AlphaGo（“Go”爲日文“碁”字發音轉寫，是圍棋的西方名稱），直譯爲阿爾法圍棋，在英語不流通的華語社會亦被音譯爲阿爾法狗、阿法狗、阿發狗等，是於2014年開始由英國倫敦Google DeepMind開發的人工智能圍棋軟體。2017年，關於AlphaGo的電影紀錄片《AlphaGo世紀對決》正式上映。 專業術語上來說，AlphaGo的做法是使用了蒙特卡洛樹搜索與兩個深度神經網路相結合的方法，一個是以藉助估值網絡（value network）來評估大量的選點，一個是藉助走棋網絡（policy network）來選擇落子，並使用強化學習進一步改善它。在這種設計下，電腦可以結合樹狀圖的長遠推斷，又可像人類的大腦一樣自發學習進行直覺訓練，以提高下棋實力。
歷史
一般認爲，電腦要在圍棋中取勝比在國際象棋等遊戲中取勝要困難得多，因爲圍棋的下棋點極多，分支因子遠多於其他遊戲，而且每次落子對情勢的好壞飄忽不定， 諸如暴力搜尋法、Alpha-beta剪枝、啓發式搜索的傳統人工智能方法在圍棋中很難奏效。在1997年IBM的電腦「深藍」擊敗俄籍世界國際象棋冠軍加里·卡斯帕羅夫之後，經過18年的發展，棋力最高的人工智能圍棋程序才大約達到業餘5段圍棋棋手的水準，且在不讓子的情況下，仍無法擊敗職業棋手。2012年，在4臺PC上運行的Zen程序在讓5子和讓4子的情況下兩次擊敗日籍九段棋士武宮正樹。2013年，Crazy Stone在讓4子的情況下擊敗日籍九段棋士石田芳夫，這樣偶爾出現的戰果就已經是難得的結果了。 AlphaGo的研究計劃於2014年啟動，此後和之前的圍棋程序相比表現出顯著提升。在和Crazy Stone和Zen等其他圍棋程序的500局比賽中，單機版AlphaGo（運行於一臺電腦上）僅輸一局。而在其後的對局中，分佈式版AlphaGo（以分散式運算運行於多臺電腦上）在500局比賽中全部獲勝，且對抗運行在單機上的AlphaGo約有77%的勝率。2015年10月的分散式運算版本AlphaGo使用了1,202塊CPU及176塊GPU。
2015年10月，AlphaGo擊敗樊麾，成爲第一個無需讓子即可在19路棋盤上擊敗圍棋職業棋士的電腦圍棋程序，寫下了歷史，並於2016年1月發表在知名期刊《自然》。 2016年3月，透過自我對弈數以萬計盤進行練習強化，AlphaGo在一場五番棋比賽中4:1擊敗頂尖職業棋手李世石，成爲第一個不借助讓子而擊敗圍棋職業九段棋士的電腦圍棋程序，立下了里程碑。五局賽後韓國棋院授予AlphaGo有史以來第一位名譽職業九段。 2016年7月18日，因柯潔那段時間狀態不佳，其在Go Ratings網站上的WHR等級分下滑，AlphaGo得以在Go Ratings網站的排名中位列世界第一，但幾天之後，柯潔便又反超了AlphaGo。2017年2月初，Go Ratings網站刪除了AlphaGo、DeepZenGo等圍棋人工智能在該網站上的所有信息。 2016年12月29日至2017年1月4日，再度強化的AlphaGo以「Master」為帳號名稱，在未公開其真實身分的情況下，借非正式的網路快棋對戰進行測試，挑戰中韓日臺的一流高手，測試結束時60戰全勝。 2017年5月23至27日在烏鎮圍棋峯會上，最新的強化版AlphaGo和當時世界第一的棋士柯潔比試、並配合八段棋士協同作戰與對決五位頂尖九段棋士等五場比賽，取得三比零全勝的戰績，團隊戰與組隊戰也全勝，此次AlphaGo利用谷歌TPU執行，加上快速進化的機器學習法，運算資源消耗僅李世石版本的十分之一。