ΕπόμενοΕπόμενος οδηγός
Μοντέλα Zhipu GLM
Εταιρείες
ΟΔΗΓΟΣ Εταιρειών
AlphaGo και AlphaZero
AlphaGo combined neural networks with Monte Carlo Tree Search to play Go.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
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.
Βαθιά κατάδυση
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.
Υλοποίηση σε πραγματικό κόσμο
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.
Το μέλλον των AlphaGo και 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.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Στρατηγική προμηθευτή. Οι χάρτες πορείας προμηθευτών επηρεάζουν τα χαρακτηριστικά που μπορεί να δημιουργήσει η ομάδα σας στη συνέχεια.
- Κόστος και προϋπολογισμός. Οι εμπορικοί όροι και οι επιλογές ανάπτυξης επηρεάζουν το μακροπρόθεσμο κόστος και τον κίνδυνο.
- Κίνδυνος και ασφάλεια. Τα κίνητρα της εταιρείας διαμορφώνουν τις προεπιλογές προϊόντων, τη στάση ασφαλείας και τη διαφάνεια.
Προσέξτε
- Οι ανακοινώσεις κυκλοφορίας ενδέχεται να ξεπεράσουν τη σταθερότητα στις πραγματικές ροές εργασιών παραγωγής.
- Η τιμολόγηση API ή οι αλλαγές πολιτικής μπορούν να σπάσουν τις υποθέσεις από τη μια μέρα στην άλλη.
- Η εξάρτηση από έναν προμηθευτή αυξάνει το κόστος κλειδώματος και μετεγκατάστασης.
Επόμενα βήματα
- Αξιολογήστε τους παρόχους χρησιμοποιώντας τις δικές σας εργασίες και σύνολα δεδομένων.
- Ελέγξτε το απόρρητο, την ασφάλεια και τους νομικούς όρους πριν από την ενσωμάτωση.
- Διατηρήστε ένα εναλλακτικό σχέδιο σε μοντέλα ή προμηθευτές.
- Παρακολουθήστε τις σημειώσεις έκδοσης, ώστε οι αλλαγές στον οδικό χάρτη να μην εκπλήσσουν τις ομάδες.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the AlphaGo and AlphaZero quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
What is AlphaGo and 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.
Γιατί το παιχνίδι Go θεωρήθηκε ιδιαίτερα δύσκολο για τους υπολογιστές;
Ο τεράστιος παράγοντας διακλάδωσης του Go καθιστά την αναζήτηση ωμής βίας ανέφικτη, επομένως η επιτυχία απαιτούσε μαθημένη διαίσθηση.
Ποιον νίκησε περίφημα το AlphaGo με 4-1 το 2016;
Το AlphaGo κέρδισε τον κορυφαίο πρωταθλητή Go Lee Sedol με 4-1 σε έναν αγώνα με μεγάλη προβολή του 2016.
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.
Ποια μέθοδο αναζήτησης συνδυάζει το AlphaZero με το νευρωνικό του δίκτυο;
Το AlphaZero χρησιμοποιεί Monte Carlo Tree Search με γνώμονα την πολιτική και τις προβλέψεις τιμών ενός νευρωνικού δικτύου.
Ποια δύο πράγματα προβλέπει το νευρωνικό δίκτυο του AlphaZero για να καθοδηγήσει την αναζήτησή του;
Οι έξοδοι δικτύου που κινούνται φαίνονται πολλά υποσχόμενες (πολιτική) και μια εκτίμηση για το ποιος θα κερδίσει (τιμή), εστιάζοντας την αναζήτηση.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα