我個人認為，這個是人工智慧發展的里程牌來的，同時也意味著人工智慧會出現新的研究方向。再看看其他人，是怎麼樣評價的，其中柯潔迴應最亮了

安全專家評價

金山毒霸安全專家是這樣子評價的：AlphaGo Zero（阿法元）“成神”了，不需要人類歷史資料訓練，並且已經100：0打敗李世乭的大哥AlphaGo，也打敗了AlphaGo master（和柯潔對戰的）。

知乎上的評價

https://www.zhihu.com/question/66861459/answer/246746766

從技術上說，最主要的創新是以下兩點：

從多網路到單網路。原AlphaGo用了兩個網路，決策網路用於預測可能的走法，價值網路用於評價當前局勢的優劣。這次的AlphaGo Zero將這兩個網絡合二為一，新的網路同時輸出走法p和局勢打分v。從卷積網路到殘差網路（此處再次膜拜Kaiming He大神）

論文作者證明了架構的改變對結果的影響非常大！請參考下面的對比圖。“dual”表示使用合併的網路，“sep”表示分開的網路，“conv”表示一般的卷積網路，“res”表示殘差網路。使用同樣的訓練樣本，同樣的訓練步數，dual-res的elo分值比原先Alpha Go的sep-conv架構高出了1000多分，可見新的網路架構提升了網路的表達能力，訓練起來也更加簡單。

另外有人疑惑的是，演算法是如何進行透過自我博弈來學習的？詳細解釋一下，假設一開始有一個完全隨機的網路N，這個網路完全是一個圍棋小白，不具備任何的知識。根據上面的架構，N有兩個輸出，預測的走法p和對局勢優劣的判斷v。如果稍微有一點點機器學習的相關知識，就會知道訓練網路是需要訓練樣本的。應該如何得到訓練樣本？參考原論文中的訓練過程：

在a步驟，N網路利用自身的輸出p和v，自己和自己對弈。不管此時N網路是什麼水平，最終都會有一個勝利者，我們就用勝利者的走子方式作為N網路的訓練正樣本。

再到b步驟。此時用a步驟得到的訓練樣本進行訓練，就得到一個新的N網路。由於使用了勝利者的走子進行訓練，這個N網路會比之前的N網路稍微“強一點點”。然後再重複自我對弈->訓練->自我對弈……的過程，N網路就會不斷迭代變得越來越厲害。如果你知道DQN演算法或者Policy Graident演算法，就會發現這種迭代過程是和它們一模一樣的。

可以預見的是，這篇文章之後，很快會有一大波“AlphaGo”橫空出世，每個圍棋愛好者都可以擁有自己的“AlphaGo”。原因有二，一是之前訓練一個AlphaGo需要收集大量人類棋局資料，這其實是有門檻的，現在連蒐集棋譜資料也不用了，直接就可以訓練。二是需要的資源也大大減少。打敗李世石的那個AlphaGo，需要在多臺伺服器上用48個TPU訓練幾個月的時間，這種資源別說是個人，就算是公司也很難的負擔得起。作為對比，這次的AlphaGo僅僅需要一臺機器4個TPU，訓練3天就可以打敗之前的AlphaGo，在計算資源的需求上少了太多，相信用單個GPU也能達到比較decent的結果。

最後，上一張官方的動圖，可以直觀感受到深度強化學習的威力（只用40天，超越人類幾千年的經驗）：

最亮的迴應

原話：一個純淨、純粹自我學習的alphago是最強的...對於alphago的自我進步來講...人類太多餘了

PS:心疼柯潔三秒鐘。。。。

今天有兩隻GO快要改變世界了，老GO被新GO的智慧碾壓，完成了從“快速學習”到“無師自通”的革命性轉換。

對，就是大谷歌的“新狗”AlphaGo Zero的水平已經超過之前所有版本的AlphaGo。在對陣曾贏下南韓棋手李世石那版AlphaGo時，AlphaGo Zero取得了100:0的壓倒性戰績。

