2022年5月全國事業(yè)單位聯(lián)考《綜合應用能力》（C類）-2

精品文檔-下載后可編輯年5月全國事業(yè)單位聯(lián)考《綜合應用能力》（C類）2022年5月全國事業(yè)單位聯(lián)考《綜合應用能力》（C類）

判斷題（共4題，共4分）

1.1997年，國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標志著人工智能終于征服了它在棋類比賽中最后的弱項——圍棋，谷歌公司的DeepMind團隊比預期提前了整整10年達到了既定目標。

對計算機來說，圍棋并不是因為其規(guī)則比國際象棋復雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實只有一種棋子，對弈的雙方輪流把黑色和白色的棋子放到一個19x19的正方形棋盤中，落下的棋子就不能再移動了，只會在被對方棋子包圍時被提走，到了棋局結束時，占據棋盤面積較多的一方為勝者。

圍棋的規(guī)則如此簡單，但對于計算機來說卻又異常復雜，原因在于圍棋的步數(shù)非常多，而且每一步的可能下法也非常多。以國際象棋作對比，國際象棋每一步平均約有35種不同的可能走法，一般情況下，多數(shù)棋局會在80步之內結束。圍棋棋盤共有361個落子點，雙方交替落子，整個棋局的總排列組合數(shù)共有約10701種可能性，這遠遠超過了宇宙中的原子總數(shù)——10^{80}！

對于結構簡單的棋類游戲，計算機程序開發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來尋找對弈策略，也就是對余下可能出現(xiàn)的所有盤面都進行嘗試并給予評價，從而找出最優(yōu)的走法。這種對整棵博弈樹進行窮舉搜索的策略對計算能力要求很高，對圍棋或者象棋程序來說是非常困難的，尤其是圍棋，從技術上來講目前不可能做到。

“蒙特卡羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略，能夠根據對搜索空間的隨機抽樣來擴大搜索樹,從而分析圍棋這類游戲中每一步棋應該怎么走才能夠創(chuàng)造最好機會。舉例來說，假如筐里有100個蘋果，每次閉著眼拿出1個，最終要挑出最大的1個。于是先隨機拿1個，再隨機拿1個跟它比，留下大的,再隨機拿1個……每拿一次，留下的蘋果都至少不比上次的小。拿的次數(shù)越多，挑出的蘋果就越大。但除非拿100次，否則無法肯定挑出了最大的。這個挑蘋果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜索”在此前一些弈棋程序中也有采用，在相對較小的棋盤中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤上，這種方法仍然存在相當大的缺陷，因為涉及的搜索樹還是太大了。

AlphaGo人工智能程序中最新穎的技術當屬它獲取知識的方式——深度學習。AlphaGo借助兩個深度卷積神經網絡（價值網絡和策略網絡）自主地進行新知識的學習。深度卷積神經網絡使用很多層的神經元，將其堆疊在一起，用于生成圖片逐漸抽象的、局部的特征。對圖像分析得越細，利用的神經網絡層就越多。AlphaGo也采取了類似的架構，將圍棋棋盤上的盤面視為19×19的圖片輸入，然后通過卷積層來表征盤面。這樣，兩個深度卷積神經網絡中的價值網絡用于評估盤面，策略網絡用于采樣動作。

