圍棋
百度百科的定義中，阿爾法圍棋 （圍棋機器人、AlphaGo）是第一個擊敗人類職業圍棋選手、第一個戰勝圍棋世界冠軍的人工智慧機器人，由谷歌（Google）旗下DeepMind公司戴密斯·哈薩比斯領銜的團隊開發，其主要工作原理是“深度學習”（“深度學習”是指多層的人工神經網路和訓練它的方法）。
AlphaGo對戰職業棋手
今天我們就來簡單講講AlphaGo的工作原理，不會很深入，目的是讓大家有所瞭解。
AlphaGo的演算法其實主要是“蒙特卡洛樹搜尋”與“卷積神經網路”，術語看起來超級高大上的，但其實都是非常好理解的東西。
先從功能上來說，蒙特卡洛演算法是用來確定下一步落子位置的。人類下棋的時候，第一憑經驗看準哪幾個落子點，然後再進行計算，得到最佳的落點，實際上和蒙特卡洛演算法是相同的方式。
再說的詳細一些，蒙特卡洛演算法的本質就是隨機：人們給AlphaGo記錄了好多棋譜，它自己也對弈了很多局，在對棋譜中，當前形勢下的落子可能性做了統計之後，根據棋譜中出現頻率比較高的勝招好棋，幫助它找最優解。
蒙特卡洛樹
百科中是這樣說的：“一層神經網路會把大量矩陣數字作為輸入，透過非線性啟用方法取權重，再產生另一個數據集合作為輸出。這就像生物神經大腦的工作機理一樣，透過合適的矩陣數量，多層組織連結一起，形成神經網路“大腦”進行精準複雜的處理，就像人們識別物體標註圖片一樣。”當然這包括了我們接下來要說的，“卷積神經網路”。
AlphaGo對戰李世石
卷積神經網路其實就是幫助計算機認識影象的。如果只是輸入一張圖片，人工智慧或者說計算機，只能感應到一堆畫素點，它要如何才能判斷照片裡的東西是什麼呢？這就是這個所謂的“卷積神經網路”演算法乾的事情。
卷積神經網路
那麼這個演算法用在圍棋裡，就是幫助程式看到棋局了。每一次落子之後，形成的棋局盤面，就是一個影象資訊。計算機認識棋型、死活等這類事情，本質上都是影象資訊處理的過程。棋局評估也用到了這個，因此AlphaGo的估值、策略能力很準，從而能有效的判斷局勢並且選定落子，這就是AlphaGo比以前的圍棋軟體更厲害的原因。
圍棋機器人
除此之外，我們已經提到了，AlphaGo圍棋機器人會自我學習，這是因為它會自己跟自己對弈，然後分析自己的棋譜，從而改變棋局評估的側重因素，以及在某些局勢下落子的機率。AlphaGo在覆盤過程中，能夠使某步棋的機率提高一些，從而讓最開始說的那個“蒙特卡洛演算法”更容易選中它，另外讓棋局評估系統認識這一局面，並把它判斷為“其實是一步好棋”。
說到這裡，大家是否有對圍棋機器人有一點了解了呢？
與人工智慧下棋
