Программирование Го

Забавна обратная ситуация с шахматами - в шахматах комп был изначально силен в тактике и ему по мере развития программ подтягивали позиционную игру. В Го наоборот - изначально хорошо с позиционной игрой(как я понял из комментов это не только AlphaGo это и для других движков характерно), а подтягивать пришлось тактику.

В Го, в отличии от шахмат, нет форсированных вариантов (точнее, они очень редки, т.к. почти всегда есть выбор - ответить на угрозу или сыграть в другом месте), поэтому не всегда очевидно что считать "тактикой".

Если кому интересно https://github.com/Rochester-NRT/AlphaGo
Ну и более развернуто о том как это все работает https://habrahabr.ru/post/279071/

Оптимистично, но по крайней мере покажет, что в АльфаГо важнее - идея или реализация+мощности (программистские и вычислительные) гугла. Хочется верить что первое, но почти уверен, что второе.

Да, второе. Трудно поверить что настолько математически неэстетичный алгоритм как нейронная сеть может сам по себе решить трудную задачу. Плюс у Гугла в целом бульдозерный подход к решению задач.

Такой математически неэстетичный алгоритм, как нейронная сеть, в той или иной форме, написал это сообщение

Вот нарыл интересную вещь http://pjreddie.com/darknet/darkgo-go-in-darknet/

Сегодня проводится матч между человеком и машиной по японским шахматам - "сёги". Сейчас смотрю его по одному японскому каналу.

В отличие от недавнего матча Ли Седоля с АльфаГо смотреть интереснее, так как программа выводит свою оценку, и для профанов вроде меня это гораздо нагляднее. Даже если компьютер ошибается. Сейчас машина оценивает позицию в свою пользу, примерно в одну пешку:

Только что закончилась вторая, и последняя партия этого матча. Машина запущенная на обычном ПК, снова обыграла в японские шахматы (сёги) человека - номера 14 в японском, и соответственно мировом рейтинге. Общий счет матча 2-0. Хотя лучший игрок ещё не вступал в противоборство с лучшей программой, в данном виде шахмат проги, по-видимому, уже года 4 как играют не хуже "самого-самого".

В узких задачах , типа логических игр, каких-то экспертных направлениях, запоминании информации, компьютер справляется с задачами лучше человека. Однако более комплексные направления - common sense reasoning (здравый смысл), программирование, компьютеры пока не продвинулись. Пока не будет мощного ИИ вряд ли в этих направлениях будет что-то новое. Но если действительно смогут сделать мощный ИИ (искусственный интеллект), то последствия будут непредсказуемыми.

В чистой математике компьютер никогда не превзойдет человека.

"Никогда"- это сколько? 100 лет? 200 лет? Или "никогда-никогда"?

Никогда это никогда.
Сейчас у нас период "пост-модерна". Все опошляется, но в этом есть глубокий смысл. Опошляется ровно до уровня понимания большинства. В последний период "модерна" (условно 50-80e годы) как это и положено произошел отрыв. В математике, в частности, очень большой отрыв. Сейчас перерыв, на коне инженер, популярны нейронные сети и прочие бульдозерные методы. Тут и искусственный интеллект, куда же без него.

В каком смысле отрыв? Нейро-сети развиваются, как один из способов решения разных задач, которые другим способом не получается решить. Другого способа создавать мощный ИИ особенно не видно. Но лет через 100, есть шансы, что ИИ будет создан .Я думаю, процентов 85 - 15 что не будет создан за этот период.

Как компьютер научили играть в го?

Хотел написать статью по истории компьютерного го, но не знаю, состоится ли она когда-нибудь. Поэтому, чтобы не пропали некоторые материалы, выложу их здесь.

Ниже представлены график и таблица прогресса программ го в историческом разрезе. Обращает на себя внимание, насколько же, в отличие например от шахмат, прогресс в го зависел от технологий.

График немного условный, так как фору/даны нельзя считать точным эквивалентом рейтингов. Но пересчитать их не так-то просто, а максимум что изменится, лишь наклон некоторых линий.



Примечания:

Примечания​

Значения рейтингов, указанные на графике, опираются на некоторые принципы рейтинга РФГ и нормативов ЕВСК. Для упрощения принято, что каждые 100 пунктов соответствуют одному кю/дан традиционной шкалы.

