通用版AlphaGo登Nature最强AI棋手，不懂规则也能精通游戏

　　继 AlphaGo 扬名海外后，DeepMind 再推新模型 MuZero，该模型可以在不知道游戏规则的情况下，自学围棋、国际象棋、日本将棋和 Atari 游戏并制定最佳获胜策略 ，论文 12 月 24 日发表至《Nature》。
　　论文链接：
　　https://arxiv.org/pdf/1911.08265.pdf
　　自 2016 年，令柯洁流泪、让李世石沉默的 AlphaGo 横空出世，打遍棋坛无人能敌后，AI 棋手的名号就此一炮打响，而其背后的发明家 DeepMind 却没有因此止步，四年之内迭代了四代 AI 棋手，次次都有新突破。
　　始祖 AlphaGo 基于人类棋手的训练数据和游戏规则，采用了神经网络和树状搜索方法，成为了第一个精通围棋的 AI 棋手。
　　二代 AlphaGo Zero 于 2017 年在《Nature》发表，与上代相比，不需要人类棋手比赛数据作为训练集，而是通过自对抗的方式自己训练出最佳模型。
　　三代 AlphaZero 在 2018 年诞生，将适应领域拓宽至国际象棋和日本将棋，而不是仅限于围棋。
　　第四代、也就是今天新公布 MuZero 最大的突破就在于可以在不知道游戏规则的情况下自学规则，不仅在更灵活、更多变化的 Atari 游戏上代表了 AI 的最强水平，同时在围棋、国际象棋、日本将棋领域也保持了相应的优势地位。
　　01. 从未知中学习：三要素搭建动态模型
　　与机器擅长重复性的计算和牢固的记忆不同，人类最大的优势就是预测能力，也就是通过环境、经验等相关信息，推测可能会发生的事情。
　　比如，当我们看到乌云密布，我们会推测今天可能有雨，然后再重新考虑是否要出门。即使对于仅有几岁的孩子而言，学会这种预测方式，然后推广到生活的方方面面也是很容易，但这对于机器来说并不简单。
　　对此，DeepMind 研究人员提出了两种方案：前向搜索和基于模型的规划算法。
　　前向搜索在二代 AlphaZero 中就已经应用过了，它借助对游戏规则或模拟复盘的深刻理解，制定如跳棋、国际象棋和扑克等经典游戏的最佳策略。但这些的基础是已知游戏规则及对可能出现的状况大量模拟，并不适用情况相对混乱的 Atari 游戏，或者未知游戏规则的情况。
　　基于模型的规划则是通过学习环境动态进行精准建模，再给予模型给出最佳策略。但对于环境建模是很复杂的，也不适用于 Atari 等视觉动画极多的游戏。目前来看，能够在 Atari 游戏中获得最好结果的模型（如 DQN、R2D2 和 Agent57），都是无模型系统，也就是不使用学习过的模型，而是基于预测来采取下一步行动。
　　也是由于以上两个方法中的优劣，MuZero 没有对环境中所有的要素进行建模，而是仅针对三个重要的要素：
　　1、价值：当前处境的好坏情况；
　　2、策略：目前能采取的最佳行动；
　　3、奖励：最后一个动作完成后情况的好坏。
　　那接下来，我们就来看看 MuZero 是如何通过这三个要素进行建模。
　　MuZero 从当前位置开始（动画顶部），使用表示功能 H 将目前状况映射到神经网络中的嵌入层（S0），并使用动态函数（G）和预测函数（F）来预测下一步应该采取的动作序列（A）。
　　▲基于蒙特卡洛树状搜索和 MuZero 神经网络进行规划
　　那如何知道这一步行动好不好呢？MuZero 会与环境进行互动，也是模拟对手下一步的走向。
　　▲MuZero 通过模拟下棋走向训练神经网络。
　　而每一步棋对于整体棋局的贡献都会被累加，成为本次棋局最后的奖励。
　　▲策略函数 P 得到每一步预测下法，价值函数 V 得到每一步的奖励。
　　除了减少建模工作量外，这种方法的另一个主要优点就是可以不断复盘，而不需要得到外界的新数据。这样的优势也很明显，在 Atari 的测试中，名为 MuZero Reanalyze 的变体可以利用 90%的时间使用学习过的模型进行重新规划，找到更优策略。02.MuZero 强在哪？追平前辈，拓宽 Atari 游戏战场
　　MuZero 模型分别自学了围棋、国际象棋、日本将棋以及 Atari 游戏，前三者用来评估模型在规划问题上的表现，Atari 则用来评估模型面对视觉游戏时的表现。
　　▲MuZero 分别在国际象棋、日本将棋、围棋和 Atari 游戏训练中的评估结果。横坐标表示训练步骤数量，纵坐标表示 Elo 评分。黄色线代表 AlphaZero（在 Atari 游戏中代表人类表现），蓝色线代表 MuZero。
　　在围棋、国际象棋和日本将棋中，MuZero 不仅在多训练步骤的情况下达到甚至超过了 ＂前辈＂AlphaZero 的水平，在 Atari 游戏中，MuZero 也表现突出。
　　▲MuZero 在 Atari 游戏中的性能。所有得分均根据人类测试的性能进行了归一化，最佳结果以粗体显示。
　　为了进一步评估 MuZero 模型的精确规划能力，DeepMind 的研究人员还进行了围棋中经典的高精度规划挑战，即指下一步就判断胜负。
　　为了证实更多的训练时间能使 MuZero 模型更强大，DeepMind 进行了如下面左图实验，当每一步的判断时间从 0.1 秒延长到 50 秒，评价玩家技能的 Elo 指标能增加 1000，相当于业余棋手和最强职业棋手之间的区别。
　　而在右图的 Atari 游戏 Ms Pac-Man（吃豆小姐）的测试中，也能很明显地看出训练时长越长时，模型表现越好。
　　▲左图：随着步骤判断时间增加，围棋 Elo 指标上涨；右图：训练时长越长，模型表现越好03. 结语：出身于游戏，期待更多应用
　　基于环境要素建模的 MuZero，用在多个游戏上的 ＂超人＂表现证明了卓越的规划能力，也象征着 DeepMind 又一在强化学习和通用算法方面的重大进步。
　　它的前辈 AlphaZero 也已投身于化学、量子物理学等领域，切身实地地为人类科学家们解决一系列复杂问题。在未来，MuZero 是否可以继承 ＂家业＂，应对机器人、工业制造、未知 ＂游戏规则＂的现实问题所带来的挑战，我们拭目以待。