在與柯潔的比賽結束後，中國圍棋協會授予AlphaGo職業圍棋九段的稱號。 AlphaGo在沒有人類對手後，AlphaGo之父傑米斯·哈薩比斯宣佈AlphaGo退役。而從業餘棋士的水平到世界第一，AlphaGo的棋力取得這樣的進步，僅僅花了兩年左右。 最終版本AlphaZero擁有更加強大的學習能力，可自我學習，在21天達到勝過中國頂尖棋手柯潔的Alpha Go Master的水平。
對戰
deepmind名義
2014年起，AlphaGo以英國棋友deepmind的名義開始在弈城圍棋網上對弈。deepmind在2014年4月到2015年9月長達1年半的時間裏，維持在7D到8D之間，總共下了300多盤棋。2015年9月16日首次升上9D，之後在AlphaGo與樊麾對弈前後的三個月內未進行網絡對弈。2015年12月到2016年2月，deepmind一共下了136盤，基本在9D水平。其中和職業棋手的多次對局互有勝負。 黃士傑在AlphaGo與李世乭九段比賽前曾否認deepmind是AlphaGo的測試賬號，但是在AlphaGo與李世石比賽之後，DeepMind創始人哈薩比斯承認AlphaGo曾經使用deepmind賬號進行過測試。 2016年12月16日，在AlphaGo以Master身份登錄弈城圍棋網之前，黃士傑要求刪除deepmind賬號。現在deepmind的戰績和棋譜已經無法查閱。
樊麾
2015年10月，分佈式版AlphaGo分先以5:0擊敗了歐洲圍棋冠軍華裔法籍職業棋士樊麾二段 。這是電腦圍棋程序第一次在十九路棋盤且分先的情況下擊敗職業圍棋棋手。新聞發佈被推遲到2016年1月27日，和描述算法的論文一起發佈，而論文發表在《自然》上。
李世乭
2016年3月，AlphaGo挑戰世界冠軍韓國職業棋士李世乭（이세돌）九段。AlphaGo使用谷歌位於美國的雲計算服務器，並通過光纜網絡連接到韓國。比賽的地點為韓國首爾四季酒店；賽制爲五番棋，分別於2016年3月9日、10日、12日、13日和15日進行；規則爲中國圍棋規則，黑棋貼3又3/4子；用時爲每方2小時，3次1分鐘讀秒。 DeepMind團隊在YouTube上全球直播並由美籍職業棋士邁克·雷蒙（Michael Redmond）九段擔任英語解說，而中國大陸很多視頻網站也採用YouTube的直播信號進行直播，並加上自己的解說。DeepMind團隊成員臺灣業餘6段圍棋棋士黃士傑博士代表AlphaGo在棋盤上落子。 比賽獲勝者將獲得100萬美元的獎金。如果AlphaGo獲勝，獎金將捐贈給圍棋組織和慈善機構，包括聯合國兒童基金會。李世乭有15萬美元的出場費，且每贏一盤棋會再得2萬美元的獎金。 2016年3月9日、10日和12日的三局對戰均爲AlphaGo獲勝，而13日的對戰則爲李世乭獲勝，15日的最終局則又是AlphaGo獲勝。因此對弈結果爲AlphaGo 4:1戰勝了李世乭。這次比賽在網絡上引發了人們對此次比賽和人工智能的廣泛討論。
Master名義
