推 nnlisalive: 原來如此 要有價值就是慢 而且夠多盤的機率越準 03/12 09:54
→ nnlisalive: 這樣看來電腦還是在用窮舉法逼近圍棋之神 03/12 09:55
→ nnlisalive: 只是這次的窮舉法比較聰明 加進了機率與統計 03/12 09:56
→ nnlisalive: 圍棋就是變化複雜的特性 正好讓用機率來計算落子的 03/12 09:57
→ nnlisalive: AlphaGo變得超級強 03/12 09:58
推 fermib: 這種"窮舉"已經很像人了 是一種經驗累積 只是比較無腦的經 03/12 09:58
噓 clark78118: 這篇錯的 value network is used to reduce 03/12 10:01
→ clark78118: the depth of the search tree 03/12 10:02
噓 clark78118: AlphaGo透過輸入的棋譜跟自我對戰 學習兩件事 03/12 10:09
→ clark78118: 1.哪裡可能值得下 2.形勢判斷 03/12 10:10
推 NaoGaTsu: 簡略化的概念的確如本篇所說 03/12 10:12
→ NaoGaTsu: AG強的地方在於，他有能力能判斷「哪些位置需要去測勝率 03/12 10:12
→ clark78118: 他沒有把棋下到end game 而是用形勢判斷 03/12 10:12
傳統象棋人工智慧還有 GNUGO圍棋AI 確實是以形勢判斷
前幾天上網查黃士傑的博士論文ERICA的架構
才發現現在的圍棋MTCS "隨機亂下N盤"確實是做到end game
→ NaoGaTsu: 」這件事，因此需要消耗大量資源與時間的全盤式隨機落子 03/12 10:13
→ NaoGaTsu: 以及算完所有分支樹的狀況在AG的考量下不會發生。 03/12 10:14
推 darkseer: To clark78118: The second rollout phase of each 03/12 10:20
→ darkseer: simulation begins at leaf node sL and continues 03/12 10:20
→ darkseer: until the end of the game. 他有算完啦XD 03/12 10:20
→ darkseer: 只是它不只快速算完，也用了你說的形勢判斷 03/12 10:21
→ darkseer: 我之前po文的時候自己也沒看懂...剛才才去改@@ 03/12 10:22
推 darkseer: 原po說這是原始概念也對，paper分析說這部分影響最大 03/12 10:36
→ darkseer: 我覺得深度學習帶來的新能力是: 可以在極短時間不計算而 03/12 10:38
→ darkseer: 做出業餘初段等級的直覺判斷。想像如果人類可以用0.01秒 03/12 10:38
→ darkseer: 做到業餘初段等級的判斷，那加上計算就不得了了。 03/12 10:39
※ 編輯: saltfish (114.25.48.185), 03/12/2016 10:48:03
→ fgkor123: 有講到是三段等級的 03/12 10:48
→ fgkor123: 連結，搜 Table 7，剛好看到跑勝率圖 03/12 10:52
推 darkseer: 感謝，我說業餘初段完全是個隨意估計，抱歉@@ 03/12 11:01
→ darkseer: 不過我覺得DarkForest在這點還是很難超出職業棋評? 03/12 11:02
→ fgkor123: 剛對了一下第二盤步數，6446開時，講評也是眾說紛紜 03/12 11:08