AlphaGo论文完整翻译与深度解析：Mastering the game of Go

#

论文基本信息

• 标题：Mastering the game of Go with Deep Neural Networks and Tree Search
  • 作者：David Silver, Aja Huang, Chris J. Maddison, et al.
    • 机构：DeepMind
      • 发表年份：2016
        • 引用数：超过2万次

          #

          摘要

          英文原文：
          The game of Go has long been viewed as the most challenging of classical games for artificial intelligence due to its enormous search space and difficulty of evaluating board positions.

          中文翻译：
          由于其巨大的搜索空间和评估棋盘位置的难度，围棋长期以来被视为人工智能最具挑战性的经典游戏。

          #

          1. 导言

          英文原文：
          We introduce a new approach to computer Go that uses value networks to evaluate board positions and policy networks to select moves.

          中文翻译：
          我们介绍了一种新的计算机围棋方法，使用价值网络来评估棋盘位置，使用策略网络来选择落子。

          #

          2. 方法

          英文原文：
          The SL policy network is trained on 30 million positions from human expert games. The RL policy network improves the SL policy network through self-play.

          中文翻译：
          监督学习策略网络在3000万个人类专家棋局位置上进行训练。强化学习策略网络通过自我对弈改进监督学习策略网络。

          #

          3. 核心技术名词总结

          1. Policy Network（策略网络）：学习人类专家走法
          2. Value Network（价值网络）：评估局面胜负概率
          3. Monte Carlo Tree Search（MCTS）：蒙特卡洛树搜索
          4. RL（强化学习）：自我对弈提升
          5. Rollout：快速模拟推演

          #

          4. summary

          AlphaGo击败世界冠军李世石，标志着AI在复杂策略游戏领域的超越。