2019年上半年全国事业单位联考C类《综合应用能力》题.pdfVIP

退出

2019年上半年全国事业单位联考C类《综合应用能力》题（宁夏/广西/云南

/...

材料一材料二材料三

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弱项——围棋，谷歌公司的DeepMind团队比预期提前了

整整10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100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。

在深度学习的第一阶段——策略网络的有监督学习（即从I中学习）阶

段，拥有13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输入到一个卷积神经网络进行分类，分类的目标就是落子向量

A。通过不断的训练，尽可能让计算机得到的向量A接近人类高手的落子结果

b，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都可以通过调用函数

F_go（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这个概

率来挑选下一步的动作。在第二阶段——策略网络的强化学习（即从Ⅱ中

学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再机械地调用函数库，而

类似于一种人类进化的过程：AlphaGo会和自己的老版本对弈。即，先使用

F_go（1）和F_go（1）对弈，得到了一定量的新棋谱，将这些新棋谱加入到训

练集当中，训练出新的F_go（2），再使用F_go（2）和F_go（1）对弈，以此

类推，这样就可以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善

它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo

可以根据之前获得的学习经验得出估值函数v（s），用于预测策略网络自我对

抗时棋盘盘面s的结果。最后，则