运行围棋程序的alphago计算机属于

运行围棋程序的Alpha GO计算机属于第四代计算机。AlphaGo是2014年由谷歌旗下的DeepMind公司开发的一款人工智能围棋程序。它使用深度学习等技术，在完全自主学习的情况下实现对弈水平的逐步提升，并且在后续的博弈中，战绩卓著，影响巨大。与此同时，AlphaGo能在人机对弈和机器对弈中独占鳌头，这归功于包括蒙特卡洛树搜索、估值网络、策略网络等技术的融合运用。其中，后两者是一种多层CNN神经网络模型。得益于深度学习理论的发展，AlphaGo获得了更强的智能和不断的进步。

精简版开源AlphaGo来了，你也可以和TA下围棋了

程序原理

阿尔法围棋（AlphaGo）是一款围棋人工智能程序。这个程序利用“价值网络”去计算局面，用“策略网络”去选择下子。

深度学习

阿尔法围棋（AlphaGo）的主要工作原理是“深度学习”。“深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。

两个大脑

阿尔法围棋（AlphaGo）是通过两个不同神经网络“大脑”合作来改进下棋。这些大脑是多层神经网络跟那些Google图片搜索引擎识别图片在结构上是相似的。它们从多层启发式二维过滤器开始，去处理围棋棋盘的定位，就像图片分类器网络处理图片一样。经过过滤，13 个完全连接的神经网络层产生对它们看到的局面判断。这些层能够做分类和逻辑推理。

这些网络通过反复训练来检查结果，再去校对调整参数，去让下次执行更好。这个处理器有大量的随机性元素，所以人们是不可能精确知道网络是如何“思考”的，但更多的训练后能让它进化到更好。

第一大脑：落子选择器 （Move Picker）

阿尔法围棋（AlphaGo）的第一个神经网络大脑是“监督学习的策略网络（Policy Network）” ，观察棋盘布局企图找到最佳的下一步。事实上，它预测每一个合法下一步的最佳概率，那么最前面猜测的就是那个概率最高的。这可以理解成“落子选择器”。

第二大脑：棋局评估器 （Position Evaluator）

阿尔法围棋（AlphaGo）的第二个大脑相对于落子选择器是回答另一个问题。不是去猜测具体下一步，它预测每一个棋手赢棋的可能，在给定棋子位置情况下。这“局面评估器”就是“价值网络（Value Network）”，通过整体局面判断来辅助落子选择器。这个判断仅仅是大概的，但对于阅读速度提高很有帮助。通过分类潜在的未来局面的“好”与“坏”，AlphaGo能够决定是否通过特殊变种去深入阅读。如果局面评估器说这个特殊变种不行，那么AI就跳过阅读在这一条线上的任何更多落子。[2-6]

主要成绩

研究者让“阿尔法围棋”和其他的围棋人工智能机器人进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵CrazyStone、Zen和Pachi三个先进的人工智能机器人，胜率分别是77%、86%和99%。

据国际顶尖期刊《自然》封面文章报道，谷歌研究者开发的名为“阿尔法围棋”（Alpha Go）的人工智能机器人，在没有任何让子的情况下，以5:0完胜欧洲围棋冠军、职业二段选手樊麾。在围棋人工智能领域，实现了一次史无前例的突破。计算机程序能在不让子的情况下，在完整的围棋游戏中击败专业选手，这是第一次。

阿尔法围棋程序的下一个挑战对象是世界围棋冠军李世石。这场人工智能与人类的博弈于2016年3月9日在首尔举行，奖金是由Google提供的100万美金。

第一个战胜围棋世界冠军的人工智能程序是阿尔法狗。在韩国首尔举行的2016围棋人机大战中，阿尔法狗战胜了韩国名手李世石。

AlphaGo程序是美国谷歌公司旗下DeepMind团队开发的一款人机对弈的围棋程序，被中国棋迷们戏称为阿尔法狗。游戏是人工智能最初开发的主要阵地之一，比如博弈游戏就要求人工智能更聪明、更灵活，用更接近人类的思考方式解决问题。

扩展资料：

AlphaGo通过蒙特卡洛树搜索算法和两个深度神经网络合作来完成下棋。在与李世石对阵之前，谷歌首先用人类对弈的近3000万种走法来训练“阿尔法狗”的神经网络，让它学会预测人类专业棋手怎么落子。

然后更进一步，让AlphaGo自己跟自己下棋，从而又产生规模庞大的全新的棋谱。谷歌工程师曾宣称AlphaGo每天可以尝试百万量级的走法。

参考资料来源：人民网——“阿尔法狗”为什么厉害

---