2017年5月，以3:0的比分贏下中國棋手柯潔後，AlphaGo宣佈退役，但DeepMind公司並沒有停下研究的腳步。倫敦當地時間10月18日，DeepMind團隊公佈了最強版AlphaGo ，代號AlphaGo Zero。它的獨門秘籍，是“自學成才”。而且，是從一張白紙開始，零基礎學習，在短短3天內，成為頂級高手。

倫敦當地時間10月18日18：00（臺北時間19日01：00），AlphaGo再次登上世界頂級科學雜誌——《自然》。

一年多前，AlphaGo便是2016年1月28日當期的封面文章，Deepmind公司發表重磅論文，介紹了這個擊敗歐洲圍棋冠軍樊麾的人工智慧程式。

團隊稱，AlphaGo Zero的水平已經超過之前所有版本的AlphaGo。在對陣曾贏下南韓棋手李世石那版AlphaGo時，AlphaGo Zero取得了100:0的壓倒性戰績。DeepMind團隊將關於AlphaGo Zero的相關研究以論文的形式，刊發在了10月18日的《自然》雜誌上。

“AlphaGo在兩年內達到的成績令人震驚。現在，AlphaGo Zero是我們最強版本，它提升了很多。Zero提高了計算效率，並且沒有使用到任何人類圍棋資料。最終，我們想要利用它的演算法突破，去幫助解決各種緊迫的現實世界問題，如蛋白質摺疊或設計新材料等高新科技領域。如果我們透過AlphaGo，可以在這些問題上取得進展，那麼它就有潛力推動人們理解生命，並以積極的方式影響我們的生活。”

AlphaGo之父、DeepMind聯合創始人兼CEO 戴密斯·哈薩比斯（Demis Hassabis）這樣說（上面那段）。

新一代AlphaGoZero（阿法元）的革命性進步，除了學習的智慧還在能耗上有了降低，只用到了一臺機器和4個TPU，極大地節省了資源。TPU（Tensor Processing Unit）即張量處理單元[1] ，是一款為機器學習而定製的晶片，經過了專門深度機器學習方面的訓練，它有更高效能（每瓦計算能力）。

而上一代GO還需要48個TPU才能打敗人類！

對於這一代的阿法元來說，其最大也是最耀眼的進步就是在機器智慧學習的過程中，已經可以完全不需要人類的參與。再此之前的智慧，最多隻是說比人類學習東西更快，而阿法元的出現把人工智慧的演算法推到了另一個高度，開始把人類在機器智慧的學習發展中變得不那麼必要，由以前的靠大資料餵養變成了自己學習。

如果說機器人存在“意識”的邏輯成立，那麼也許這就是開始。

當然，作為在科技方還算懂點皮毛的人，我們認為面對AI完全沒必要那麼悲觀。

事實上，人工智慧會成為人類智慧的增強器，幫助我們解決人類正在面臨的一些嚴峻挑戰 。這樣的AI智慧，就像被無限開發的人的大腦一樣，也許，它能幫我們學習和理解那些人類還不懂得人文和生物秘密。

儘管才剛剛發展起來，AlphaGo Zero已經走出了通向上述目標的關鍵一步。對於希望利用人工智慧推動人類社會進步為使命的DeepMind來說，圍棋並不是AlphaGo的終極奧義，他們的目標始終是要利用AlphaGo打造通用的、探索宇宙的終極工具。

AlphaGo Zero的提升，讓DeepMind看到了利用人工智慧技術改變人類命運的突破。他們目前正積極與英國醫療機構和電力能源部門合作，提高看病效率和能源效率。同時類似的技術應用在其他結構性問題，比如蛋白質摺疊、減少能耗和尋找新材料上，就能創造出有益於社會的突破。

從機器學習的演算法角度來說，這次的GO算得上是質的飛躍。

-