СледваСледващо ръководство
Zhipu GLM модели
Фирми
Фирми РЪКОВОДСТВО
AlphaGo и AlphaZero
AlphaGo combined neural networks with Monte Carlo Tree Search to play Go.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
AlphaZero used self-play given game rules in Go, chess, and shogi, while MuZero learned a model sufficient for planning without being given the environment dynamics.
Дълбоко гмуркане
Go is difficult for brute-force search because of its large search space and the challenge of evaluating positions. AlphaGo combines a policy network, which suggests promising moves, and a value network, which evaluates board positions, with Monte Carlo Tree Search. Its original Nature paper describes supervised learning from human expert games followed by reinforcement learning from self-play. AlphaZero generalizes self-play reinforcement learning to Go, chess, and shogi; it starts from random play and uses the game rules without human game examples. The AlphaZero paper reports superhuman play in the tested games, including reaching that level in chess and shogi within 24 hours of training. MuZero is different: it learns a latent model of rewards and state transitions sufficient for planning, without being supplied the game’s rules or full dynamics. These are research results in games, not evidence that the same performance transfers to arbitrary planning tasks.
Внедряване в реалния свят
Compare AlphaGo’s supervised learning from expert games with reinforcement learning from self-play.
Use AlphaZero’s experiments to study search and self-play under known game rules.
Inspect how a policy prior and value estimate can guide Monte Carlo Tree Search.
Compare MuZero’s learned planning model with systems that receive explicit game rules.
Бъдещето на AlphaGo и AlphaZero
AlphaGo, AlphaZero, and MuZero show different ways to combine learned evaluation with search in structured games. Applying these methods to other domains requires defining actions, rewards, constraints, and an evaluation environment; game results alone do not establish performance in robotics, mathematics, or language tasks.
Прилагайки го на практика
Защо има значение
- Стратегия на доставчика. Пътните карти на доставчиците влияят на това какви функции вашият екип може да изгради по-нататък.
- Разходи и бюджет. Търговските условия и опциите за внедряване влияят върху дългосрочните разходи и риск.
- Риск и безопасност. Стимулите на компанията оформят продуктовите стандарти, безопасността и откритостта.
Внимавайте за
- Съобщенията за стартиране може да изпреварят стабилността в реалните производствени работни процеси.
- Ценообразуването на API или промените в политиката могат да разбият предположенията за една нощ.
- Зависимостта от един доставчик увеличава разходите за заключване и миграция.
Следващи стъпки
- Оценявайте доставчиците, като използвате вашите собствени задачи и набори от данни.
- Прегледайте поверителността, сигурността и правните условия преди интегриране.
- Поддържайте резервен план за модели или доставчици.
- Наблюдавайте бележките по изданието, така че промените в пътната карта да не изненадват екипите.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the AlphaGo and AlphaZero quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Какво е AlphaGo и AlphaZero?
AlphaGo combined neural networks with Monte Carlo Tree Search to play Go. AlphaZero used self-play given game rules in Go, chess, and shogi, while MuZero learned a model sufficient for planning without being given the environment dynamics.
Защо играта Go беше смятана за особено трудна за компютрите?
Огромният фактор на разклоняване на Go прави търсенето с груба сила невъзможно, така че успехът изисква научена интуиция.
Кого победи AlphaGo с 4-1 през 2016 г.?
AlphaGo победи топ шампиона в Go Lee Sedol с 4-1 в много гледан мач от 2016 г.
Which three games did AlphaZero’s paper evaluate?
The AlphaZero paper evaluates its general reinforcement-learning algorithm in Go, chess, and shogi. Its results are specific to those games and experiments.
Кой метод за търсене свързва AlphaZero със своята невронна мрежа?
AlphaZero използва Monte Carlo Tree Search, ръководен от политиката на невронната мрежа и прогнозите за стойността.
Какви две неща прогнозира невронната мрежа на AlphaZero, за да ръководи търсенето?
Мрежовите изходи, които изглеждат обещаващи (политика) и прогноза за това кой ще спечели (стойност), фокусирайки търсенето.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема