2022年5月全國事業(yè)單位聯(lián)考《綜合應(yīng)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(yīng)用能力》（C類）2022年5月全國事業(yè)單位聯(lián)考《綜合應(yīng)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(lán)”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標(biāo)志著人工智能終于征服了它在棋類比賽中最后的弱項(xiàng)——圍棋，谷歌公司的DeepMind團(tuán)隊(duì)比預(yù)期提前了整整10年達(dá)到了既定目標(biāo)。

對計(jì)算機(jī)來說，圍棋并不是因?yàn)槠湟?guī)則比國際象棋復(fù)雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實(shí)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(gè)19x19的正方形棋盤中，落下的棋子就不能再移動(dòng)了，只會在被對方棋子包圍時(shí)被提走，到了棋局結(jié)束時(shí)，占據(jù)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(jì)算機(jī)來說卻又異常復(fù)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(nèi)結(jié)束。圍棋棋盤共有361個(gè)落子點(diǎn)，雙方交替落子，整個(gè)棋局的總排列組合數(shù)共有約10701種可能性，這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)——10^{80}！

對于結(jié)構(gòu)簡單的棋類游戲，計(jì)算機(jī)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(jìn)行嘗試并給予評價(jià)，從而找出最優(yōu)的走法。這種對整棵博弈樹進(jìn)行窮舉搜索的策略對計(jì)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(shù)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(jù)對搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹,從而分析圍棋這類游戲中每一步棋應(yīng)該怎么走才能夠創(chuàng)造最好機(jī)會。舉例來說，假如筐里有100個(gè)蘋果，每次閉著眼拿出1個(gè)，最終要挑出最大的1個(gè)。于是先隨機(jī)拿1個(gè)，再隨機(jī)拿1個(gè)跟它比，留下大的,再隨機(jī)拿1個(gè)……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(gè)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(dāng)大的缺陷，因?yàn)樯婕暗乃阉鳂溥€是太大了。

AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識的方式——深度學(xué)習(xí)。AlphaGo借助兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)（價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)）自主地進(jìn)行新知識的學(xué)習(xí)。深度卷積神經(jīng)網(wǎng)絡(luò)使用很多層的神經(jīng)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(xì)，利用的神經(jīng)網(wǎng)絡(luò)層就越多。AlphaGo也采取了類似的架構(gòu)，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(gè)深度卷積神經(jīng)網(wǎng)絡(luò)中的價(jià)值網(wǎng)絡(luò)用于評估盤面，策略網(wǎng)絡(luò)用于采樣動(dòng)作。

在深度學(xué)習(xí)的第一階段——策略網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)（即從______I____中學(xué)習(xí)）階段，擁有13層神經(jīng)網(wǎng)絡(luò)的AlphaGo借助圍棋數(shù)據(jù)庫KGS中存儲的3000萬份對弈棋譜進(jìn)行初步學(xué)習(xí)。這3000萬份棋譜樣本可以用a、b進(jìn)行統(tǒng)計(jì)。a是一個(gè)二維棋局，把a(bǔ)輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，分類的目標(biāo)就是落子向量A。通過不斷的訓(xùn)練，盡可能讓計(jì)算機(jī)得到的向量A接近人類高手的落子結(jié)果b，這樣就形成了一個(gè)模擬人類下圍棋的神經(jīng)網(wǎng)絡(luò)，然后得出一個(gè)下棋函數(shù)Fgo（）。當(dāng)盤面走到任何一種情形的時(shí)候，AlphaGo都可以通過調(diào)用函數(shù)Fgo（）計(jì)算的結(jié)果來得到最佳的落子結(jié)果b可能的概率分布，并依據(jù)這個(gè)概率來挑選下一步的動(dòng)作。在第二階段——策略網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)（即從____II______中學(xué)習(xí)）階段，AlphaGo開始結(jié)合蒙特卡羅樹搜索，不再機(jī)械地調(diào)用函數(shù)庫，而類似于一種人類進(jìn)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(xùn)練集當(dāng)中，訓(xùn)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(xué)到的知識。在第三階段——價(jià)值網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)階段，AlphaGo可以根據(jù)之前獲得的學(xué)習(xí)經(jīng)驗(yàn)得出估值函數(shù)v（s），用于預(yù)測策略網(wǎng)絡(luò)自我對抗時(shí)棋盤盤面s的結(jié)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?jǐn)?shù)最高的方案落子，同時(shí)調(diào)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(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)結(jié)合起來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。這樣價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)相當(dāng)于AlphaGo的兩個(gè)大腦，策略網(wǎng)絡(luò)負(fù)責(zé)在當(dāng)前局面下判斷“最好的”下一步，可以理解為落子選擇器；價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評估整體盤面的優(yōu)劣，淘汰掉不值得深入計(jì)算的走法，協(xié)助前者提高運(yùn)算效率，可以理解為棋局評估器。通過兩個(gè)“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(dá)到了99.8%。

