DeepMind 的新人工智慧無需事先進行遊戲訓練即可掌握複雜的遊戲

DeepMind的人工智慧平台在過去幾年中因對國際象棋、將棋和圍棋等複雜的「腦力密集型」遊戲的出色掌握而享譽全球。隨著時間的推移，它們逐漸“進化”，並用先進的機器學習技術打敗了我們有血有肉的遊戲玩家。

2016年，DeepMind推出了AlphaGo，這是一款具有出色遊戲能力的人工智慧系統。一年後，該公司繼續推出AlphaGo Zero。這是AlphaGo的完美繼承者，擁有透過觀察人類比賽來學習下圍棋，然後透過與自己對弈來掌握遊戲的能力。然後是 AlphaZero，這是一個更先進的人工智慧系統，能夠僅透過單一演算法同時下圍棋、國際象棋和將棋。

不過，上述AI演算法的共同點是，它們都需要經過對玩法和遊戲規則的深入訓練，才能掌握某種遊戲。這是一個複雜且相對耗時的過程。

為了解決這個問題，DeepMind 剛剛推出了一款極為優越的新型人工智慧系統，名為 MuZero。人工智慧能夠流利地玩圍棋、西洋棋、將棋和一系列雅達利遊戲，而無需事先接受上述遊戲規則集的訓練。它將自行學習所有內容，然後可以像 DeepMind 之前的任何演算法一樣玩這些遊戲，甚至更好。

MuZero能夠流暢玩許多複雜的遊戲

創建一種無需事先訓練即可適應遊戲中每種情況的演算法，同時仍然能夠弄清楚如何計劃掌握該遊戲，這確實是開發人員人工智慧研究人員長期以來一直在尋找解決方案的巨大挑戰。DeepMind 嘗試使用一種名為「Lookahead Search」的方法來做到這一點。透過這種技術，人工智慧演算法將考慮預期的情況和狀態來製定行動計劃。

為了更容易理解，想像國際象棋這樣的戰略遊戲。在做出決定或採取行動之前，您需要考慮對手將如何反應並做出相應的計劃。同樣，AI也使用Lookahead Search方法來嘗試提前規劃一些動作。然後選擇並優先考慮最有可能取得勝利的行動。

這種方法的問題在於，大多數現實世界的情況（甚至某些遊戲）不包含一組簡單的規則來管理它們的運作方式。因此，研究人員透過讓人工智慧嘗試模擬特定遊戲或場景環境如何影響結果來解決這個問題。然後，利用所獲得的知識和資訊來制定計劃。這種方法的局限性在於對每個方面進行建模幾乎是不可能的。

因此，MuZero 不會對一切進行建模，而是只會嘗試考慮重要因素來做出決策，類似於人類。例如，當我們望向窗外，看到遠處烏雲密佈時，我們大多數人都會想到下雨、雷暴，或者我們應該如何穿衣以避免被淋濕，如果你出去的話……而不是思考關於冷凝和氣壓等問題。這是本能的選擇性思考的一種形式。MuZero「思考」的方式是一樣的。

在做出決定時，MuZero 必須考慮三個不同的因素。它將考慮先前決策的結果、當前情況，並最終做出下一個決策的最佳行動方案。這種看似簡單的方法使 MuZero 成為 DeepMind 迄今為止創建的最有效的演算法。

MuZero 是最有效率的演算法之一

在內部測試中，結果顯示 MuZero 在西洋棋、圍棋和將棋方面的表現與 AlphaZero 相似。而且它比 Atari 遊戲中所有先前發布的演算法（包括 Agent57）都要好。此外，MuZero 考慮某個動作的時間越多，演算法的效率就越高。

MuZero 強大的自動學習功能有一天可以幫助解決當今許多「熱門」領域的複雜問題，例如機器人技術——這些領域沒有規則。簡單。