AlphaGo Zero：从零自我博弈、Policy–Value Network 与改进 MCTS

摘要

本文围绕“AlphaGo Zero：从零自我博弈、Policy–Value Network 与改进 MCTS”对课程 ASR 进行高密度论文式重构，并围绕 AlphaGo Zero、self-play、residual network、policy-value network、MCTS 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。

**关键词：**AlphaGo Zero；self-play；residual network；policy-value network；MCTS

1. 研究背景

计算机博弈提供了研究搜索、评价函数和决策理论的典型环境。国际象棋等传统程序长期依赖深度搜索与手工评价，而围棋的巨大分支因子和难以工程化的局面估值使这一范式遭遇瓶颈。

AlphaGo 系列的重要性在于把统计学习得到的 policy/value 与在线 tree search 组合，使离线经验成为动态搜索的先验，而不是直接替代规划。

本讲进一步聚焦AlphaGo Zero：从零自我博弈、Policy–Value Network 与改进 MCTS。正式分析首先需要明确该方法试图压缩哪一种计算复杂度、拟合哪一种统计规律或改进哪一类表示，再讨论公式和实现。只有把技术目标与评价标准绑定，才能避免把课堂示意性操作误写成普遍结论。

图 1　技术主线。 将本讲知识重构为“问题表示—核心计算—评价/决策”的依赖关系。依据课程 ASR 确认的主题和本章权威资料重新绘制。

2. 核心难点

该主题的难度不仅来自公式本身，还来自模型假设、数据/状态规模和工程资源的共同约束。结合本讲内容与一手资料，可将主要问题归纳为以下四类。

难点 1

有限训练样本只能近似真实数据分布，核心目标是泛化而非记忆训练集。

难点 2

不同模型依赖不同统计假设和归纳偏置，算法优劣必须结合数据条件评价。

难点 3

超参数选择必须与最终测试隔离，否则会造成隐性测试集过拟合。

难点 4

类别不平衡、特征尺度、缺失值和分布漂移都可能使课堂简化条件失效。

3. 主要工作与技术路线

课程原有知识可压缩为一条完整方法链路。与课堂按幻灯片顺序逐项说明不同，本文按可复现算法过程重排如下：

1. 离线训练 policy/value 模型：围绕 AlphaGo Zero 建立可验证的输入、计算与评价关系。
2. policy prior 引导 MCTS selection：围绕 self-play 建立可验证的输入、计算与评价关系。
3. 叶节点由 value/rollout 评价：围绕 residual network 建立可验证的输入、计算与评价关系。
4. backup 更新访问次数与行动价值：围绕 policy-value network 建立可验证的输入、计算与评价关系。
5. 按根节点搜索统计选择实际行动：围绕 MCTS 建立可验证的输入、计算与评价关系。

这些步骤共同回答三个问题：候选对象如何表示；核心计算如何改变或评价它；最终结果在什么条件下可以被视为有效。后续章节的公式、图表和实验均围绕这条链路展开。

4. 概念与形式化

AlphaGo Zero 联合训练目标

$L=(z-v)^2-\boldsymbol{\pi}^{\top}\log\mathbf{p}+c\lVert\theta\rVert^2$

MCTS 访问分布 $\pi$ 监督 policy head，终局结果 $z$ 监督 value head。

核心对象	正式技术含义	关联形式化
AlphaGo Zero	AlphaGo Zero 去除专家棋谱、人工棋形特征和独立 rollout policy，用单一 residual policy–value network 与 MCTS 从随机策略开始自我博弈学习。它把原始 AlphaGo 的多阶段系统简化为更闭环的 policy iteration 风格过程。	AlphaGo Zero 联合训练目标
self-play	Self-play 让模型与自身或历史版本交互生成训练数据，使数据分布随着策略能力自动提升。它减少对人工标注行动的依赖，但仍需要良好的探索、训练稳定性和博弈规则模拟。	AlphaGo Zero 联合训练目标
residual network	Residual Network 由大量残差块堆叠。AlphaGo Zero 使用 residual tower 同时支撑 policy/value heads，比原始 AlphaGo 的多网络结构更统一。	AlphaGo Zero 联合训练目标
policy-value network	Policy–Value Network 共享主干表示并同时输出行动概率和状态价值。AlphaGo Zero 使用 MCTS 生成更强 policy target，再把搜索结果反向用于训练网络。	AlphaGo Zero 联合训练目标
MCTS	Monte Carlo Tree Search（MCTS）不要求固定深度评价函数，而是通过 Selection、Expansion、Simulation/Evaluation、Backup 反复更新树统计。它在巨大分支空间中根据采样证据逐步分配计算资源。	AlphaGo Zero 联合训练目标

图 2　核心对象之间的功能关系。 图示说明表示、计算机制与评价之间的依赖，不复刻课程 PPT。

5. 核心技术机制

1. AlphaGo Zero

AlphaGo Zero 去除专家棋谱、人工棋形特征和独立 rollout policy，用单一 residual policy–value network 与 MCTS 从随机策略开始自我博弈学习。它把原始 AlphaGo 的多阶段系统简化为更闭环的 policy iteration 风格过程。

2. self-play

Self-play 让模型与自身或历史版本交互生成训练数据，使数据分布随着策略能力自动提升。它减少对人工标注行动的依赖，但仍需要良好的探索、训练稳定性和博弈规则模拟。

3. residual network

Residual Network 由大量残差块堆叠。AlphaGo Zero 使用 residual tower 同时支撑 policy/value heads，比原始 AlphaGo 的多网络结构更统一。

4. policy-value network

Policy–Value Network 共享主干表示并同时输出行动概率和状态价值。AlphaGo Zero 使用 MCTS 生成更强 policy target，再把搜索结果反向用于训练网络。