在深度學習的第一階段——策略網絡的有監(jiān)督學習（即從______I____中學習）階段，擁有13層神經網絡的AlphaGo借助圍棋數(shù)據庫KGS中存儲的3000萬份對弈棋譜進行初步學習。這3000萬份棋譜樣本可以用a、b進行統(tǒng)計。a是一個二維棋局，把a輸入到一個卷積神經網絡進行分類，分類的目標就是落子向量A。通過不斷的訓練，盡可能讓計算機得到的向量A接近人類高手的落子結果b，這樣就形成了一個模擬人類下圍棋的神經網絡，然后得出一個下棋函數(shù)Fgo（）。當盤面走到任何一種情形的時候，AlphaGo都可以通過調用函數(shù)Fgo（）計算的結果來得到最佳的落子結果b可能的概率分布，并依據這個概率來挑選下一步的動作。在第二階段——策略網絡的強化學習（即從____II______中學習）階段，AlphaGo開始結合蒙特卡羅樹搜索，不再機械地調用函數(shù)庫，而類似于一種人類進化的過程：AlphaGo會和自己的老版本對弈。即，先使用F_go（1）和F_go（1）對弈，得到了一定量的新棋譜，將這些新棋譜加入到訓練集當中，訓練出新的F_go（2）,再使用F_go（2）和F_go（1）對弈，以此類推，這樣就可以得到勝率更高的F_go（n）。這樣，AlphaGo就可以不斷改善它在第一階段學到的知識。在第三階段——價值網絡的強化學習階段，AlphaGo可以根據之前獲得的學習經驗得出估值函數(shù)v（s），用于預測策略網絡自我對抗時棋盤盤面s的結果。最后,則是將F_go（）、v（s）以及蒙特卡羅樹搜索三者相互配合,使用F_go（）作為初始分開局，每局選擇分數(shù)最高的方案落子，同時調用v（s）在比賽中做出正確的判斷。

這就是AlphaGo給圍棋帶來的新搜索算法。它創(chuàng)新性地將蒙特卡羅模擬和價值網絡、策略網絡結合起來訓練深度神經網絡。這樣價值網絡和策略網絡相當于AlphaGo的兩個大腦，策略網絡負責在當前局面下判斷“最好的”下一步，可以理解為落子選擇器；價值網絡負責評估整體盤面的優(yōu)劣，淘汰掉不值得深入計算的走法，協(xié)助前者提高運算效率，可以理解為棋局評估器。通過兩個“大腦”各自選擇的平均值，AlphaGo最終決定怎樣落子勝算最大。通過這種搜索算法，AlphaGo和其他圍棋程序比賽的勝率達到了99.8%。

AlphaGo的飛快成長是任何一個圍棋世界冠軍都無法企及的。隨著計算機性能的不斷增強，遍歷蒙特卡羅搜索樹將進一步提高命中概率。大量的計算機專家，配合大量的世界圍棋高手，在算法上不斷革新，再配合不斷成長的超級計算能力，不斷地從失敗走向成功，最終打造出圍棋人工智能。在AlphaGo擊敗李世石后，歐洲圍棋冠軍樊麾說了這么一句話：“這是一個團隊的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經驗積累。”人和機器其實沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據文章，回答下列問題：

結構簡單的棋類游戲可以通過對博弈樹的“暴力”窮舉搜索找出最優(yōu)走法。

2.1997年，國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標志著人工智能終于征服了它在棋類比賽中最后的弱項——圍棋，谷歌公司的DeepMind團隊比預期提前了整整10年達到了既定目標。

對計算機來說，圍棋并不是因為其規(guī)則比國際象棋復雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實只有一種棋子，對弈的雙方輪流把黑色和白色的棋子放到一個19x19的正方形棋盤中，落下的棋子就不能再移動了，只會在被對方棋子包圍時被提走，到了棋局結束時，占據棋盤面積較多的一方為勝者。

圍棋的規(guī)則如此簡單，但對于計算機來說卻又異常復雜，原因在于圍棋的步數(shù)非常多，而且每一步的可能下法也非常多。以國際象棋作對比，國際象棋每一步平均約有35種不同的可能走法，一般情況下，多數(shù)棋局會在80步之內結束。圍棋棋盤共有361個落子點，雙方交替落子，整個棋局的總排列組合數(shù)共有約10701種可能性，這遠遠超過了宇宙中的原子總數(shù)——10^{80}！

對于結構簡單的棋類游戲，計算機程序開發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來尋找對弈策略，也就是對余下可能出現(xiàn)的所有盤面都進行嘗試并給予評價，從而找出最優(yōu)的走法。這種對整棵博弈樹進行窮舉搜索的策略對計算能力要求很高，對圍棋或者象棋程序來說是非常困難的，尤其是圍棋，從技術上來講目前不可能做到。

