Nov, 2022

对抗策略击败超级围棋 AI

PDF
TL;DR我们通过对冻结的 KataGo 受害者进行对抗性玩家训练，攻击了最先进的 Go-playing AI 系统 KataGo。我们的攻击可以实现超过 99％的胜率，而 KataGo 没有进行树搜索时，当 KataGo 使用足够的搜索以超人能力获胜时，我们的攻击获得了超过 97％的胜率。
发现论文，激发创造
  • Go AI 的对抗性鲁棒性能否得以保证？

    简单的防御策略无法阻止对超级人类级别的围棋 AI 的自适应攻击。

    Jun, 2024

  • AlphaZero-like 代理是否具有抗对抗扰动的鲁棒性？

    本研究针对神经网络棋类人工智能的对手状态攻击进行了探究，该方法可扩展至其他棋盘游戏；实验结果表明，加入 1-2 个无意义棋子即可使 AlphaGo Zero 等神经网络棋类 AI 产生错误决策。

    Nov, 2022

  • 加速围棋自我博弈学习

    通过改进 AlphaZero 的过程和架构，我们在 Go 中极大地加速了自我博弈学习，与类似方法相比，计算量减少了 50 倍。

    Feb, 2019

  • 通过学习模型规划，掌握雅达利、围棋、国际象棋和将棋

    本文提出了 MuZero 算法，它通过结合基于树的搜索和学习模型实现了对一系列具有挑战性且视觉复杂的领域的超人类表现，在 57 款不同的 Atari 游戏上以及对 Go、国际象棋和象棋等游戏的测试中，都表现出了与 AlphaZero 算法相当的性能，而无需知道游戏规则。

    Nov, 2019

  • SAI，一款玩围棋的合理人工智能

    提出了一种基于多贴子调整的 AlphaGo Zero/Leela Zero 改进方法，采用双参数 S 型函数建立了贴子与胜率之间的模型，并通过自我博弈训练获得了在 7x7 围棋中表现出色的智能体。通过该模型的 S 型参数可以估计棋盘上的得分差异和游戏结果。

    Sep, 2018

  • 人机围棋：回顾与展望

    本文讨论计算智能在围棋中的应用，介绍了历史上计算机围棋的发展历程，以及参加围棋比赛的计算机程序和 AlphaGo 所使用的方法和技术，并分析了 AlphaGo 战胜李世石的背后所使用的计算智能技术。文章认为，AlphaGo 打败李世石是基于计算智能方法的人工智能领域的巨大成就，将有望在推广围棋教育和人工智能实际应用方面发挥重要作用。

    Jun, 2016

  • 使用通用增强学习算法通过自我对弈掌握国际象棋和将棋

    该研究介绍了使用新的 AlphaZero 算法以及无领域知识的方式进行强化学习，让计算机在三个领域的棋类游戏：围棋、象棋和将棋中均以超级专业水平进行游戏。

    Dec, 2017

  • 将超级智能与人类行为相一致：以象棋为模型系统

    研究人员基于人类下棋决策的详细数据，通过 AlphaZero 构建了一种定制化的人工智能引擎 Maia，能够更准确地预测人类棋手的下棋。这项研究表明，重点是建立精确的人类决策模型，安装有人类协作的人工智能系统具有很大的潜力。

    Jun, 2020

  • 自然语言标注下的游戏代理理解

    通过一份新的包含 10000 个人工注释的围棋游戏数据集，我们展示了自然语言注释如何作为一种工具用于模型可解释性，并利用线性探测从围棋游戏代理中间状态的表示中预测特定于领域的术语，并发现这些游戏概念被编码在两个不同的策略网络中。

    Apr, 2022

  • 解析神经网络对弈围棋及人类学习

    AI 模型在围棋游戏中超越了人类选手，解释 AI 模型所编码的围棋知识并将其用于教导人类选手代表着一个具有前景但具有挑战性的问题。为此，本文提取围棋游戏价值网络所编码的棋子之间的交互原语，以使人们能够从价值网络中学习。实验表明了我们方法的有效性。

    Oct, 2023