时间作出重大改变基本不可能。

但是，那几百万几千万个神经网络中的“系数”却是很容易变动的。你可以随便去改那些系数，如果表现不好大不了回到原来的。要是找到了新办法，搞个三天时间的训练学习，大批大批地改系数，说不定就取得好的效果，再实践检验下就知道有没有用了。实践检验很简单，就是和没改系数之前的版本下，胜率大跃进，就成功了。这时团队的开发工作，就不是在那改代码了，而是想“新的训练方法”。当然这也不容易，按谷歌论文的说法，你得有一套训练的“流水线”。想把这个流水线建起来，那就是砸钱，要把各类专家都配齐了，还得有一堆高性能机器。

比如短时间暴力生成3000万个自我对局，这得多少高性能机子同时对下？还有“深度学习”，输入的是10万个甚至更多的棋局，然后用高性能机器训练出一个节点特别多的多层神经网络。还有“强化学习”，意思差不多如下。比如你要改进策略网络，就有一个初始的“策略网络”。策略网络的结构是不会变的，变的是上面的系数。然后你用什么方法变一下系数，就相当于变出了一个新的策略网络。然后让新旧两个网络对下，从结果看你刚才变的是好是坏，再决定继续怎么变。这么反复弄下去，就会弄出一个对旧网络胜率很高的，新的策略网络。总之就是让机器self-play，左右互搏，看结果来变系数。这都是需要一堆高性能机器一起做的，不然根本没有时间完成训练。

但是对谷歌这样有实力的公司，“这都不是事”。一旦把流水线建起来了，那个爽就没法说了。现在整个团队的开发工作简直进入了另一个境界。不是去改代码了。改来改去调bug，谁知道进度怎么样，这就是走入死路了。主要开发工作就是去高层次地想，还有什么新的训练方法？感觉靠谱就去试，流水线一开，成千上万台高性能机器在那暴力运算，self-play热火朝天。一计不成再生二计，盘算的都是类似于上帝的事，怎么让一堆机器帮你办底层的事，团队核心就负责想大招。

当然这流水线研发也会有瓶颈。谷歌论文中就说了，他们用KGS的高段对局者的10万局棋谱，深度学习训练出了一个“初始策略网络”SL，然后又用“强化学习”对着它不断“强化”，最后出了一个“强化策略网络”RL。RL和SL对下，胜率高达80%。但是在整个AlphaGo中，把SL替换成RL，和别人下，等级分表现反而更差！原因论文上也有提及，可能是RL过于强调对SL的胜率，训练得钻牛角尖了，对别人反而不如SL好，因为SL是很多人的棋招训练出来的，各种情况都见识过。但是RL也不是没有用处，用RL自己下，可以生成3000万个高质量棋局，用来训练价值网络效果好。

我当时就注意到这个了，所以认为AlphaGo可能水平到了瓶颈了，再怎么暴力堆数据，堆更多棋局，可能就象RL不如SL一样，提高不了水平。也因为对整个程序训练机制理解不够深，在仔细看棋谱后对AlphaGo的算法缺陷印象更深，从而作出了“AlphaGo还不如人类顶尖高手，但有胜机”的判断。

但我们回过头看，这个瓶颈其实并不严重，比起Zen这类程序代码调整死去活来没有进步的境地，AlphaGo就算有瓶颈，情况也好多了。谷歌开发者都是业界顶级牛人，肯定能想出一些新训练方法。比如想个妙招，改用不同的“强化学习”训练方法，加点小变化。这回从SL强化学习完了，学出个RL-Plus。然后拿RL-Plus换掉SL，变出个新版AlphaGo一试，哇，等级分高了200，大招见效了！又赶紧用RL-Plus在一堆机器对下，生成3000万个质量更高的棋局，用它们深度学习，训练出了新的价值网络V-PLus。然后什么都不变，新版的RL-Plus + V-Plus，对旧版的RL+V，对战400局，全胜！这下就搞定了，几个工程师碰杯庆祝，等级分一算，知道李世石机会为0了。

这个流水线非常厉害。谷歌甚至放出了激动人心的消息，不再用人类棋局训练策略网络！也就是说，让AlphaGo从零知识开始，从胡乱扔子棋力最差的策略网络开始，不断刷流水线，通过强化学习、self-play、深度学习更新几个神经网络。这样肯定会比较慢，说不定要几个月时间才训练好。但是一旦训练好了，这就是真正没有和人学过任何东西，全靠自己对下几十亿局训练出来的，没有受过人“污染”的机器智能！这个纯种AlphaGo可能出手就和人完全不一样，也许一开始就下的是天元、五五之类的怪招，直到中后盘才和人类棋手以及现在的AlphaGo走得差不多。这种自己在山洞里练习出来的东西，会不会比人强，甚至比现在这个学了人走法的AlphaGo强，会是特别有意思的事。不懂围棋的人可能很难理解，为什么这特别有意思，但真的是很浪漫很狂野的一个事，非常激动人心。

谷歌论文出来以后，专家的解读也出来了，我也仔细读了。一开始以为，都是以前见过的东西，就是各个环节都做得不错，下本钱加在一起细化优化了，所以弄出一个棋力大跃进，战胜了人类低水平职业棋手。但再要进步，似乎得发明“新技术”，再来一个创新，才能棋力进步追上顶级职业棋手过招。

然而这是一个错觉。就MCTS，策略网络，价值网络等等技术环节而言，别人都做过。但是搞出工业级的流水线，没有人做过！流水线本身才是最大的创新！这个流水线诞生以后，潜力无穷，极易取得突破。开发者们一定玩得开心死了。

我大约想明白了谷歌围棋算法的秘密，最厉害的就是这个神经网络训练的流水线。技术不是新的，但是量变到质变，暴力堆数据的各个环节打通以后，就产生了无穷的威力，一举在短时间内破解了围棋这个人工智能的核心问题。

作者简介：笔名陈经，香港科技大学计算机科学硕士，中国科学技术大学科技与战略风云学会研究员，棋力新浪围棋6D。21世纪初开始有独特原创性的经济研究。2003年的《经济版图中的发展中国家》预言中国将不断产业升级，挑战发达国家。2006年著有《中国的“官办经济”》。

致谢：感谢中国科学技术大学科技与战略风云学会会长袁岚峰博士（@中科大胡不归 ）与其他会员的宝贵意见。

讨论：袁岚峰认为，DeepMind调整系数的办法可能是遗传算法。即先产生大量的初代种群，然后把它们组合起来并加上随机变异产生下一代种群，通过互相对弈选择优胜者，再进行下一代组合、变异、选择，如此循环。这是当代科学研究中全局搜索的常用算法。

本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。