“蒙特卡羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略，能夠根據對搜索空間的隨機抽樣來擴大搜索樹,從而分析圍棋這類游戲中每一步棋應該怎么走才能夠創(chuàng)造最好機會。舉例來說，假如筐里有100個蘋果，每次閉著眼拿出1個，最終要挑出最大的1個。于是先隨機拿1個，再隨機拿1個跟它比，留下大的,再隨機拿1個……每拿一次，留下的蘋果都至少不比上次的小。拿的次數(shù)越多，挑出的蘋果就越大。但除非拿100次，否則無法肯定挑出了最大的。這個挑蘋果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜索”在此前一些弈棋程序中也有采用，在相對較小的棋盤中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤上，這種方法仍然存在相當大的缺陷，因為涉及的搜索樹還是太大了。

AlphaGo人工智能程序中最新穎的技術當屬它獲取知識的方式——深度學習。AlphaGo借助兩個深度卷積神經網絡（價值網絡和策略網絡）自主地進行新知識的學習。深度卷積神經網絡使用很多層的神經元，將其堆疊在一起，用于生成圖片逐漸抽象的、局部的特征。對圖像分析得越細，利用的神經網絡層就越多。AlphaGo也采取了類似的架構，將圍棋棋盤上的盤面視為19×19的圖片輸入，然后通過卷積層來表征盤面。這樣，兩個深度卷積神經網絡中的價值網絡用于評估盤面，策略網絡用于采樣動作。

在深度學習的第一階段——策略網絡的有監(jiān)督學習（即從______I____中學習）階段，擁有13層神經網絡的AlphaGo借助圍棋數(shù)據庫KGS中存儲的3000萬份對弈棋譜進行初步學習。這3000萬份棋譜樣本可以用a、b進行統(tǒng)計。a是一個二維棋局，把a輸入到一個卷積神經網絡進行分類，分類的目標就是落子向量A。通過不斷的訓練，盡可能讓計算機得到的向量A接近人類高手的落子結果b，這樣就形成了一個模擬人類下圍棋的神經網絡，然后得出一個下棋函數(shù)Fgo（）。當盤面走到任何一種情形的時候，AlphaGo都可以通過調用函數(shù)Fgo（）計算的結果來得到最佳的落子結果b可能的概率分布，并依據這個概率來挑選下一步的動作。在第二階段——策略網絡的強化學習（即從____II______中學習）階段，AlphaGo開始結合蒙特卡羅樹搜索，不再機械地調用函數(shù)庫，而類似于一種人類進化的過程：AlphaGo會和自己的老版本對弈。即，先使用F_go（1）和F_go（1）對弈，得到了一定量的新棋譜，將這些新棋譜加入到訓練集當中，訓練出新的F_go（2）,再使用F_go（2）和F_go（1）對弈，以此類推，這樣就可以得到勝率更高的F_go（n）。這樣，AlphaGo就可以不斷改善它在第一階段學到的知識。在第三階段——價值網絡的強化學習階段，AlphaGo可以根據之前獲得的學習經驗得出估值函數(shù)v（s），用于預測策略網絡自我對抗時棋盤盤面s的結果。最后,則是將F_go（）、v（s）以及蒙特卡羅樹搜索三者相互配合,使用F_go（）作為初始分開局，每局選擇分數(shù)最高的方案落子，同時調用v（s）在比賽中做出正確的判斷。

這就是AlphaGo給圍棋帶來的新搜索算法。它創(chuàng)新性地將蒙特卡羅模擬和價值網絡、策略網絡結合起來訓練深度神經網絡。這樣價值網絡和策略網絡相當于AlphaGo的兩個大腦，策略網絡負責在當前局面下判斷“最好的”下一步，可以理解為落子選擇器；價值網絡負責評估整體盤面的優(yōu)劣，淘汰掉不值得深入計算的走法，協(xié)助前者提高運算效率，可以理解為棋局評估器。通過兩個“大腦”各自選擇的平均值，AlphaGo最終決定怎樣落子勝算最大。通過這種搜索算法，AlphaGo和其他圍棋程序比賽的勝率達到了99.8%。