Условно, можно считать, что 1-й профессиональный дан соответствует норме гроссмейстера или МСМК (2800 пунктов на графике), 1-й любительский дан - норме КМС (2100), 3-й кю - 1-му разряду (1800), 7-й кю - 2-му разряду (1400), 11-й кю - 3-му разряду (1000).

Сила движков в основном определялась по результатам их игр на сервер КГС (с понижением на один кю/дан, так как большинство рейтингов получены в блиц). Поправки на производительность компьютеров не производились.

Основные источники и ключевые документы​

Обзорные ссылки:
1. History of Go-playing Programs
2. A 'Brief' History of Game AI Up To AlphaGo, Part 3
3. Сomputer-go.info
4. KGS Bot Ratings
5. Архивы сервера KGS

"Классический" период:
1. Zobrist. A Model of Visual Organisation for the Game of Go. 1969
2. Marsland. Computers, Chess, and Cognition. 1990
3. Burmeister, Wiles. Computer Go publications. 2000
4. Bouzy. Computer Go: an AI Oriented Survey. 2001
5. Muller. Computer Go. 2002
6. Bouzy. Monte-Carlo Tree Search for computer Go. 2007, 2011

Метод Монте-Карло:
1. Brugmann. Monte Carlo Go. 1993
2. indigo 2003
3. Coulom. Selectivity and Backup Operators in Monte-Carlo Tree Search. 2006
4. Kocsis. Bandit based Monte-Carlo Planning. 2006
5. Gelly. Modification of UCT with Patterns in Monte-Carlo Go. 2006
6. Coulom. Computing Elo Ratings of Move Patterns in the Game of Go. 2007
7. Coulom. The Monte-Carlo Revolution in Go. 2009
8. Gelly. Monte-Carlo Tree Search and Rapid Action Value Estimation in Computer Go. 2011
9. Метод Монте-Карло для поиска в дереве
10. Shotwell. Super Computer Go: Interviews with the Authors of CrazyStone, MoGo and Many Faces of Go. Appendix I. Appendix II. 2011
11. Browne. A Survey of Monte Carlo Tree Search Methods. 2012

Нейросети:
1. Enzenberger. The Integration of APriori Knowledge in to a Go Playing Neural Network. 1996
2. Enzenberger. Evaluation in Go by a Neural Network using Soft Segmentation. 2003
3. Clark. Deep Go. 2014
4. Maddison. Move Evaluation in Go Using Deep Convolutional Neural Networks. 2014
5. Silver. Mastering the Game of Go with Deep Neural Networks and Tree Search. 2016

Дмитрий Кряквин в статье о матче Каспарова с Дип блю 1997 написал, что Ли Седоль это — не Карлсен в современном Го, а примерно Аронян.
А кто из игроков Го — номер один сейчас, как Карлсен в шахматах?

Я не совсем согласен с этим. Тактика бывает как минимум двух видов, которые нельзя смешивать. Во-первых, это комбинационный удар, который приводит к ясному перевесу. И который можно посчитать. Во-вторых, это несбалансированная позиция без ориентиров. На каждом ходу есть 5-6 заслуживающих внимания продолжений, из которых надо сделать выбор. В шахматах компьютеры были достаточно сильны именно в тактике первого вида. Если брать второй вид, то даже партии Бронштейна против Deep Blue, где он часто переигрывал комп в позициях второго типа показывают, что компьютер был в них как минимум не безукоризненным.

То же самое в го. На заре были партии против игроков с девятью камнями форы, где человек просчитывался в статусе группы (тактика первого вида). А приведённый пример показывает, что тактика второго вида бывает очень сложна, и не факт что оценка этой позиции не поменяется.

А на каком языке пишите движок ?

Лучший игрок в го Кэ Цзе из Китая проиграл компьютерной программе AlphaGo две партии из трех.
http://www.bbc.com/russian/news-40042685

Ссылку на эфир дадите здесь?

Какая боль, какая боль — AlphaGo vs Ке Цзе — 3:0
А Морозевич на эфир не пришел — в общем, полный коллапс ...

Программа AlphaGo разгромила сильнейшего игрока в го. Разработчики заявили, что это был ее последний матч
https://meduza.io/news/2017/05/27/p...hiki-zayavili-chto-eto-byl-ee-posledniy-match

Её бы в шахматы научить. Может быть и тут открылось много нового.