2019年上半年全国事业单位联考C类《综合应用能力》题及参考答案.pdfVIP

2019年上半年全国事业单位联考C类《综合

应用能力》题（网友回忆版）及参考答案

材料一

1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016年，谷歌人工智能

AlphaGo又战胜了韩国棋手李世石，这标志着人工智能终于征服了它在棋类比赛中最后的

——DeepMind10

弱项围棋，谷歌公司的团队比预期提前了整整年达到了既定目标。

对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围

棋规则更简单，它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个

19×19的正方形棋盘中，落下的棋子就不能再移动了，只会在被对方棋子包围时被提走。

到了棋局结束时，占据棋盘面积较多的一方为胜者。

围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而

且每一步的可能下法也非常多。以国际象棋作对比，国际象棋每一步平均约有35种不同

的可能走法，一般情况下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，

双方交替落子，整个棋局的总排列组合数共有约10171种可能性，这远远超过了宇宙中的

原子总数——1080！

对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些

技巧，来寻找对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而

找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或

者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可能做到。

“”

蒙特卡罗树搜索是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随

机抽样来扩大搜索树，从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。

举例来说，假如筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个，于是

先随机拿1个，再随机拿1个跟它比，留下大的，再随机拿1个……每拿一次，留下的苹

100

果都至少不比上次的小，拿的次数越多，挑出的苹果就越大。但除非拿次，否则无法

“”

肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然蒙特卡罗树搜索在

此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全

尺寸棋盘上，这种方法仍然存在相当大的缺陷，因为涉及的搜索树还是太大了。

AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借

助两个深度卷积神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神

经网络使用很多层的神经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的表征。

对图像分析得越细，利用的神经网络层就越多。AlphaGo也采取了类似的架构，将围棋棋

盘上的盘面视为19×19的图片输入，然后通过卷积层来表征盘面。这样，两个深度卷积

神经网络中的价值网络用于评估盘面，策略网络则用于采样动作。

——I13

在深度学习的第一阶段策略网络的有监督学习（即从中学习）阶段，拥有层

神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。

这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神

A

经网络进行分类，分类的目标就是落子向量。通过不断的训练，尽可能让计算机得到的

Ab

向量接近人类高手的落子结果，这样就形成了一个模拟人类下围棋的神经网络，然后

得出一个下棋函数F_go（）。当盘面走到任何一种情形的时候，AlphaGo都可以通过调

F_gob

用函数（）计算的结果来得到最佳的落子结果可能的概率分布，并依据这个概率

来挑选下一步的动作。在第二阶