在2016年3月13日AlphaGo与李世石的对阵中，比赛进行到两个半小时后，李世石仅剩下17分钟，比“阿尔法围棋”残剩光阴足足少1个小时。但随后李世石祭出白78“挖”好手，一场“逆袭”之战也由此开始。AlphaGo被李世石的“神之一手”下得陷入纷乱，走出了黑93一步常理上的废棋，导致棋盘右侧一大年夜片黑子“全逝世”。此后，“阿尔法围棋”判断场所场面对自己晦气，每步耗时显着增长，更首次被李世石拖入读秒。终极，李世石岑寂收官锁定胜局。

那我们是否可以这样觉得：当我们不按套路下棋（类似李世石的神之一手），让 AlphaGo在数据库中找不到应对措施，陷入逻辑纷乱，是不是就可以赢AlphaGo了？让我们来看看知乎棋迷们供献出了如何杰出的回答吧。

知乎作者：‘已注销’

题主问的这个问题异常故意思，由于它牵涉到了一个深度进修里异常紧张而又在这种环境下，很难定义的一个观点。

首先，AlphaGo 一共分为3个版本，从人类棋谱中进修的AlphaGo， 未知措施的AlphaGo Master和从零开始的AlphaGo Zero。这三个版本的练习要领完全不合，以是也必要分开来看才能取得故意义的结论。

我们先来说AlphaGo。

AlphaGo 的练习要领异常简单。用大年夜口语来说，便是让AI从棋盘中的环境猜测职业棋手会下的下一手，而这下一手的滥觞则来自于职业棋手有限的棋谱。

在这个环境下，“不按套路出牌”可以理解为下一手在棋谱中不存在，没有任何一个职业棋部下过的一步。这看起来异常promising，然则实际上AlphaGo 不必然会陷入逻辑纷乱，由于它可以generalize （归纳 ，总结）。

深度进修中一样平常将应用已存在的输入（棋盘中的环境）和相对应的期望输出（职业棋手的下一手）pairs的模型称作监督进修的模型。在这个环境下，generalization performance就可以被异常直不雅的定义成碰到“不按套路”时模型的体现。 而在AlphaGo的环境下， 由于AlphaGo练习应用的输入-输出pairs异常异常的多，以是generalization performance 也很自然的不会分外差。

以是，在AlphaGo这一环境下，让AlphaGo陷入“逻辑纷乱”，在碰到没碰见的一手时体现出异常差的棋力是有可能的。

然则，对付AlphaGo Zero这个豪华进级版来说，环境就不太一样了。

AlphaGo Zero练习时并没有应用职业棋手所下过的棋谱，而是从零开始阁下搏击，从自己的棋谱中练习。（强化进修）

简单来说，AlphaGo Zero和自己下棋（selfplay）所获获得的棋谱肯定有一方完胜，一方完败的环境（废话）。以是，直接让AlphaGo Zero进修完胜那方在那一局里面的下法就可以在自己的根基上继承进步了。

这个时刻，“不按套路出牌”就和上面那个例子不太一样了。现在，由于和自己下棋不必要人类介入，谷歌又分外有钱，和自己下棋的次数异常异常多，以是很难找到上面那个意义的“神之一手”。

同时，强化进修这个要领也可以自动增添generalization performance。假如AlphaGo Zero只会玩一个套路的话，那么selfplay两方只要一方随便下一手就赢了。以是，AlphaGo Zero会自动进修到险些所有的套路，使得自己在selfplay时不会由于随机一手而导致通盘皆输。

然则，强化进修也有自己的缺陷，也便是forgetting。由于在selfplay的时刻，模型永世在和现在的自己对战，以是很有可能记不住曩昔下过的对手所操控的脏套路和相对的应对步伐。

这就和你在星际争霸里钻石段位打了无数局，回到白银段位照样被光炮rush黄金舰队吊锤师一个事理。

为了办理这个问题，AlphaGo Zero应用了replay buffer。它现在不仅会从最新的棋局中进修，也会从离现在500000局内的所有棋局进修，以此来前进它的影象能力。

总的来说，赶上AlphaGo，“不按套路下棋”是有可能下出“神之一手”的。赶上AlphaGo Zero，那“神之一手”的存在概率低到基础上可以轻忽的地步，可以疏忽。

然则，现在最有可能和AlphaGo Zero对战的环境是在World AI Tournament里扮演星阵，PheonixGo， 韩豆，里拉 （leela-zero）， MiniGo， SAI中的一位。没想到现在连围棋ai都能上知乎了，看来强人工智能真的离我们不远了。

知乎作者：含辛

提出这个问题显然是对机械进修短缺最基础的懂得。

实际上alphago本身下棋便是没有所谓套路的，alphago的目标很简单，便是经由过程海量对弈进修找到某一固定结构下胜率最高的下法。为什么alphago知道怎么下胜率最高？由于在这一步之后的所有下法alphago都邑试一遍。