AlphaGo的飛快成長是任何一個圍棋世界冠軍都無法企及的。隨著計算機性能的不斷增強，遍歷蒙特卡羅搜索樹將進一步提高命中概率。大量的計算機專家，配合大量的世界圍棋高手，在算法上不斷革新，再配合不斷成長的超級計算能力，不斷地從失敗走向成功，最終打造出圍棋人工智能。在AlphaGo擊敗李世石后，歐洲圍棋冠軍樊麾說了這么一句話：“這是一個團隊的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經驗積累?！比撕蜋C器其實沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據文章，回答下列問題：

函數(shù)Fgo（n）比Fgo（n-1）的勝率更高。

3.1997年，國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標志著人工智能終于征服了它在棋類比賽中最后的弱項——圍棋，谷歌公司的DeepMind團隊比預期提前了整整10年達到了既定目標。

對計算機來說，圍棋并不是因為其規(guī)則比國際象棋復雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實只有一種棋子，對弈的雙方輪流把黑色和白色的棋子放到一個19x19的正方形棋盤中，落下的棋子就不能再移動了，只會在被對方棋子包圍時被提走，到了棋局結束時，占據棋盤面積較多的一方為勝者。

圍棋的規(guī)則如此簡單，但對于計算機來說卻又異常復雜，原因在于圍棋的步數(shù)非常多，而且每一步的可能下法也非常多。以國際象棋作對比，國際象棋每一步平均約有35種不同的可能走法，一般情況下，多數(shù)棋局會在80步之內結束。圍棋棋盤共有361個落子點，雙方交替落子，整個棋局的總排列組合數(shù)共有約10701種可能性，這遠遠超過了宇宙中的原子總數(shù)——10^{80}！

對于結構簡單的棋類游戲，計算機程序開發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來尋找對弈策略，也就是對余下可能出現(xiàn)的所有盤面都進行嘗試并給予評價，從而找出最優(yōu)的走法。這種對整棵博弈樹進行窮舉搜索的策略對計算能力要求很高，對圍棋或者象棋程序來說是非常困難的，尤其是圍棋，從技術上來講目前不可能做到。

“蒙特卡羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略，能夠根據對搜索空間的隨機抽樣來擴大搜索樹,從而分析圍棋這類游戲中每一步棋應該怎么走才能夠創(chuàng)造最好機會。舉例來說，假如筐里有100個蘋果，每次閉著眼拿出1個，最終要挑出最大的1個。于是先隨機拿1個，再隨機拿1個跟它比，留下大的,再隨機拿1個……每拿一次，留下的蘋果都至少不比上次的小。拿的次數(shù)越多，挑出的蘋果就越大。但除非拿100次，否則無法肯定挑出了最大的。這個挑蘋果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜索”在此前一些弈棋程序中也有采用，在相對較小的棋盤中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤上，這種方法仍然存在相當大的缺陷，因為涉及的搜索樹還是太大了。

AlphaGo人工智能程序中最新穎的技術當屬它獲取知識的方式——深度學習。AlphaGo借助兩個深度卷積神經網絡（價值網絡和策略網絡）自主地進行新知識的學習。深度卷積神經網絡使用很多層的神經元，將其堆疊在一起，用于生成圖片逐漸抽象的、局部的特征。對圖像分析得越細，利用的神經網絡層就越多。AlphaGo也采取了類似的架構，將圍棋棋盤上的盤面視為19×19的圖片輸入，然后通過卷積層來表征盤面。這樣，兩個深度卷積神經網絡中的價值網絡用于評估盤面，策略網絡用于采樣動作。

