计算机是如何学会下棋的 / 第 02 门课程

AlphaGo 中的策略梯度强化学习与自我博弈

本文围绕“AlphaGo 中的策略梯度强化学习与自我博弈”对课程 ASR 进行高密度论文式重构，并围绕 policy gradient、REINFORCE、self-play、RL policy 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。

AI 课程 · 论文式讲义 · 计算机是如何学会下棋的 知识库文章

摘要

本文围绕“AlphaGo 中的策略梯度强化学习与自我博弈”对课程 ASR 进行高密度论文式重构，并围绕 policy gradient、REINFORCE、self-play、RL policy 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：**policy gradient；REINFORCE；self-play；RL policy

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 中的策略梯度强化学习与自我博弈。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。

AlphaGo 中的策略梯度强化学习与自我博弈 技术流程图

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

行动会改变后续数据分布，因此训练样本并非固定独立同分布。

难点 2

长期奖励产生信用分配问题，Monte Carlo 与 bootstrap 在偏差/方差间权衡。

难点 3

策略更新过大可能导致性能突然退化，需要控制分布漂移。

难点 4

探索、奖励设计和离线评估都是实际系统稳定性的关键。

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. 定义 MDP、策略和长期回报：围绕 policy gradient 建立可验证的输入、计算与评价关系。
  2. 采样轨迹或批次数据：围绕 REINFORCE 建立可验证的输入、计算与评价关系。
  3. 估计 return/value/advantage：围绕 self-play 建立可验证的输入、计算与评价关系。
  4. 按策略梯度或近端目标更新：围绕 RL policy 建立可验证的输入、计算与评价关系。
  5. 重新采样并持续评估策略：围绕 RL policy 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

策略梯度

∇θJ(θ)=E[∇θlog⁡πθ(at∣st) Gt]\nabla_\theta J(\theta)=\mathbb{E}\left[\nabla_\theta\log\pi_\theta(a_t\mid s_t)\,G_t\right]

REINFORCE 用采样回报构造无偏但高方差的梯度估计。

核心对象正式技术含义关联形式化
policy gradientPolicy Gradient 直接优化参数化策略的期望回报，不需要对环境转移求导。其主要困难是采样成本和梯度方差，因此实践中通常使用 baseline、advantage estimation 和 actor–critic。策略梯度
REINFORCEREINFORCE 是经典 Monte Carlo policy-gradient 方法，用完整采样回报乘以 log-policy gradient 更新参数。它无需价值模型但梯度方差通常较高。策略梯度
self-playSelf-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。策略梯度
RL policyRL Policy 是通过强化学习直接针对终局回报优化的策略。AlphaGo 中它由 SL policy 初始化，再通过 self-play policy gradient 提升棋力。策略梯度

核心概念关系图

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. policy gradient

Policy Gradient 直接优化参数化策略的期望回报，不需要对环境转移求导。其主要困难是采样成本和梯度方差，因此实践中通常使用 baseline、advantage estimation 和 actor–critic。

2. REINFORCE

REINFORCE 是经典 Monte Carlo policy-gradient 方法，用完整采样回报乘以 log-policy gradient 更新参数。它无需价值模型但梯度方差通常较高。

3. 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。

4. RL policy

RL Policy 是通过强化学习直接针对终局回报优化的策略。AlphaGo 中它由 SL policy 初始化，再通过 self-play policy gradient 提升棋力。

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定义 MDP、策略和长期回报policy gradient
2采样轨迹或批次数据REINFORCE
3估计 return/value/advantageself-play
4按策略梯度或近端目标更新RL policy
5重新采样并持续评估策略RL policy

相关对象的功能比较

对象定义使用边界
policy gradientPolicy Gradient 直接优化参数化策略的期望回报，不需要对环境转移求导。其主要困难是采样成本和梯度方差，因此实践中通常使用 baseline、advantage estimation 和 actor–critic。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。
REINFORCEREINFORCE 是经典 Monte Carlo policy-gradient 方法，用完整采样回报乘以 log-policy gradient 更新参数。它无需价值模型但梯度方差通常较高。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-playSelf-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。
RL policyRL Policy 是通过强化学习直接针对终局回报优化的策略。AlphaGo 中它由 SL policy 初始化，再通过 self-play policy gradient 提升棋力。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

采样分布与稳定性

强化学习更新使用由当前/旧策略生成的数据，策略变化会同时改变训练数据分布。Actor–Critic、PPO 和 KL regularization 都可视为控制估计方差或限制分布漂移的机制。

奖励与目标错配

优化器只会提高被形式化的 reward/代理目标。若 reward model 不能完整表达人类偏好，策略可能利用代理缺陷。因此 RLHF 的关键不仅是 PPO，还包括偏好数据质量、奖励模型泛化和对策略偏移的约束。

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 policy gradient、REINFORCE、self-play、RL policy 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 中的策略梯度强化学习与自我博弈”应被理解为由policy gradient、REINFORCE、self-play、RL policy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。