{
  "id": "alphago",
  "title": "AlphaGo",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "AlphaGo 是 DeepMind 开发的围棋人工智能系统，结合神经网络、强化学习与树搜索，达到并超越职业棋手水平。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "product",
  "aliases": [
    "阿尔法围棋",
    "阿尔法狗"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/alphago/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/alphago/",
      "json": "https://aiwiki.page/en/alphago.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "AlphaGo 是由 DeepMind 开发、用于下围棋的人工智能系统。它结合深度学习、强化学习和搜索来评估局面并选择落子。2015 年 10 月，它成为首个在标准棋盘上、不让子的条件下击败职业围棋棋手的计算机程序。此后，它战胜多位顶尖棋手，成为计算机博弈领域的重要里程碑。AlphaGo 这一名称涵盖了多个相继推出的版本，各版本的训练方法和架构都有显著变化。(nature.com)"
    },
    {
      "heading": "背景与研究挑战",
      "text": "围棋在网格棋盘上进行，标准棋盘通常有 19 × 19 个交叉点。围棋的搜索空间庞大，且尚未结束的局面难以评估，因此一直是计算机科学领域的一项艰巨挑战。穷尽搜索所有可能的后续变化并不现实；一个成功的系统必须能够在不遍历整棵博弈树的情况下，识别有潜力的着法并估计其后果。在 AlphaGo 出现之前，最先进的围棋程序仍远逊于顶尖职业棋手。(nature.com)\n\nAlphaGo 通过学习如何选择着法和评估局面来应对这些难题。它不再完全依赖人工制定的策略规则，而是利用机器学习从棋谱中学习规律，并通过自我对弈提升水平。它的突出特点是将学习得到的判断与前瞻搜索相结合：神经网络既缩小搜索需要探索的范围，也对其中的可能性作出评估。(nature.com)"
    },
    {
      "heading": "架构与训练",
      "text": "最初发表的系统使用了承担不同任务的深层卷积神经网络。策略网络表示针对各种着法的策略（强化学习），为有潜力的选择赋予更高的概率。价值网络则近似表示价值函数，根据当前局面估计最终对局结果。这两种函数提供了互补的信息：应当搜索哪些着法，以及后续局面看起来有多有利。(nature.com)\n\n训练分阶段进行。首先，通过监督学习，以人类棋谱作为训练数据，教会策略网络预测棋手的着法。随后，利用强化学习，让系统与自身的其他版本对弈，进一步改进策略。价值网络则使用另行生成的自我对弈局面及其结果进行训练。这一区别很重要：预测人类会如何落子，与学习如何最大限度地提高获胜概率，是相互关联但并不相同的目标。(deepmind-media.storage.googleapis.com)\n\n对弈时，蒙特卡洛树搜索反复探索可能的后续变化。策略网络引导探索方向，而搜索树叶节点所对应的局面，则由价值网络和称为“快速模拟对局”（rollout）的过程共同评估。评估结果沿搜索树回传，系统再根据累计访问次数选择着法。因此，AlphaGo 并非简单地输出神经网络排名最高的着法；搜索过程可以改变它最初偏好的选择。(deepmind-media.storage.googleapis.com)\n\n在实现上，系统使用并行计算来协调模拟对局与网络评估。CPU 负责搜索工作，图形处理器则负责运行神经网络评估。因此，其棋力既取决于训练得到的模型，也取决于分配给搜索的计算资源。(storage.googleapis.com)"
    },
    {
      "heading": "比赛里程碑",
      "text": "2015 年 10 月，AlphaGo 在正式比赛中以 5 比 0 击败欧洲冠军樊麾。比赛结果及系统设计于 2016 年 1 月 27 日发表于《自然》杂志。这一成就是在标准棋盘上进行分先对局取得的，而不是通过让子或使用较小棋盘获得的胜利。(nature.com)\n\n2016 年 3 月，AlphaGo 在首尔以 4 比 1 击败李世石。其中两手棋尤其广为人知：第二局中 AlphaGo 的第 37 手打破了传统预期；第四局中李世石的第 78 手，则帮助他取得了这场比赛中唯一的一胜。这些对局既展示了系统不同寻常的选择，也暴露了它仍然存在的弱点。(deepmind.google)\n\n更强的 AlphaGo Master 版本于 2017 年 1 月在网络对弈中，面对顶尖人类棋手取得了 60 场胜利。2017 年 5 月，在中国乌镇举行的围棋峰会上，AlphaGo 以 3 比 0 击败了当时世界排名第一的棋手柯洁。DeepMind 宣布，这次峰会将是 AlphaGo 最后一次参加竞技比赛活动，并公开了自我对弈棋谱，供人们研究。(augmentingcognition.com)"
    },
    {
      "heading": "AlphaGo Zero 与 AlphaZero",
      "text": "2017 年公布的 AlphaGo Zero 取消了最初基于人类棋谱的训练阶段。它从一个未经训练的网络开始，通过自我对弈积累经验。单个网络同时输出着法概率和局面价值，其搜索也不再需要早期系统使用的快速模拟对局。经过三天训练，它以 100 比 0 击败了与李世石对弈的版本；经过更长时间的训练后，它又超越了 AlphaGo Master。(deepmind.google)\n\nZero 的学习循环将搜索与训练紧密结合。搜索产生改进后的着法目标，完整对局则提供结果目标。更新网络能够改善后续搜索，而更好的搜索又会生成质量更高的自我对弈经验。“不依赖人类知识”主要指不使用人类棋谱示例和策略指导；系统仍然依赖预先提供的游戏规则和人为设计的学习流程。(nature.com)\n\nAlphaZero 将这一方法从围棋扩展到了国际象棋和将棋。它于 2017 年推出，并于 2018 年接受了进一步评估，在三种棋类中采用相同的通用算法和网络架构，但为每种棋类分别训练一个系统。它是 AlphaGo 的后继系统，而不只是最初围棋程序的另一个名称。(storage.googleapis.com)"