在深度學習的第一階段——策略網絡的有監(jiān)督學習（即從______I____中學習）階段，擁有13層神經網絡的AlphaGo借助圍棋數(shù)據庫KGS中存儲的3000萬份對弈棋譜進行初步學習。這3000萬份棋譜樣本可以用a、b進行統(tǒng)計。a是一個二維棋局，把a輸入到一個卷積神經網絡進行分類，分類的目標就是落子向量A。通過不斷的訓練，盡可能讓計算機得到的向量A接近人類高手的落子結果b，這樣就形成了一個模擬人類下圍棋的神經網絡，然后得出一個下棋函數(shù)Fgo（）。當盤面走到任何一種情形的時候，AlphaGo都可以通過調用函數(shù)Fgo（）計算的結果來得到最佳的落子結果b可能的概率分布，并依據這個概率來挑選下一步的動作。在第二階段——策略網絡的強化學習（即從____II______中學習）階段，AlphaGo開始結合蒙特卡羅樹搜索，不再機械地調用函數(shù)庫，而類似于一種人類進化的過程：AlphaGo會和自己的老版本對弈。即，先使用F_go（1）和F_go（1）對弈，得到了一定量的新棋譜，將這些新棋譜加入到訓練集當中，訓練出新的F_go（2）,再使用F_go（2）和F_go（1）對弈，以此類推，這樣就可以得到勝率更高的F_go（n）。這樣，AlphaGo就可以不斷改善它在第一階段學到的知識。在第三階段——價值網絡的強化學習階段，AlphaGo可以根據之前獲得的學習經驗得出估值函數(shù)v（s），用于預測策略網絡自我對抗時棋盤盤面s的結果。最后,則是將F_go（）、v（s）以及蒙特卡羅樹搜索三者相互配合,使用F_go（）作為初始分開局，每局選擇分數(shù)最高的方案落子，同時調用v（s）在比賽中做出正確的判斷。

這就是AlphaGo給圍棋帶來的新搜索算法。它創(chuàng)新性地將蒙特卡羅模擬和價值網絡、策略網絡結合起來訓練深度神經網絡。這樣價值網絡和策略網絡相當于AlphaGo的兩個大腦，策略網絡負責在當前局面下判斷“最好的”下一步，可以理解為落子選擇器；價值網絡負責評估整體盤面的優(yōu)劣，淘汰掉不值得深入計算的走法，協(xié)助前者提高運算效率，可以理解為棋局評估器。通過兩個“大腦”各自選擇的平均值，AlphaGo最終決定怎樣落子勝算最大。通過這種搜索算法，AlphaGo和其他圍棋程序比賽的勝率達到了99.8%。

AlphaGo的飛快成長是任何一個圍棋世界冠軍都無法企及的。隨著計算機性能的不斷增強，遍歷蒙特卡羅搜索樹將進一步提高命中概率。大量的計算機專家，配合大量的世界圍棋高手，在算法上不斷革新，再配合不斷成長的超級計算能力，不斷地從失敗走向成功，最終打造出圍棋人工智能。在AlphaGo擊敗李世石后，歐洲圍棋冠軍樊麾說了這么一句話：“這是一個團隊的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經驗積累?！比撕蜋C器其實沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據文章，回答下列問題：

國際象棋的走法不超過35×80種。

4.1997年，國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標志著人工智能終于征服了它在棋類比賽中最后的弱項——圍棋，谷歌公司的DeepMind團隊比預期提前了整整10年達到了既定目標。

對計算機來說，圍棋并不是因為其規(guī)則比國際象棋復雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實只有一種棋子，對弈的雙方輪流把黑色和白色的棋子放到一個19x19的正方形棋盤中，落下的棋子就不能再移動了，只會在被對方棋子包圍時被提走，到了棋局結束時，占據棋盤面積較多的一方為勝者。

圍棋的規(guī)則如此簡單，但對于計算機來說卻又異常復雜，原因在于圍棋的步數(shù)非常多，而且每一步的可能下法也非常多。以國際象棋作對比，國際象棋每一步平均約有35種不同的可能走法，一般情況下，多數(shù)棋局會在80步之內結束。圍棋棋盤共有361個落子點，雙方交替落子，整個棋局的總排列組合數(shù)共有約10701種可能性，這遠遠超過了宇宙中的原子總數(shù)——10^{80}！