AlphaGo的飛快成長是任何一個(gè)圍棋世界冠軍都無法企及的。隨著計(jì)算機(jī)性能的不斷增強(qiáng)，遍歷蒙特卡羅搜索樹將進(jìn)一步提高命中概率。大量的計(jì)算機(jī)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(jì)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(gè)團(tuán)隊(duì)的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經(jīng)驗(yàn)積累。”人和機(jī)器其實(shí)沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據(jù)文章，回答下列問題：

結(jié)構(gòu)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(lán)”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標(biāo)志著人工智能終于征服了它在棋類比賽中最后的弱項(xiàng)——圍棋，谷歌公司的DeepMind團(tuán)隊(duì)比預(yù)期提前了整整10年達(dá)到了既定目標(biāo)。

對計(jì)算機(jī)來說，圍棋并不是因?yàn)槠湟?guī)則比國際象棋復(fù)雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實(shí)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(gè)19x19的正方形棋盤中，落下的棋子就不能再移動(dòng)了，只會在被對方棋子包圍時(shí)被提走，到了棋局結(jié)束時(shí)，占據(jù)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(jì)算機(jī)來說卻又異常復(fù)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(nèi)結(jié)束。圍棋棋盤共有361個(gè)落子點(diǎn)，雙方交替落子，整個(gè)棋局的總排列組合數(shù)共有約10701種可能性，這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)——10^{80}！

對于結(jié)構(gòu)簡單的棋類游戲，計(jì)算機(jī)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(jìn)行嘗試并給予評價(jià)，從而找出最優(yōu)的走法。這種對整棵博弈樹進(jìn)行窮舉搜索的策略對計(jì)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(shù)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(jù)對搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹,從而分析圍棋這類游戲中每一步棋應(yīng)該怎么走才能夠創(chuàng)造最好機(jī)會。舉例來說，假如筐里有100個(gè)蘋果，每次閉著眼拿出1個(gè)，最終要挑出最大的1個(gè)。于是先隨機(jī)拿1個(gè)，再隨機(jī)拿1個(gè)跟它比，留下大的,再隨機(jī)拿1個(gè)……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(gè)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(dāng)大的缺陷，因?yàn)樯婕暗乃阉鳂溥€是太大了。

AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識的方式——深度學(xué)習(xí)。AlphaGo借助兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)（價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)）自主地進(jìn)行新知識的學(xué)習(xí)。深度卷積神經(jīng)網(wǎng)絡(luò)使用很多層的神經(jīng)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(xì)，利用的神經(jīng)網(wǎng)絡(luò)層就越多。AlphaGo也采取了類似的架構(gòu)，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(gè)深度卷積神經(jīng)網(wǎng)絡(luò)中的價(jià)值網(wǎng)絡(luò)用于評估盤面，策略網(wǎng)絡(luò)用于采樣動(dòng)作。

在深度學(xué)習(xí)的第一階段——策略網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)（即從______I____中學(xué)習(xí)）階段，擁有13層神經(jīng)網(wǎng)絡(luò)的AlphaGo借助圍棋數(shù)據(jù)庫KGS中存儲的3000萬份對弈棋譜進(jìn)行初步學(xué)習(xí)。這3000萬份棋譜樣本可以用a、b進(jìn)行統(tǒng)計(jì)。a是一個(gè)二維棋局，把a(bǔ)輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，分類的目標(biāo)就是落子向量A。通過不斷的訓(xùn)練，盡可能讓計(jì)算機(jī)得到的向量A接近人類高手的落子結(jié)果b，這樣就形成了一個(gè)模擬人類下圍棋的神經(jīng)網(wǎng)絡(luò)，然后得出一個(gè)下棋函數(shù)Fgo（）。當(dāng)盤面走到任何一種情形的時(shí)候，AlphaGo都可以通過調(diào)用函數(shù)Fgo（）計(jì)算的結(jié)果來得到最佳的落子結(jié)果b可能的概率分布，并依據(jù)這個(gè)概率來挑選下一步的動(dòng)作。在第二階段——策略網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)（即從____II______中學(xué)習(xí)）階段，AlphaGo開始結(jié)合蒙特卡羅樹搜索，不再機(jī)械地調(diào)用函數(shù)庫，而類似于一種人類進(jìn)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(xùn)練集當(dāng)中，訓(xùn)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(xué)到的知識。在第三階段——價(jià)值網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)階段，AlphaGo可以根據(jù)之前獲得的學(xué)習(xí)經(jīng)驗(yàn)得出估值函數(shù)v（s），用于預(yù)測策略網(wǎng)絡(luò)自我對抗時(shí)棋盤盤面s的結(jié)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?jǐn)?shù)最高的方案落子，同時(shí)調(diào)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(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)結(jié)合起來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。這樣價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)相當(dāng)于AlphaGo的兩個(gè)大腦，策略網(wǎng)絡(luò)負(fù)責(zé)在當(dāng)前局面下判斷“最好的”下一步，可以理解為落子選擇器；價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評估整體盤面的優(yōu)劣，淘汰掉不值得深入計(jì)算的走法，協(xié)助前者提高運(yùn)算效率，可以理解為棋局評估器。通過兩個(gè)“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(dá)到了99.8%。

AlphaGo的飛快成長是任何一個(gè)圍棋世界冠軍都無法企及的。隨著計(jì)算機(jī)性能的不斷增強(qiáng)，遍歷蒙特卡羅搜索樹將進(jìn)一步提高命中概率。大量的計(jì)算機(jī)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(jì)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(gè)團(tuán)隊(duì)的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經(jīng)驗(yàn)積累。”人和機(jī)器其實(shí)沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據(jù)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(lán)”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標(biāo)志著人工智能終于征服了它在棋類比賽中最后的弱項(xiàng)——圍棋，谷歌公司的DeepMind團(tuán)隊(duì)比預(yù)期提前了整整10年達(dá)到了既定目標(biāo)。

對計(jì)算機(jī)來說，圍棋并不是因?yàn)槠湟?guī)則比國際象棋復(fù)雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實(shí)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(gè)19x19的正方形棋盤中，落下的棋子就不能再移動(dòng)了，只會在被對方棋子包圍時(shí)被提走，到了棋局結(jié)束時(shí)，占據(jù)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(jì)算機(jī)來說卻又異常復(fù)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(nèi)結(jié)束。圍棋棋盤共有361個(gè)落子點(diǎn)，雙方交替落子，整個(gè)棋局的總排列組合數(shù)共有約10701種可能性，這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)——10^{80}！

對于結(jié)構(gòu)簡單的棋類游戲，計(jì)算機(jī)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(jìn)行嘗試并給予評價(jià)，從而找出最優(yōu)的走法。這種對整棵博弈樹進(jìn)行窮舉搜索的策略對計(jì)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(shù)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(jù)對搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹,從而分析圍棋這類游戲中每一步棋應(yīng)該怎么走才能夠創(chuàng)造最好機(jī)會。舉例來說，假如筐里有100個(gè)蘋果，每次閉著眼拿出1個(gè)，最終要挑出最大的1個(gè)。于是先隨機(jī)拿1個(gè)，再隨機(jī)拿1個(gè)跟它比，留下大的,再隨機(jī)拿1個(gè)……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(gè)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(dāng)大的缺陷，因?yàn)樯婕暗乃阉鳂溥€是太大了。

AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識的方式——深度學(xué)習(xí)。AlphaGo借助兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)（價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)）自主地進(jìn)行新知識的學(xué)習(xí)。深度卷積神經(jīng)網(wǎng)絡(luò)使用很多層的神經(jīng)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(xì)，利用的神經(jīng)網(wǎng)絡(luò)層就越多。AlphaGo也采取了類似的架構(gòu)，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(gè)深度卷積神經(jīng)網(wǎng)絡(luò)中的價(jià)值網(wǎng)絡(luò)用于評估盤面，策略網(wǎng)絡(luò)用于采樣動(dòng)作。

在深度學(xué)習(xí)的第一階段——策略網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)（即從______I____中學(xué)習(xí)）階段，擁有13層神經(jīng)網(wǎng)絡(luò)的AlphaGo借助圍棋數(shù)據(jù)庫KGS中存儲的3000萬份對弈棋譜進(jìn)行初步學(xué)習(xí)。這3000萬份棋譜樣本可以用a、b進(jìn)行統(tǒng)計(jì)。a是一個(gè)二維棋局，把a(bǔ)輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，分類的目標(biāo)就是落子向量A。通過不斷的訓(xùn)練，盡可能讓計(jì)算機(jī)得到的向量A接近人類高手的落子結(jié)果b，這樣就形成了一個(gè)模擬人類下圍棋的神經(jīng)網(wǎng)絡(luò)，然后得出一個(gè)下棋函數(shù)Fgo（）。當(dāng)盤面走到任何一種情形的時(shí)候，AlphaGo都可以通過調(diào)用函數(shù)Fgo（）計(jì)算的結(jié)果來得到最佳的落子結(jié)果b可能的概率分布，并依據(jù)這個(gè)概率來挑選下一步的動(dòng)作。在第二階段——策略網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)（即從____II______中學(xué)習(xí)）階段，AlphaGo開始結(jié)合蒙特卡羅樹搜索，不再機(jī)械地調(diào)用函數(shù)庫，而類似于一種人類進(jìn)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(xùn)練集當(dāng)中，訓(xùn)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(xué)到的知識。在第三階段——價(jià)值網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)階段，AlphaGo可以根據(jù)之前獲得的學(xué)習(xí)經(jīng)驗(yàn)得出估值函數(shù)v（s），用于預(yù)測策略網(wǎng)絡(luò)自我對抗時(shí)棋盤盤面s的結(jié)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?jǐn)?shù)最高的方案落子，同時(shí)調(diào)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(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)結(jié)合起來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。這樣價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)相當(dāng)于AlphaGo的兩個(gè)大腦，策略網(wǎng)絡(luò)負(fù)責(zé)在當(dāng)前局面下判斷“最好的”下一步，可以理解為落子選擇器；價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評估整體盤面的優(yōu)劣，淘汰掉不值得深入計(jì)算的走法，協(xié)助前者提高運(yùn)算效率，可以理解為棋局評估器。通過兩個(gè)“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(dá)到了99.8%。

AlphaGo的飛快成長是任何一個(gè)圍棋世界冠軍都無法企及的。隨著計(jì)算機(jī)性能的不斷增強(qiáng)，遍歷蒙特卡羅搜索樹將進(jìn)一步提高命中概率。大量的計(jì)算機(jī)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(jì)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(gè)團(tuán)隊(duì)的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經(jīng)驗(yàn)積累?！比撕蜋C(jī)器其實(shí)沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據(jù)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(lán)”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標(biāo)志著人工智能終于征服了它在棋類比賽中最后的弱項(xiàng)——圍棋，谷歌公司的DeepMind團(tuán)隊(duì)比預(yù)期提前了整整10年達(dá)到了既定目標(biāo)。

對計(jì)算機(jī)來說，圍棋并不是因?yàn)槠湟?guī)則比國際象棋復(fù)雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實(shí)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(gè)19x19的正方形棋盤中，落下的棋子就不能再移動(dòng)了，只會在被對方棋子包圍時(shí)被提走，到了棋局結(jié)束時(shí)，占據(jù)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(jì)算機(jī)來說卻又異常復(fù)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(nèi)結(jié)束。圍棋棋盤共有361個(gè)落子點(diǎn)，雙方交替落子，整個(gè)棋局的總排列組合數(shù)共有約10701種可能性，這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)——10^{80}！

對于結(jié)構(gòu)簡單的棋類游戲，計(jì)算機(jī)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(jìn)行嘗試并給予評價(jià)，從而找出最優(yōu)的走法。這種對整棵博弈樹進(jìn)行窮舉搜索的策略對計(jì)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(shù)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(jù)對搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹,從而分析圍棋這類游戲中每一步棋應(yīng)該怎么走才能夠創(chuàng)造最好機(jī)會。舉例來說，假如筐里有100個(gè)蘋果，每次閉著眼拿出1個(gè)，最終要挑出最大的1個(gè)。于是先隨機(jī)拿1個(gè)，再隨機(jī)拿1個(gè)跟它比，留下大的,再隨機(jī)拿1個(gè)……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(gè)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(dāng)大的缺陷，因?yàn)樯婕暗乃阉鳂溥€是太大了。

AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識的方式——深度學(xué)習(xí)。AlphaGo借助兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)（價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)）自主地進(jìn)行新知識的學(xué)習(xí)。深度卷積神經(jīng)網(wǎng)絡(luò)使用很多層的神經(jīng)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(xì)，利用的神經(jīng)網(wǎng)絡(luò)層就越多。AlphaGo也采取了類似的架構(gòu)，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(gè)深度卷積神經(jīng)網(wǎng)絡(luò)中的價(jià)值網(wǎng)絡(luò)用于評估盤面，策略網(wǎng)絡(luò)用于采樣動(dòng)作。

在深度學(xué)習(xí)的第一階段——策略網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)（即從______I____中學(xué)習(xí)）階段，擁有13層神經(jīng)網(wǎng)絡(luò)的AlphaGo借助圍棋數(shù)據(jù)庫KGS中存儲的3000萬份對弈棋譜進(jìn)行初步學(xué)習(xí)。這3000萬份棋譜樣本可以用a、b進(jìn)行統(tǒng)計(jì)。a是一個(gè)二維棋局，把a(bǔ)輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，分類的目標(biāo)就是落子向量A。通過不斷的訓(xùn)練，盡可能讓計(jì)算機(jī)得到的向量A接近人類高手的落子結(jié)果b，這樣就形成了一個(gè)模擬人類下圍棋的神經(jīng)網(wǎng)絡(luò)，然后得出一個(gè)下棋函數(shù)Fgo（）。當(dāng)盤面走到任何一種情形的時(shí)候，AlphaGo都可以通過調(diào)用函數(shù)Fgo（）計(jì)算的結(jié)果來得到最佳的落子結(jié)果b可能的概率分布，并依據(jù)這個(gè)概率來挑選下一步的動(dòng)作。在第二階段——策略網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)（即從____II______中學(xué)習(xí)）階段，AlphaGo開始結(jié)合蒙特卡羅樹搜索，不再機(jī)械地調(diào)用函數(shù)庫，而類似于一種人類進(jìn)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(xùn)練集當(dāng)中，訓(xùn)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(xué)到的知識。在第三階段——價(jià)值網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)階段，AlphaGo可以根據(jù)之前獲得的學(xué)習(xí)經(jīng)驗(yàn)得出估值函數(shù)v（s），用于預(yù)測策略網(wǎng)絡(luò)自我對抗時(shí)棋盤盤面s的結(jié)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?jǐn)?shù)最高的方案落子，同時(shí)調(diào)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(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)結(jié)合起來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。這樣價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)相當(dāng)于AlphaGo的兩個(gè)大腦，策略網(wǎng)絡(luò)負(fù)責(zé)在當(dāng)前局面下判斷“最好的”下一步，可以理解為落子選擇器；價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評估整體盤面的優(yōu)劣，淘汰掉不值得深入計(jì)算的走法，協(xié)助前者提高運(yùn)算效率，可以理解為棋局評估器。通過兩個(gè)“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(dá)到了99.8%。

