计算机围棋

计算机围棋是人工智能（AI）的一个领域，致力于创建一个能下传统棋盘游戏的计算机程序。该领域被尖锐地划分为两个时代。在2015年之前，这个时代的程序很弱。20世纪80年代和90年代的最佳努力只产生了可以被初学者打败的人工智能，而21世纪初的人工智能充其量是中级水平。专业人士可以击败这些程序，即使是在对人工智能有利的10多块石头的情况下。许多在跳棋和国际象棋中表现良好的人工智能算法，在围棋的19x19棋盘上都失败了，因为有太多的分支可能性需要考虑。以当时的技术和硬件创造一个人类专业质量的程序是遥不可及的。一些人工智能研究人员推测，如果不创造出类似人类的人工智能，这个问题是无法解决的。蒙特卡洛树搜索在围棋算法中的应用在21世纪末的十年中提供了一个明显的改进，程序最终能够达到低段水平：一个较弱的专业人士的水平。更好的职业棋手仍然可以利用这些程序的弱点并持续获胜，但人工智能的表现已经超过了中级水平。长期以来，人们一直认为在没有残局的情况下击败xxx的人类棋手这一诱人的未实现目标，带来了新的兴趣爆发。关键的洞察力被证明是机器学习和深度学习的应用。DeepMind是谷歌收购的一家致力于人工智能研究的公司，它在2015年制造了AlphaGo，并在2016年向世界宣布了它。2016年，AlphaGo在一场无手棋比赛中击败了职业九段李世石，然后在2017年击败了当时连续两年保持世界xxx排名的柯洁。就像跳棋在1995年和国际象棋在1997年落入机器手中一样，计算机程序在2016-2017年终于征服了人类最伟大的围棋冠军。DeepMind没有发布AlphaGo供公众使用，但此后根据DeepMind发布的描述AlphaGo及其变体的期刊文章，建立了各种程序。

专业的围棋选手认为这个游戏需要直觉、创意和战略思维。长期以来，它被认为是人工智能（AI）领域的一个困难挑战，比国际象棋要难得多。该领域的许多人认为围棋比国际象棋需要更多模仿人类思维的元素。数学家I.J.Good在1965年写道。在电脑上下围棋？-为了让计算机编程下一盘合理的围棋，而不仅仅是一盘合法的棋局--有必要将好的策略的原则正式化，或者设计一个学习程序。与国际象棋相比，这些原则更加定性和神秘，而且更依赖于判断。因此，我认为让计算机编程下一盘合理的围棋比下象棋更难。在2015年之前，xxx的围棋程序只能达到业余丹的水平。在9×9的小棋盘上，计算机的表现更好，一些程序在与职业棋手的9×9对局中成功地赢得了一小部分。在AlphaGo之前，一些研究人员曾声称，计算机永远不会在围棋上击败xxx人类。早期几十年xxx个围棋程序是由阿尔伯特-林赛-佐布里斯特在1968年编写的，作为他关于模式识别论文的一部分。它引入了一个影响函数来估计领土和佐布里斯特散列法来检测柯。1981年4月，乔纳森-K-米伦在《字节》杂志上发表了一篇文章，讨论了Wally，一个带有15x15板的围棋程序，适合在KIM-1微机的1K内存中使用。1984年11月，布鲁斯-韦伯斯特（BruceF.Webster）在该杂志上发表了一篇文章，讨论他为苹果Macintosh编写的围棋程序，包括MacFORTH源代码。围棋的程序很弱；1983年的一篇文章估计，它们最多相当于20目，也就是一个天真的新手棋手的等级，而且往往只限于小棋盘。2003年，在互联网围棋服务器（IGS）的19x19大小的棋盘上下棋的人工智能，在硬件大幅改善之后，大约有20-15奎的实力。

1998年，非常强大的棋手能够击败计算机程序，同时给出25-30子的残局，这是一个巨大的残局，很少有人类棋手会接受。在1994年的世界计算机围棋锦标赛中，有一个案例，获胜的程序GoIntellect在与青年棋手的三场比赛中全部输掉，同时得到15石的残局。一般来说，了解并利用程序弱点的棋手可以在比一般棋手大得多的xxx下获胜。2007-2014:蒙特卡洛树搜索2006年（2007年发表了一篇文章），RémiCoulom产生了一种新的算法，他称之为蒙特卡洛树搜索。在其中，一棵博弈树像往常一样被创建为潜在的未来，每一步都有分支。然而，计算机通过反复的随机播放，对树的终端叶子进行评分（类似于其他游戏的蒙特卡洛策略）。