2016年11月7日，樊麾在微博上表示AlphaGo的實力大增，將在2017年初進行更多比賽。DeepMind創辦人傑米斯·哈薩比斯隨後證實此消息。然而並未公佈細節。 2016年12月29日晚上七點起，中國的弈城圍棋網出現疑似人工智能圍棋軟件的圍棋高手，帳號名為“Magister”（中國大陸客戶端顯示爲“Magist”），後又改名為“Master”。2017年1月1日晚上十一點Master轉戰至騰訊旗下的野狐圍棋網。Master以其空前的實力轟動了圍棋界。它以每天十盤的速度在弈城、野狐等網絡圍棋對戰平臺挑戰中韓日臺的頂尖高手，到2017年1月4日公測結束爲止60戰全勝，其中弈城30戰野狐30戰，戰勝了柯潔、樸廷桓、井山裕太、柁嘉熹、羋昱廷、時越、陳耀燁、李欽誠、古力、常昊、唐韋星、範廷鈺、周睿羊、江維傑、黨毅飛、周俊勳、金志錫、姜東潤、朴永訓、元晟溱等世界冠軍棋手，連笑、檀嘯、孟泰齡、黃雲嵩、楊鼎新、辜梓豪、申真諝、趙漢乘、安成浚等中國或韓國國內冠軍或者世界亞軍棋手，以及世界女子第一人於之瑩。期間古力曾懸賞人民幣10萬元給第1位戰勝Master者。 Master所進行的60戰基本都是3次20秒或30秒讀秒的快棋，僅在與聶衛平交戰時考慮到聶老年紀大而延長為1分鐘，並且賽後還以繁體中文打上「謝謝聶老師」5字。該帳號於59連勝後稱「我是 AlphaGo的黃博士」，表明Master就是AlphaGo，代為落子的是AlphaGo團隊成員來自臺灣的黃士傑博士；DeepMind創始人之一傑米斯·哈薩比斯於比賽結束後在其推特上表示“我們很期待在今後（2017年）與圍棋組織和專家合作，在官方比賽中下幾盤慢棋”，黃士傑與樊麾也分別在Facebook與微博上發表官方中文譯文，表示對各國頂尖棋手參與AlphaGo的網路公測的感謝。2017年1月5日晚，中國中央電視臺《新聞聯播》以“人工智能‘阿爾法狗’橫掃圍棋高手”爲題報道了最近火爆的Master網絡快棋60連勝人類高手的事件，新聞還提到，“這次事件爲接下來的人機對決做出了很好的預熱”。 因爲人類棋手在慢棋中有更久的思考時間，所以雖然AlphaGo在網絡快棋中大獲全勝，但仍不能斷言其在官方慢棋比賽中是否也會有如此出色的表現。不過職業棋手們對AlphaGo不同於人類的獨特棋風以及它高超的棋力印象深刻，柯潔在其微博中表示“感謝Alphago最新版給我們棋界帶來的震撼”，並“略有遺憾”地稱“若不是住院，我將用上那準備了一個星期的最後一招”。
中國烏鎮圍棋峯會
2016年6月4日，在第37屆世界業餘圍棋錦標賽新聞發佈會上，國際圍棋聯盟事務總長楊俊安透露今年內AlphaGo或將挑戰中國職業棋士柯潔九段。不過DeepMind創辦人傑米斯·哈薩比斯表示目前還沒有確定AlphaGo的下一步計劃，一旦有明確的安排，會有官方聲明。 2016年12月8日，第21屆三星車險盃世界圍棋大師賽決賽過後，柯潔九段表示：「目前棋手之間的比賽眾多，我放棄了與DeepZenGo的對局。我覺得，我現在的狀態還不能打敗『阿爾法狗』（AlphaGo），今後需要更加努力。」 2017年4月10日，中國圍棋協會、Google和浙江省體育局聯合在中國棋院召開新聞發佈會，宣佈以柯潔爲首的中國棋手將和AlphaGo在5月23至27日的中國烏鎮圍棋峯會上對弈。此次對弈分爲三場比賽，首先在5月23、25和27日這三天，柯潔將與AlphaGo下三番棋，用時爲每方3小時，5次1分鐘讀秒。Google DeepMind爲本次柯潔與AlphaGo的三局比賽提供了150萬美元的勝者獎金，同時柯潔有30萬美元的出場費。 此外在5月26日，時越、羋昱廷、唐韋星、陳耀燁和周睿羊5人將進行團隊賽，他們將聯合與AlphaGo對弈，用時爲每方2小時30分鐘，3次1分鐘讀秒。同日，古力、連笑還將和AlphaGo合作進行人機配對賽，比賽將以棋手與AlphaGo合作的形式進行，用時爲每方1小時，1次1分鐘讀秒。最終，AlphaGo以3：0戰勝柯潔，並被中國圍棋協會授予職業圍棋九段稱號，不過聶衛平九段稱它的水平“至少20段”。在結束與柯潔的比賽後，Deepmind宣佈AlphaGo將“退役”，不再參加任何圍棋比賽，但將公開AlphaGo自己與自己互弈的棋譜；而在未來Deepmind將會把AlphaGo的技術運用到醫療等更廣泛的領域。