以是对付人类而言，你下在一个职业棋手很少下或者从来不会去下的地方，这叫不按套路，然则对alphago而言，棋盘上的每一点都是同样紧张的，全都必要介入到终极的胜率谋略中，人类职业棋手的老例下法在alphago的算法中并不拥有更高的特殊职位地方。假如用不按套路的措施和alphago下棋，独一的结果只会是输得更快。

知乎作者：sen2020

AlphaGo 2016版本中，第一步是用Behavior Cloning从人类棋谱中进修，获得一个初步的策略收集。文章中号称 第一步停止之后 ，这个弱鸡策略收集可以打败业余棋手。假如你跟这个策略收集下棋，那么不按套路出牌确凿可以打败这个策略收集。Behavior Cloning的弱点便是碰到没见过的状态会懵逼。

AlphaGo终极用的不是Behavior Cloning练习出的弱鸡策略收集。AlphaGo第二步做自我博弈，探索各类可能的状态，进一步前进策略收集。这一步叫做“强化进修”。Behavior Cloning+强化进修之后的策略收集 可以以80-20击败Behavior Cloning学出来的策略收集。这时刻不按常理出牌已经不好使了。做强化进修的时刻，AlphaGo已经探索过各类奇葩的走法，奇葩的走法对AlphaGo来说并不奇葩。

这还没有完。

AlphaGo跟李世石下棋用的不是这个更强的策略收集。这个策略收集只是帮助MCTS。AlphaGo终极形态是MCTS。每走一步棋，先模拟成千上万局，看出来当前怎么走胜算最大年夜。这就像是开挂了一样，人不太可能有胜算。不管你的棋走得多么分歧常理，AlphaGo根本不在乎，AlphaGo直接暴力模拟接下来可能发生的环境。

后来AlphaGo又变强了。

最新的版本叫做AlphaGo Zero。他们嫌人太笨了，于是练习策略收集的时刻不跟人类棋谱学了。他们改用MCTS来监督进修策略收集。在着末比赛的时刻用策略收集帮助MCTS。AlphaGo Zero跟“老版本”（便是虐了李世石的那个）对弈，比分100：0。

知乎作者：Arcadia

不能。首先不按套路下棋你确定你有得胜把握吗。。。假如亿万分之一的胜率也算能赢的话，就能吧。。。不按套路的条件是你对绝大年夜多半套路洞若不雅火。

以往AlphaGo采纳了大年夜量人类高手的对弈数据进行练习，这种练习历程若干会参杂一些定式。但跟着练习历程的深入，AlphaGo能够经由过程自我对弈发掘新的定式（人类高手觉得胜率不高），这种以人的思维角度，已经是不按套路出牌了。

再者，AlphaGo不合于国际象棋的深蓝，没有采纳暴力穷举，它的每一步都是基于当前的最优概率，所谓的不按套路出牌，其其实法度榜样看来和走其余地方除了概率不合，没有差别。

AlphaZero在AlphaGo根基上更进一步，不依附于人类常识，完全经由过程自我博弈网络数据进行进修。每到一个没有呈现过的场所场面，进行多少次模拟棋局获得每种走法的胜率，如斯反复，神经收集可以更正确地对棋局进行判断。

钻研生的Machine Learning课程中有幸自己写了一个简略单纯版本的AlphaZero，用于5x5棋盘大年夜小的围棋比赛。

有人可能会感觉5x5棋盘的围棋很简单（完全依照围棋规则），但假如没有必然围棋根基，是很难下过练习优越的模型的。

一个很简单的类似AlphaZero的收集只用自我博弈1500局就能够打败其他同砚练习了几十万次的q-learning模型，确凿很厉害。大年夜概便是策略-代价收集加蒙特卡洛树搜索，有兴趣的同砚可以自己进修一下。

知乎作者：光阴搭客

我感觉着实是有可能的，但实现难度应该比让模型把熊猫识别成大年夜猩猩的难度要大年夜一些。

人工智能和深度进修领域中，有一个钻研领域叫抗衡进击（Adversarial Attack），大年夜概的意思便是设法主见子对输入的图片进行一些微小的更改，就可以让模型识别差错，例如下图。

详细的进击措施有很多，比如FGSM等。它们的进击道理大年夜概是深度进修的模型异常深，在某个层上面加上一点点噪音就可以孕育发生蝴蝶效应，使着末一层的输出与之前大年夜相径庭。详细的进击方

法是反梯度下降法，详细就不细说了（由于详细我也不太懂），这个钻研在现实里面也是能用上的。

回到题目，我感觉是有可能的。由于alphago算法中的一部分便是根据一个围棋场所场面图片猜测下一个落子点的概率，就有可能我们落子的某一点的改变起到了类似抗衡进击的感化，使alphago的猜测孕育发生误差了。

那为什么说实现难度对照大年夜呢？由于围棋和图片有不合之处，围棋棋盘是19*19大年夜小，每个点只有3种可能（黑、白、无），对应模型的输入应该是（1，0，-1），而抗衡进击中的图片中每个点的像素可以随意调剂小数的。纵然算上吃子对棋盘散播的改变，落下一颗子对全部图片的影响也是对照离散的，是以我觉得因为落下一个子而孕育发生抗衡进击的概率对照小。