5. MCTS

Monte Carlo Tree Search（MCTS）不要求固定深度评价函数，而是通过 Selection、Expansion、Simulation/Evaluation、Backup 反复更新树统计。它在巨大分支空间中根据采样证据逐步分配计算资源。

方法流程

将核心概念放回执行过程后，可以得到下表。正式算法描述必须同时给出状态更新、评价标准与终止条件，而不能只记录操作顺序。

阶段	处理步骤	主要技术对象
1	离线训练 policy/value 模型	AlphaGo Zero
2	policy prior 引导 MCTS selection	self-play
3	叶节点由 value/rollout 评价	residual network
4	backup 更新访问次数与行动价值	policy-value network
5	按根节点搜索统计选择实际行动	MCTS

相关对象的功能比较

对象	定义	使用边界
AlphaGo Zero	AlphaGo Zero 去除专家棋谱、人工棋形特征和独立 rollout policy，用单一 residual policy–value network 与 MCTS 从随机策略开始自我博弈学习。它把原始 AlphaGo 的多阶段系统简化为更闭环的 policy iteration 风格过程。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
self-play	Self-play 让模型与自身或历史版本交互生成训练数据，使数据分布随着策略能力自动提升。它减少对人工标注行动的依赖，但仍需要良好的探索、训练稳定性和博弈规则模拟。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
residual network	Residual Network 由大量残差块堆叠。AlphaGo Zero 使用 residual tower 同时支撑 policy/value heads，比原始 AlphaGo 的多网络结构更统一。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
policy-value network	Policy–Value Network 共享主干表示并同时输出行动概率和状态价值。AlphaGo Zero 使用 MCTS 生成更强 policy target，再把搜索结果反向用于训练网络。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
MCTS	Monte Carlo Tree Search（MCTS）不要求固定深度评价函数，而是通过 Selection、Expansion、Simulation/Evaluation、Backup 反复更新树统计。它在巨大分支空间中根据采样证据逐步分配计算资源。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。

6. 性质、实验与证据

方法边界

任何算法描述都应明确输入、输出、目标函数、假设和失败模式。本文以这些稳定结构组织课程内容，并把依赖版本或时代的工程细节单独标注。

对于具有明确理论条件的算法，本节优先说明正确性、最优性、收敛性或复杂度的前提；对于以实验建立有效性的学习模型，则区分训练指标、验证指标、消融实验和最终任务结果。任何数值都应绑定数据集、模型版本、硬件或搜索预算，不能脱离实验条件泛化。

7. 课程主线与事实核查

课程知识主线。 根据原 ASR，可以确认本讲的教学主线集中在 AlphaGo Zero、self-play、residual network、policy-value network、MCTS 及其相互关系。课程中的逐图指点、重复设问、口头自我修正和非技术性铺垫均已删除；保留下来的知识被重排为“问题定义—形式化—算法/模型机制—评价—边界”的书面结构。

外部扩充边界。 外部检索材料只用于补充标准定义、原始论文结果、算法成立条件和后续技术发展；它们不会被反向写成讲师原本展示过的 PPT 参数。对纯 ASR 无法唯一恢复的图中数字、箭头和公式局部符号，正文只保留能够由上下文与权威资料共同确认的技术关系。

8. 局限与实践边界

任何课程级算法都存在适用条件。工程使用时必须重新检查数据或状态分布、目标函数、计算预算和评价协议，而不是机械复制示例超参数。随机方法应报告随机种子、重复试验与预算；学习模型应严格区分训练、验证和测试；搜索算法应明确最优性前提、重复状态处理和资源上限。

本讲涉及的核心对象之间通常存在明确折衷：更强的表示或估值可能增加计算成本，更激进的剪枝或近似可能损失保证，更复杂的模型可能需要更多数据和正则化。正式结论因此应表述为“在给定假设和评价条件下有效”，而不是无条件优于其他方法。

9. 展望

AlphaGo 之后的重要方向是减少人工特征和专家数据、统一 policy/value 网络并扩大 self-play。AlphaGo Zero、AlphaZero 以及后续学习模型规划方法展示了从专用棋类系统向更一般决策学习框架的迁移。

后续技术是否构成真正改进，应使用与当前方法可比的基准、预算和评价协议验证。对于快速演进的软件或模型版本，正文只把稳定原理写入主结论，把易变化的工程参数视为版本性信息。

10. 结论

“AlphaGo Zero：从零自我博弈、Policy–Value Network 与改进 MCTS”应被理解为由AlphaGo Zero、self-play、residual network、policy-value network、MCTS共同构成的完整技术问题，而不是若干课堂操作的顺序记录。论文式说明必须同时回答方法解决什么问题、基于何种假设、如何计算、怎样评价以及在哪些条件下可能失效。经过 ASR 主线提取、英文一手资料检索和事实核查后，本章将原有口语课程转换为可独立阅读、可追溯来源且信息密度更高的正式技术文本。

参考文献与核查来源

1. Silver et al. (2016). Mastering the Game of Go with Deep Neural Networks and Tree Search. source.
2. Google DeepMind. AlphaGo — official research page. source.
3. Silver et al. (2017). Mastering the Game of Go without Human Knowledge. source.
4. Stanford CS221. Adversarial Search / games materials. source.

生成流程：ASR 知识主线提取 → 论文式重构 → 英文一手资料检索与交叉核验 → 技术扩充 → SVG/表格/MathJax 排版。正文采用 UTF-8。MathJax 通过 CDN 加载；无网络时 LaTeX 源码仍保留，但完整数学排版需要可访问 MathJax。