AlphaGo Zero
AlphaGo的團隊於2017年10月19日在《自然》雜誌上發表了一篇文章，介紹了AlphaGo Zero，這是一個沒有用到人類數據的版本，比以前任何擊敗人類的版本都要強大。 通過跟自己對戰，AlphaGo Zero經過3天的學習，以100:0的成績超越了AlphaGo Lee的實力，21天后達到了AlphaGo Master的水平，並在40天內超過了所有之前的版本。
版本
配置與性能
2015年10月前後的測試中，AlphaGo多次使用不同數目的CPU和GPU，以單機或分佈式模式運行。每一步棋有兩秒的思考時間。最終Elo等級分如下表：
然而AlphaGo的棋力不斷且顯著地增長。因此上表並不能代表AlphaGo其他版本的棋力。 而在AlphaGo Zero發佈之後，Deepmind表示新的算法令新版的AlphaGo比舊版的耗能量大幅下降10000至40000TDP，效能大幅提升。
配置與棋力
在2016年1月27日，Research at Google發布了有關新版AlphaGo跟其他圍棋軟件，以及樊麾二段的對比如下：
在2017年5月24日，DeepMind團隊證實了在烏鎮圍棋峯會上，所使用的AlphaGo版本是Master，並公佈了AlphaGo曾經公開對弈過的版本以及和其他圍棋軟件比較的圖表。其中，新版的AlphaGo Master能讓AlphaGo Lee（跟李世乭對戰的版本）三子。兩個版本的AlphaGo自我生成的Elo等級分分別在4750和3750分附近，與柯潔九段在5月23日的3620分（非官方排名系統所統計的）相差約130到1130分之多。然而，職業棋士樊麾二段替AlphaGo團隊的首席研究員大衛·席爾瓦澄清：“當AlphaGo與從未對弈過的人類棋手對局時，這樣的優勢就不復存在了，尤其是柯潔這樣的圍棋大師，他可能幫助我們發現AlphaGo未曾展露的新弱點”。
算法
AlphaGo使用蒙特卡洛樹搜索（Monte Carlo tree search），藉助估值網絡（value network）與走棋網絡（policy network）這兩種深度神經網絡，通過估值網絡來評估大量選點，並通過走棋網絡選擇落點。AlphaGo最初通過模仿人類玩家，嘗試匹配職業棋手的過往棋局，其數據庫中約含3000萬步棋着。後來它達到了一定的熟練程度，它開始和自己對弈大量棋局，使用強化學習進一步改善它。圍棋無法僅通過尋找最佳棋步來解決；遊戲一盤平均約有150步，每一步平均約有200種可選的下法，這意味着有太多需要解決的可能性。
表現評價
圍棋職業九段棋手金明完稱AlphaGo在與樊麾的對戰中，表現得「像人類一樣」。棋局裁判託比·曼寧則認爲AlphaGo的棋風「保守」。 而李世乭在中國烏鎮圍棋峯會後表示，AlphaGo的發揮非常穩定，表現完美，要想找到戰勝它的機會不能過於穩妥，“必須越亂越好，難點越多越好”。另外，柯潔在賽後覆盤表示，AlphaGo能夠非常有效率地利用場上的棋子，所走的棋子都與場上的棋子有連貫及配合，並對棋子的厚薄有獨到的理解，能把一些人類認爲厚的棋子予以打擊和殲滅。[1]（頁面存檔備份，存於互聯網檔案館）
