一句话导读
首个击败人类围棋冠军的AI，震撼全世界
论文信息
| 英文原名 | Mastering the game of Go with deep neural networks and tree search |
| 中文常用名 | AlphaGo（围棋AI） |
| 作者 | Silver, Huang, Maddison, et al. |
| 发表年份 | 2016 |
| 出处 / 获取 | Nature 529 |
| 所属专题 | 强化学习 |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：围棋被认为是人类棋类智慧的巅峰：搜索空间约 10^170，远超国际象棋（10^46），传统程序（基于规则与搜索）长期无法战胜职业棋手。深度强化学习能否攻克这一”人工智能的圣杯”？
二、核心创新：AlphaGo 首次将深度神经网络与蒙特卡洛树搜索（MCTS）深度融合：训练两个网络——策略网络（Policy Network，预测下一步落子概率）与价值网络（Value Network，评估当前局面的胜负概率），再结合 MCTS 做前瞻搜索。系统由”监督学习（学人类棋谱）→ 强化学习（自我对弈强化）→ 价值网络训练”三步组成。
三、关键技术细节：① 策略网络在 KGS 人类棋谱上预训练，再用自我对弈的强化学习提升；② 价值网络用完整自我对弈的终局胜负标签训练，预测胜率；③ MCTS 用策略网络指导扩展、价值网络评估叶子节点，显著减少搜索深度需求；④ 2015 年 10 月以 5:0 击败欧洲冠军樊麾（职业二段），2016 年 3 月以 4:1 击败世界冠军李世石九段——”第 37 手”（隐藏手段）震惊世界。
影响与后续发展
AlphaGo 是”AI 超越人类顶级博弈”的历史性里程碑，让深度强化学习进入大众视野。其后续 AlphaGo Zero 抛弃人类棋谱、纯自我对弈即达超人类水平，AlphaZero 更进一步用一个通用算法同时称霸围棋、国际象棋、将棋——深刻证明了”从零学习”与深度强化学习的巨大潜力。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
The game of Go has long been viewed as the most challenging of classic games for artificial intelligence owing to its enormous search space and the difficulty of evaluating board positions. Here we introduce a new approach to computer Go that uses ‘value networks’ to evaluate board positions and ‘policy networks’ to select moves, combined with Monte Carlo tree search. Using this approach, our program AlphaGo achieved a 99.8% winning rate against other Go programs, and defeated the human European champion Fan Hui by 5 games to 0.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。