    },
    {
      "heading": "影响与能力范围",
      "text": "AlphaGo 影响了职业围棋的分析研究，包括对早期点三三和既有角部定式的重新评价。DeepMind 记录了职业棋手采用其对局中变化的情况。它在研究上的意义，在于展示了学习得到的评估、自行生成的经验与搜索，如何在一项困难的规划任务中协同发挥作用。(deepmind.google)\n\nAlphaGo 所展现的能力仍局限于棋类对弈。AlphaZero 扩大了同一方法可以处理的棋类范围，但这些成果本身并不能证明通用人工智能已经实现。它们展示的是可以迁移的算法原理，而不是一个经过训练后就能胜任任意任务的单一模型。(storage.googleapis.com)"
    }
  ],
  "links": [
    "deepmind",
    "go-game",
    "artificial-intelligence",
    "deep-learning",
    "reinforcement-learning",
    "computer-science",
    "machine-learning",
    "convolutional-neural-network",
    "policy-reinforcement-learning",
    "probability",
    "value-function",
    "supervised-learning",
    "training-data",
    "monte-carlo-tree-search",
    "parallel-computing",
    "graphics-processing-unit",
    "lee-sedol",
    "ke-jie",
    "alphago-zero",
    "alphazero",
    "artificial-general-intelligence"
  ],
  "sources": [
    {
      "title": "nature.com/articles/nature16961",
      "url": "https://www.nature.com/articles/nature16961"
    },
    {
      "title": "deepmind-media.storage.googleapis.com/alphago/AlphaGoNaturePaper.pdf",
      "url": "https://deepmind-media.storage.googleapis.com/alphago/AlphaGoNaturePaper.pdf"
    },
    {
      "title": "storage.googleapis.com/deepmind-media/alphago/AlphaGoNaturePaper.pdf",
      "url": "https://storage.googleapis.com/deepmind-media/alphago/AlphaGoNaturePaper.pdf"
    },
    {
      "title": "deepmind.google/research/alphago/",
      "url": "https://deepmind.google/research/alphago/"
    },
    {
      "title": "augmentingcognition.com/assets/Silver2017a.pdf",
      "url": "https://augmentingcognition.com/assets/Silver2017a.pdf"
    },
    {
      "title": "deepmind.google/blog/alphago-zero-starting-from-scratch/",
      "url": "https://deepmind.google/blog/alphago-zero-starting-from-scratch/"
    },
    {
      "title": "nature.com/articles/nature24270",
      "url": "https://www.nature.com/articles/nature24270"
    },
    {
      "title": "storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphazero-shedding-new-…",
      "url": "https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphazero-shedding-new-light-on-chess-shogi-and-go/alphazero_preprint.pdf"
    },
    {
      "title": "deepmind.google/blog/innovations-of-alphago/",
      "url": "https://deepmind.google/blog/innovations-of-alphago/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}