反應
AlphaGo被譽爲人工智能研究的一項標誌性進展，在此之前，圍棋一直是機器學習領域的難題，甚至被認爲是當代技術力所不及的範疇。樊麾戰的棋局裁判託比·曼寧和國際圍棋聯盟的祕書長李夏辰都認爲將來圍棋棋手會藉助電腦來提升棋藝，從錯誤中學習。 臺灣大學電機系教授於天立認為，Google能夠成功結合深度神經網路、加強式學習和蒙地卡羅樹狀搜尋三種演算法，其成果值得喝采。他認為這種技術應該適用於一般連續性決策問題。因為AlphaGo可以在眾多可行的決策中，適當分配運算資源來探索此一決策所帶來的好處及壞處，並且可從探索中回饋修正錯誤。不過於也提到，即使AlphaGo所使用的學習模型比較具有一般性，它離真正完全通用的學習模型仍有一段距離。
類似成果
Facebook也在開發一套圍棋程序，名爲Darkforest。這套程序也是基於機器學習和樹搜索。在2016年3月舉辦的第9屆UEC杯世界電腦圍棋大會中獲得亞軍。儘管該程序在其他圍棋程序面前表現強勁，但截至2016年年初，它尚未擊敗任何職業棋手。 DeepZenGo是日本程序員尾島陽兒、加藤英樹等開發的圍棋程序，是在舊版本的Zen圍棋軟件基礎上加入了深度學習技術後開發的新版本，由日本DWANGO公司、東京大學、日本棋院提供支持，其基本原理和AlphaGo類似。在第二屆圍棋電王戰中分先以1:2不敵趙治勳九段。在2017年3月18-19日在日本舉辦的第10屆UEC杯世界電腦圍棋大會上獲得亞軍。在2017年3月21-23日的世界圍棋冠軍錦標賽上以一勝二負的成績名列第三名。在2017年3月26日的第5屆電聖戰上分先戰勝了日本的一力遼七段。目前在KGS、弈城、騰訊野狐等網絡圍棋對弈平臺上公測。 絕藝（英文名Fine Art）是中國騰訊公司的AI Lab（騰訊人工智能實驗室）開發的圍棋人工智能。在2017年3月18-19日的第10屆UEC杯世界電腦圍棋大會上奪得冠軍，並在2017年3月26日的第5屆電聖戰上分先戰勝了日本的一力遼七段。目前在騰訊野狐圍棋網絡對弈平臺上公測。 CGI 是由國立交通大學CGI（Computer Games and Intelligence）實驗室所開發的圍棋人工智能。在2017首屆世界智能圍棋公開賽8月16日於內蒙古鄂爾多斯開戰，擊敗絕藝與DeepZenGo，初賽全勝；17日總決賽中奪得亞軍。
參見
圍棋與數學 深藍 (電腦) 華生 (人工智慧程序) 電腦圍棋
參考資料
外部連結
官方網站 AlphaGo wiki（頁面存檔備份，存於互聯網檔案館） at Sensei’s Library, including links to AlphaGo games AlphaGo page（頁面存檔備份，存於互聯網檔案館）, with archive and games Estimated 2017 rating of Alpha GoAP News AlexNet Alpha-beta剪枝 AlphaFold AlphaGo (消歧义) AlphaGo Master AlphaGo Zero AlphaGo世紀對決 AlphaGo对阵柯洁 AlphaGo李世乭五番棋 AlphaGo李世石五番棋 AlphaZero Anthropic Auto-GPT BBC News BC信用卡盃世界圍棋公開賽 BERT BLOOM (语言模型) Bard