世界杯点球|2014世界杯德国队阵容|1337个性档案里的世界杯独特视角|1337profile.com

2015 年深秋 • 深度学习 + 监督学习 ‑ AlphaGo 以 5:0 拿下欧洲冠军樊麾，首次在无让子正式赛中击败职业棋手，宣告“围棋堡垒”出现裂缝。

2016 年早春（3 月 9–15 日） • 深度学习 + 蒙特卡洛树搜索（MCTS） ‑ 与韩国李世石鏖战五局，4:1 胜出；李世石第四局“神之一手”成为人类最后的倔强，全球两亿观众见证历史。

2016 年冬末至 2017 年元旦 • 强化学习自我对弈雏形 ‑ 化名“Master”上线，60:0 横扫中韩日顶尖棋手快棋，人类心理防线彻底瓦解。

2017 年端午（5 月 23–27 日） • 策略-价值网络 + 分布式 MCTS ‑ 乌镇 3:0 击败世界排名第一的柯洁；柯洁泪洒现场，赛后 AlphaGo 宣布退役。

2017 年深秋 • 纯强化学习（无人类棋谱） ‑ AlphaGo Zero 论文发布：仅用 4 个 TPU、自我对弈 3 天，以 100:0 击溃所有前辈版本，实现“从零到封神”。

11.1万2715

01:30:29

【纪录片】阿尔法狗【双语特效字幕】【纪录片之家科技控】

纪录片之家字幕组· 2019-10-23

时间线的故事结束，来补点名词解释：

用一句话定义 + 一句话比喻 + 一句话应用场景，让你秒懂它们各自在 AlphaGo 里的角色。

1. 监督学习 • 定义：用大量“人类高手棋谱”作为正确答案，训练网络去模仿下一步落子。 • 比喻：老师手把手教你背棋谱，先学会“像人类”下棋。 • 场景：AlphaGo 早期策略网络的“启蒙教材”。

2. MCTS（蒙特卡洛树搜索） • 定义：在庞大的决策树里用随机模拟快速估算每条分支的胜率，挑胜率最高的走法。 • 比喻：闭着眼睛快速下完一万盘“假设局”，统计哪一步赢得多。 • 场景：AlphaGo 每下一步前，用 MCTS 把“深度学习预测”变成可解释、可控的搜索过程。

3. 强化学习 • 定义：不给标准答案，只给“输赢奖励”，让智能体自己摸索策略。 • 比喻：把狗放进迷宫，走到终点给骨头，狗会越跑越聪明。 • 场景：AlphaGo Zero 完全放弃人类棋谱，就靠输赢信号自学。

4. 策略-价值网络 • 定义：两个神经网络合体——策略网络输出“下一步落子概率”，价值网络输出“当前局面胜率”。 • 比喻：策略网络像“直觉”，价值网络像“大局观”。 • 场景：AlphaGo 用它们给 MCTS 提供“先验直觉”和“局面评估”。

5. 分布式 MCTS • 定义：把一次树搜索拆成成千上万份，放到多台机器 / 多块 GPU 并行模拟，再汇总结果。 • 比喻：1 个人想 1 万盘太慢，让 1 万人同时各想 100 盘，然后投票。 • 场景：正式比赛时，AlphaGo 背后 40-50 块 TPU 并行做分布式 MCTS，保证 2 秒内给出高质量落子。

6. 纯强化学习（无人类棋谱） • 定义：只给棋盘规则与最终输赢信号，完全从零开始自我对弈，自己发现围棋真理。 • 比喻：不给任何教材，让 AI 自己跟自己下一百万盘，结果比人类所有老师加起来还强。 • 场景：AlphaGo Zero 与之后的 AlphaZero 系列，彻底摆脱人类经验，甚至走出人类从未见过的定式。