按年被提到
20142015 · 6 次2026
强化学习与智能体›博弈与游戏 AI·arXiv:1412.6564 · cs.LG

Move Evaluation in Go Using Deep Convolutional Neural Networks

用深度卷积神经网络评估围棋着法
Chris J. Maddison, Aja Huang, Ilya Sutskever, David Silver · 2014

12 层 CNN 监督学习专家棋谱,不搜索就达到约 6 段水平预测

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 4 人首次 2015-02-18 · 最近 2016-01-01
4不同的人
5活跃月份
6讨论串
110被引(OpenAlex)

研究深度卷积网络能否直接表示并学习围棋中的局面和着法评估知识:用人类职业棋谱监督训练一个 12 层卷积网络,它预测专家着法的准确率达 55%,相当于 6 段人类棋手的水平。直接用它下棋、不做任何搜索,就在 97% 的对局中击败传统搜索程序 GnuGo,并与每步模拟一百万局面的最先进蒙特卡洛树搜索表现相当。

HN 为什么提它

HN 上的人把它与另一篇同类论文并列为用深度 CNN 学专家下一步着法来下围棋的两项突破,并指出无需搜索的网络就能达到业余段位。

方法难度 3 / 5约 30 分钟经得起时间
读之前最好知道
1卷积神经网络(CNN)
2围棋规则与棋力段位
3监督学习
4蒙特卡洛树搜索(MCTS)

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

先看深层卷积网络的两类典型设计(VGG 与 GoogLeNet),再读同期用卷积网络预测围棋落子的另一篇工作,最后读目标论文。

  1. 1
    Very Deep Convolutional Networks for Large-Scale Image Recognition面向大规模图像识别的极深卷积网络 · 2014

    目标论文的深层卷积网络与小卷积核堆叠的思路与此同属一脉

    读为什么堆叠 3x3 卷积并加深网络有效;抓住架构设计,不必看分类结果

  2. 2
    Going Deeper with Convolutions用卷积走得更深 · 2014

    另一种加深网络的方式,了解当时深层卷积网络的主流设计

    读Inception 模块的设计动机和网络整体结构

  3. 3
    Teaching Deep Convolutional Neural Networks to Play Go教深度卷积神经网络下围棋 · 2014

    同期的相近工作:同样用卷积网络从专家棋谱预测落子

    读输入棋盘特征、预测下一手的设定,以及它与蒙特卡洛树搜索的结合

  4. 4
    Move Evaluation in Go Using Deep Convolutional Neural Networks用深度卷积神经网络评估围棋着法 · 2014 · 就是这篇

    目标论文:12 层卷积网络监督学习专家棋谱,不搜索就能对弈

    读棋盘输入表示、网络结构、落子预测准确率,以及直接对弈的结果

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐deepnet · 2015-11

“The two breakthrough papers using Deep Conv Nets to play Go - trained on Expert Games to predict the Experts Next Move.”

称其为用深度卷积网络下围棋的两篇突破性论文之一,用专家棋谱预测下一手
Watch an AI bot play Go [video]原评论 ↗
引用deepnet · 2015-05

“Move Evaluation in Go Using Deep Convolutional Neural Networks by Maddison, Huang, Silver & Sutskever Move Evaluation in Go Using Deep Convolutional Neural Networks”

列出 Maddison、Huang、Silver 和 Sutskever 用深度卷积网络评估围棋着法的论文
Show HN: Recurrent neural net plays 'neural slime volleyball' in JavaScript原评论 ↗
引用karmakaze · 2015-05

“See this paper[3] for more information.”

推荐它了解卷积网络如何预测专家围棋着法
112th KGS Computer Go Tournament原评论 ↗
引用deepnet · 2015-07

“Recently two deep-learning papers showed very impressive results.”

称近期两篇深度学习论文成果惊人:CNN 一次前向就能预测专家着法
How Google Translate squeezes deep learning onto a phone原评论 ↗
引用deepnet · 2015-07

“and the follow up from Google's Deepmind group”

提到 Google DeepMind 团队在此基础上的后续工作
How Google Translate squeezes deep learning onto a phone原评论 ↗
引用Jach · 2016-01

“I read Move Evaluation in Go Using Deep Convolutional Neural Networks earlier this year and tldr they trained a deep net bot that managed to hold about 1-2d on KGS. Since there's no searching going on, that's pretty good”

读后总结:深度网络围棋机器人无需搜索就在 KGS 上约 1-2 段,认为相当不错
Why Go Still Foils the Computers原评论 ↗
被提交为 story · 1 次