Business Insider CBC News CGI (圍棋軟體) CNN CPU ChatGPT Chinchilla AI Crazy Stone DALL-E DWANGO Daily Mail Darkforest DeepMind DeepZenGo ELF OpenGo EleutherAI Facebook Flux (机器学习框架) GLOBIS杯世界新锐围棋锦标赛 GPT-1 GPT-2 GPT-3 GPT-4 GPT-J GPU GS加德士杯 Go Ratings Google Google DeepMind Google JAX Graphcore Hugging Face IBM KBS杯 KataGo Keras Korea Baduk Association LG盃世界棋王戰 LLaMA Le Monde Leela Leela Zero MIT計算機科學與人工智慧實驗室 MSN Master (围棋软件) Meta AI Midjourney Mila (研究所) MuZero NEC杯 (日本) NHK杯电视围棋淘汰赛 Nature OpenAI OpenAI Five PaLM PanSci 泛科學 PhoenixGo PyTorch Q学习 SAI (圍棋軟體) SARSA算法 Sankei News Satori Sensei’s Library Seq2Seq模型 Shibumi Softmax函数 Sohu Sora (人工智能模型) SpiNNaker Stable Diffusion Starborne S型函数 TAIDE TPU TechNews 科技新報 TensorFlow The Guardian The Independent The News Lens 關鍵評論網 Theano Transformer模型 Tromp-Taylor规则 Twitter UEC杯世界電腦圍棋大會 VentureBeat Walking on Glass WaveNet Whisper (语音识别系统) Word2vec YouTube ZDNet Π (電影) “天府杯”世界围棋职业锦标赛 “衢州烂柯杯”世界围棋公开赛 一力辽 三國圍棋擂臺賽 三星车险杯世界围棋大师赛 三连星 不圍棋 世界业余围棋锦标赛 世界围棋冠军锦标赛 世界围棋大赛 世界大学生围棋赛 东京大学 中国乌镇围棋峰会 中国围棋协会 中国围棋名人战 中国围棋天元战 中国围棋棋圣战 中国围棋甲级联赛 中国围棋等级分 中国大陆 中国嵊州王中王围棋争霸赛 中国棋院 中国流 中国电视围棋快棋赛 中國圍棋會 中央日報 (韓國) 中日围棋擂台赛 中時電子報 乌镇围棋峰会 二连星 于尔根·施密德胡伯 云计算 互联网 互联网档案馆 井山裕太 亚洲杯电视围棋快棋赛 人工智能 人工神经网络 人體圖像合成 伊恩·古德费洛 伊爾亞·蘇茨克維 俄罗斯棋联 信息几何 倡棋杯 元晟溱 光学字符识别 党毅飞 全国围棋个人赛 关西棋院 分先 分布式计算 分支因子 分散式運算 分類問題之損失函數 創：光速戰記 加里·卡斯帕罗夫 劫 (围棋) 北美围棋大师赛 十段战 十番棋 卷积 卷积神经网络 原爆之局 反向传播算法 变分自编码器 古力 古力李世乭十番棋 可微函数 可微分神经计算机 可微分编程 台灣大學 台灣棋院 吃子棋 名人 (圍棋) 名人 (小說) 启发式搜索 吳清源 吳清源 (電影) 吴恩达 周俊勳 