19、棋盘游戏的深度学习

棋盘游戏的深度学习

1. 引言

在过去的科幻小说中，人们曾幻想 21 世纪会出现个人喷气背包、水下城市、星际旅行、飞行汽车和真正具有独立思考能力的智能机器人。如今 21 世纪已至，飞行汽车尚未实现，但得益于深度学习，智能机器人或许有望成为现实。这与棋盘游戏的深度学习有什么关系呢？在后续内容中，我们将探讨如何构建能够学习游戏环境的人工智能（AI）。

现实世界有着无限的可能性，即使是让机械臂拾取物体这样简单的人类任务，也需要分析大量的感官数据，并控制机械臂运动的许多连续响应变量。而游戏为测试通用学习算法提供了一个绝佳的试验场，它提供了一个可能性众多但又可管理的环境。对于电脑游戏，人类可以仅通过屏幕上可见的像素和最少量的指令学会玩游戏。如果将相同的像素和目标输入到计算机代理中，在合适的算法下，这就是一个可解决的问题。实际上，对计算机来说这个问题更容易，因为人类需要识别视野中的物体是游戏像素而非屏幕周围的区域。这就是为什么许多研究人员将游戏视为开发真正 AI（能够独立运行的自学习机器）的理想起点，而且如果你喜欢游戏，这也会非常有趣。

2. 相关概念与术语

我们将使用多种深度学习技术来解决棋盘游戏，如跳棋和国际象棋，最终掌握构建击败人类顶级围棋选手的 AlphaGo 所使用的深度学习解决方案。涉及的概念包括：
- 极小极大算法
- 蒙特卡罗树搜索
- 强化学习
- 策略梯度
- Q 学习
- 演员 - 评论家算法
- 基于模型的方法

为了描述任务及其解决方案，我们使用一些术语，以迷宫游戏为例：
|术语|定义|
| ---- | ---- |
|智能