對于結構簡單的棋類游戲，計算機程序開發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來尋找對弈策略，也就是對余下可能出現(xiàn)的所有盤面都進行嘗試并給予評價，從而找出最優(yōu)的走法。這種對整棵博弈樹進行窮舉搜索的策略對計算能力要求很高，對圍棋或者象棋程序來說是非常困難的，尤其是圍棋，從技術上來講目前不可能做到。

“蒙特卡羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略，能夠根據對搜索空間的隨機抽樣來擴大搜索樹,從而分析圍棋這類游戲中每一步棋應該怎么走才能夠創(chuàng)造最好機會。舉例來說，假如筐里有100個蘋果，每次閉著眼拿出1個，最終要挑出最大的1個。于是先隨機拿1個，再隨機拿1個跟它比，留下大的,再隨機拿1個……每拿一次，留下的蘋果都至少不比上次的小。拿的次數(shù)越多，挑出的蘋果就越大。但除非拿100次，否則無法肯定挑出了最大的。這個挑蘋果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜索”在此前一些弈棋程序中也有采用，在相對較小的棋盤中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤上，這種方法仍然存在相當大的缺陷，因為涉及的搜索樹還是太大了。

AlphaGo人工智能程序中最新穎的技術當屬它獲取知識的方式——深度學習。AlphaGo借助兩個深度卷積神經網絡（價值網絡和策略網絡）自主地進行新知識的學習。深度卷積神經網絡使用很多層的神經元，將其堆疊在一起，用于生成圖片逐漸抽象的、局部的特征。對圖像分析得越細，利用的神經網絡層就越多。AlphaGo也采取了類似的架構，將圍棋棋盤上的盤面視為19×19的圖片輸入，然后通過卷積層來表征盤面。這樣，兩個深度卷積神經網絡中的價值網絡用于評估盤面，策略網絡用于采樣動作。

在深度學習的第一階段——策略網絡的有監(jiān)督學習（即從______I____中學習）階段，擁有13層神經網絡的AlphaGo借助圍棋數(shù)據庫KGS中存儲的3000萬份對弈棋譜進行初步學習。這3000萬份棋譜樣本可以用a、b進行統(tǒng)計。a是一個二維棋局，把a輸入到一個卷積神經網絡進行分類，分類的目標就是落子向量A。通過不斷的訓練，盡可能讓計算機得到的向量A接近人類高手的落子結果b，這樣就形成了一個模擬人類下圍棋的神經網絡，然后得出一個下棋函數(shù)Fgo（）。當盤面走到任何一種情形的時候，AlphaGo都可以通過調用函數(shù)Fgo（）計算的結果來得到最佳的落子結果b可能的概率分布，并依據這個概率來挑選下一步的動作。在第二階段——策略網絡的強化學習（即從____II______中學習）階段，AlphaGo開始結合蒙特卡羅樹搜索，不再機械地調用函數(shù)庫，而類似于一種人類進化的過程：AlphaGo會和自己的老版本對弈。即，先使用F_go（1）和F_go（1）對弈，得到了一定量的新棋譜，將這些新棋譜加入到訓練集當中，訓練出新的F_go（2）,再使用F_go（2）和F_go（1）對弈，以此類推，這樣就可以得到勝率更高的F_go（n）。這樣，AlphaGo就可以不斷改善它在第一階段學到的知識。在第三階段——價值網絡的強化學習階段，AlphaGo可以根據之前獲得的學習經驗得出估值函數(shù)v（s），用于預測策略網絡自我對抗時棋盤盤面s的結果。最后,則是將F_go（）、v（s）以及蒙特卡羅樹搜索三者相互配合,使用F_go（）作為初始分開局，每局選擇分數(shù)最高的方案落子，同時調用v（s）在比賽中做出正確的判斷。

這就是AlphaGo給圍棋帶來的新搜索算法。它創(chuàng)新性地將蒙特卡羅模擬和價值網絡、策略網絡結合起來訓練深度神經網絡。這樣價值網絡和策略網絡相當于AlphaGo的兩個大腦，策略網絡負責在當前局面下判斷“最好的”下一步，可以理解為落子選擇器；價值網絡負責評估整體盤面的優(yōu)劣，淘汰掉不值得深入計算的走法，協(xié)助前者提高運算效率，可以理解為棋局評估器。通過兩個“大腦”各自選擇的平均值，AlphaGo最終決定怎樣落子勝算最大。通過這種搜索算法，AlphaGo和其他圍棋程序比賽的勝率達到了99.8%。