周睿羊 唐韦星 四人围棋 四季酒店 回响状态网络 因彻吐血局 围棋 围棋与数学 围棋九品制 围棋史 围棋少年 围棋术语 围棋段位制 围棋比赛 围棋规则 国手战 (韩国围棋) 国际象棋 图神经网络 國立交通大學 國際圍棋聯盟 圍棋棋士列表 圍棋段位制 圍棋的讓子 圍棋規則比較 圍棋譜 圍棋變體 圍棋軟體 基于转换器的生成式预训练模型 多层感知器 大型语言模型 大手合 大王戰 大衛·席爾瓦 (計算機科學家) 天元战 (日本围棋) 姜东润 威孚房开杯棋王争霸赛 孟泰龄 宇宙流 安成浚 定式 富士通杯世界職業圍棋錦標賽 对抗机器学习 封手 對話程式語言模型 小林流 (圍棋) 少狼 (電視劇) 山飒 巡將圍棋 巴卡斯杯天元战 布局 布局 (围棋) 常昊 幻觉 (人工智能) 座子制 张量处理单元 张量微积分 張量微積分 强化学习 归纳偏置 当湖十局 循环神经网络 微博 憶阻器 應氏杯世界職業圍棋錦標賽 應氏規則 手写识别 手割 手筋 扩散过程 推特 收官 數位時代 文心一言 新人王戰 (日本圍棋) 新华网 新奥杯世界围棋公开赛 新布石 新浪 新浪體育 新西兰围棋会 方圓社 於之莹 日本围棋名人战 日本棋院 时越 春兰杯世界职业围棋锦标赛 暴力搜尋法 最高位战 未生 本因坊家 本因坊战 朴廷桓 朴永训 机器人控制 机器学习 李世乭 李世石 李夏辰 李钦诚 李飛飛 杨立昆 杨鼎新 杰弗里·辛顿 杰米斯·哈萨比斯 東洋證券杯世界圍棋錦標賽 柁嘉熹 柯洁 梦百合杯世界围棋公开赛 梯度下降法 棋具 棋圣战 (日本围棋) 棋待诏 棋鐘 棋魂 樊麾 模式识别 檀啸 欧洲围棋联盟 歐洲圍棋大會 正则化 (数学) 武宫正树 残差神经网络 江维杰 沃森 (人工智能程序) 法国棋联 注意力机制 流行公司 深度学习 深度神经网络 深蓝对卡斯帕罗夫 深藍 (電腦) 激活函数 热设计功耗 王位戰 王座戰 (日本圍棋) 理光杯 生成对抗网络 申真谞 电圣战 电脑围棋 百灵杯世界围棋公开赛 石头 (电影) 石田芳夫 碁所 碁盤 碁石 碁聖戰 神之一手 神經網絡 神经图灵机 神经形态工程 神经机器翻译 神经网络 等级分 约书亚·本希奥 线性整流函数 终极对弈 绝艺 统计流形 维基共享资源 美丽心灵 美国规则 美國圍棋協會 耳赤之局 聂卫平 联合国儿童基金会 聚类分析 聯合國兒童基金會 聶衛平 職業棋士 腾讯 腾讯网 臉部辨識系統 自動微分 自動駕駛汽車 自我迴歸模型 自然 (期刊) 自由時報 自编码器 艾力克斯·格雷夫斯 (計算機科學家) 芈昱廷 英国 英雄 (电影) 范廷钰 華生 (人工智慧程序) 蒙特卡洛树搜索 行动选择 衢州·烂柯杯中国围棋冠军赛 西南棋王赛 西藏圍棋 观察者网 视觉处理单元 語言模型 請回答1988 讓子 (圍棋) 计算机围棋 训练集、验证集和测试集 语音合成 语音识别 谷歌大脑 豐田杯世界圍棋王座戰 贴目 赵汉乘 赵治勋 辜梓豪 辩手项目 运算学习理论 运算科学 迴歸分析 迷你围棋 連笑 過適 道策流 邁克·雷蒙 金志锡 金明完 長短期記憶 關西棋院第一位決定戰 门控循环单元 阿含·桐山杯 阿含·桐山杯 (日本) 陈耀烨 限时 随机梯度下降 雅各布·德佐特的千秋 韓國圍棋TV杯 韓國圍棋棋聖戰 韓國最高棋士戰 韓國棋院 韩国 韩国围棋名人战 韩国围棋棋王战 韩国围棋联赛 韩国棋院 風傳媒 首爾 騰訊 骗着 麦馨杯九段最强战 黃士傑 黃龍士 黄云嵩 黄士杰 龍星戰 (中國) 龍星戰 (日本) 龍星戰 (韓國)