AlphaGo

技术突破

围棋的落子可能性约为10的170次方，远超国际象棋，传统搜索算法无法穷举。AlphaGo的核心创新是将深度神经网络与蒙特卡洛树搜索（MCTS）结合：策略网络（Policy Network）预测下一步落子概率，价值网络（Value Network）评估当前局面胜率，两者共同指导搜索树的剪枝，大幅缩小搜索空间。

训练分两阶段：先用人类棋谱做监督学习，再让模型自我对弈做强化学习。AlphaGo Lee（2016年版）已能击败职业九段；AlphaGo Master（2017年1月）在网络上以60:0横扫人类顶尖棋手。[1]

AlphaGo Zero与后续影响

2017年10月，DeepMind发布AlphaGo Zero——完全不使用人类棋谱，从随机落子开始纯靠自我对弈，训练40天后以100:0击败AlphaGo Lee。这证明了强化学习能在没有人类先验知识的情况下超越人类。

后续的AlphaZero（2017年12月）用同样框架扩展到国际象棋和日本将棋，均击败了各领域最强专用AI。这套方法论深刻影响了后续的AI研究方向，「从零自我对弈」成为解决复杂博弈问题的标准范式。