AlphaGo的飛快成長是任何一個圍棋世界冠軍都無法企及的。隨著計算機性能的不斷增強，遍歷蒙特卡羅搜索樹將進一步提高命中概率。大量的計算機專家，配合大量的世界圍棋高手，在算法上不斷革新，再配合不斷成長的超級計算能力，不斷地從失敗走向成功，最終打造出圍棋人工智能。在AlphaGo擊敗李世石后，歐洲圍棋冠軍樊麾說了這么一句話：“這是一個團隊的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經驗積累?！比撕蜋C器其實沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據文章，回答下列問題：

傳統(tǒng)的計算機圍棋程序能夠完成全尺寸棋盤的蒙特卡羅樹模擬并計算最大勝率。

問答題（共5題，共5分）

5.1997年，國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標志著人工智能終于征服了它在棋類比賽中最后的弱項——圍棋，谷歌公司的DeepMind團隊比預期提前了整整10年達到了既定目標。

對計算機來說，圍棋并不是因為其規(guī)則比國際象棋復雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實只有一種棋子，對弈的雙方輪流把黑色和白色的棋子放到一個19x19的正方形棋盤中，落下的棋子就不能再移動了，只會在被對方棋子包圍時被提走，到了棋局結束時，占據棋盤面積較多的一方為勝者。

圍棋的規(guī)則如此簡單，但對于計算機來說卻又異常復雜，原因在于圍棋的步數(shù)非常多，而且每一步的可能下法也非常多。以國際象棋作對比，國際象棋每一步平均約有35種不同的可能走法，一般情況下，多數(shù)棋局會在80步之內結束。圍棋棋盤共有361個落子點，雙方交替落子，整個棋局的總排列組合數(shù)共有約10701種可能性，這遠遠超過了宇宙中的原子總數(shù)——10^{80}！

對于結構簡單的棋類游戲，計算機程序開發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來尋找對弈策略，也就是對余下可能出現(xiàn)的所有盤面都進行嘗試并給予評價，從而找出最優(yōu)的走法。這種對整棵博弈樹進行窮舉搜索的策略對計算能力要求很高，對圍棋或者象棋程序來說是非常困難的，尤其是圍棋，從技術上來講目前不可能做到。

“蒙特卡羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略，能夠根據對搜索空間的隨機抽樣來擴大搜索樹,從而分析圍棋這類游戲中每一步棋應該怎么走才能夠創(chuàng)造最好機會。舉例來說，假如筐里有100個蘋果，每次閉著眼拿出1個，最終要挑出最大的1個。于是先隨機拿1個，再隨機拿1個跟它比，留下大的,再隨機拿1個……每拿一次，留下的蘋果都至少不比上次的小。拿的次數(shù)越多，挑出的蘋果就越大。但除非拿100次，否則無法肯定挑出了最大的。這個挑蘋果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜索”在此前一些弈棋程序中也有采用，在相對較小的棋盤中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤上，這種方法仍然存在相當大的缺陷，因為涉及的搜索樹還是太大了。

AlphaGo人工智能程序中最新穎的技術當屬它獲取知識的方式——深度學習。AlphaGo借助兩個深度卷積神經網絡（價值網絡和策略網絡）自主地進行新知識的學習。深度卷積神經網絡使用很多層的神經元，將其堆疊在一起，用于生成圖片逐漸抽象的、局部的特征。對圖像分析得越細，利用的神經網絡層就越多。AlphaGo也采取了類似的架構，將圍棋棋盤上的盤面視為19×19的圖片輸入，然后通過卷積層來表征盤面。這樣，兩個深度卷積神經網絡中的價值網絡用于評估盤面，策略網絡用于采樣動作。

在深度學習