1、Alphago 简介
2015年10月阿尔法围棋以5:0完胜欧洲围棋冠军、职业二段选手樊麾；2016年3月对战世界围棋冠军、职业九段选手李世石，并以4:1的总比分获胜后而风靡全世界。
2、Alphago 工作原理
AlphaGo主要工作原理是“深度学习”：包含离线学习和在线对弈两个过程。
>>>> 离线学习
离线学习过程分为三个训练阶段。
1) 第一阶段：利用3万多幅专业棋手对局的棋谱来训练两个网络。
一个是基于全局特征和深度卷积网络(CNN)训练出来的策略网络(Policy Network)，其主要作用是给定当前盘面状态作为输入，输出下一步棋在棋盘其它空地上的落子概率。
另一个是利用局部特征和线性模型训练出来的快速走棋策略(Rollout Policy)。
策略网络速度较慢，但精度较高；快速走棋策略反之。
2) 第二阶段：通过自我对弈增强学习，最终得到增强的策略网络。
3) 第三阶段：利用增强的策略网络来完成后面的自我对弈过程，直至棋局结束分出胜负。此后，以当前盘面作为特征输入，胜负作为label，学习一个价值网络(Value Network)，用于判断结果的输赢概率。
通过大量的自我对弈，AlphaGo产生了3000万盘棋局，用作训练价值网络。
>>>> 在线对弈
在线对弈过程包括以下5个关键步骤：其核心思想是在蒙特卡洛搜索树(MCTS)中嵌入深度神经网络来减少搜索空间。
1) 根据当前盘面已经落子的情况提取相应特征。
2) 利用策略网络估计出棋盘其它空地的落子概率。
3) 根据落子概率来计算此处往下发展的权重，初始值为落子概率本身(如0.18)。实际情况可能是一个以概率值为输入的函数，此处为了理解简便。
4) 利用价值网络和快速走棋网络分别判断局势，两个局势得分相加为此处最后走棋获胜的得分。
这里使用快速走棋策略从被判断的位置出发，快速行棋至最后(自我对弈)，每一次行棋结束后都会有个输赢结果，然后综合统计这个节点对应的胜率。
价值网络只要根据当前的状态便可直接评估出最后的结果。两者各有优缺点、互补。
5) 利用第四步计算的得分来更新之前那个走棋位置的权重(如从0.18变成了0.12)；此后，从权重最大的0.15那条边开始继续搜索和更新。
3、AlphaGo对测试的启发
测试与围棋有众多相似之处，很多原理与AlphaGo相似相通。AlphaGo对作者在测试方面的启发有很多，但是主要是以下两点:
>>>> 深度学习
深度学习是近年机器学习领域的重大突破，有着广泛的应用前景特别是在人工智能领域。近年来在语音识别、图像识别等领域均取得了突破性进展。
AlphaGo是基于3万多幅专业棋手对局的棋谱来训练策略网络和快速走棋网络，并且通过深度学习以及大量的自我对弈去增强策略网络，而且产生3000万盘棋局以创建价值网络。
因此这里的深度学习的基本概念是：在理解基本知识的基础上学习者能够批判的学习新的思想和事实，并把它们融入原有的认知结构中，能在众多思想中进行联系，并能将已有的知识迁移到新的情景中去，并作出决策和解决问题的学习。它鼓励学习者积极地探索、反思和创造，而不是反复的记忆。
>>>> 对弈过程中对落棋精度和速度的平衡
策略网络速度较慢，但精度较高；快速走棋策略反之，效率高但是精度偏低。AlphaGo正是充分利用两者的互补性，在精度和速度之间找到一种平衡，保证赢棋的情况下尽快下棋。
测试也是类似。测试过程中需要对测试质量，测试时间和测试成本进行一定平衡，以便最大限度地发挥测试的价值.