AlphaGo的飛快成長是任何一個(gè)圍棋世界冠軍都無法企及的。隨著計(jì)算機(jī)性能的不斷增強(qiáng)，遍歷蒙特卡羅搜索樹將進(jìn)一步提高命中概率。大量的計(jì)算機(jī)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(jì)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(gè)團(tuán)隊(duì)的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經(jīng)驗(yàn)積累?！比撕蜋C(jī)器其實(shí)沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

根據(jù)文章，回答下列問題：

傳統(tǒng)的計(jì)算機(jī)圍棋程序能夠完成全尺寸棋盤的蒙特卡羅樹模擬并計(jì)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(lán)”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石。這標(biāo)志著人工智能終于征服了它在棋類比賽中最后的弱項(xiàng)——圍棋，谷歌公司的DeepMind團(tuán)隊(duì)比預(yù)期提前了整整10年達(dá)到了既定目標(biāo)。

對計(jì)算機(jī)來說，圍棋并不是因?yàn)槠湟?guī)則比國際象棋復(fù)雜而難以征服——與此完全相反，圍棋規(guī)則更簡單，它其實(shí)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(gè)19x19的正方形棋盤中，落下的棋子就不能再移動(dòng)了，只會在被對方棋子包圍時(shí)被提走，到了棋局結(jié)束時(shí)，占據(jù)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(jì)算機(jī)來說卻又異常復(fù)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(nèi)結(jié)束。圍棋棋盤共有361個(gè)落子點(diǎn)，雙方交替落子，整個(gè)棋局的總排列組合數(shù)共有約10701種可能性，這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)——10^{80}！

對于結(jié)構(gòu)簡單的棋類游戲，計(jì)算機(jī)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(jìn)行嘗試并給予評價(jià)，從而找出最優(yōu)的走法。這種對整棵博弈樹進(jìn)行窮舉搜索的策略對計(jì)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(shù)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(jù)對搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹,從而分析圍棋這類游戲中每一步棋應(yīng)該怎么走才能夠創(chuàng)造最好機(jī)會。舉例來說，假如筐里有100個(gè)蘋果，每次閉著眼拿出1個(gè)，最終要挑出最大的1個(gè)。于是先隨機(jī)拿1個(gè)，再隨機(jī)拿1個(gè)跟它比，留下大的,再隨機(jī)拿1個(gè)……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(gè)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(dāng)大的缺陷，因?yàn)樯婕暗乃阉鳂溥€是太大了。

AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識的方式——深度學(xué)習(xí)。AlphaGo借助兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)（價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)）自主地進(jìn)行新知識的學(xué)習(xí)。深度卷積神經(jīng)網(wǎng)絡(luò)使用很多層的神經(jīng)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(xì)，利用的神經(jīng)網(wǎng)絡(luò)層就越多。AlphaGo也采取了類似的架構(gòu)，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(gè)深度卷積神經(jīng)網(wǎng)絡(luò)中的價(jià)值網(wǎng)絡(luò)用于評估盤面，策略網(wǎng)絡(luò)用于采樣動(dòng)作。

在深度學(xué)習(xí)