A行业级
AlphaZero 用自我博弈统一棋类学习
不再依赖人类棋谱，规则与自我对弈足以产生策略
已核验1可追溯来源
DeepMind 发布 AlphaZero，只给系统游戏规则，再通过自我对弈学习国际象棋、将棋和围棋。
发生了什么
AlphaZero 使用一套通用网络预测走子概率和局面价值，再用蒙特卡洛树搜索产生更强的训练目标。每种游戏从随机对弈开始，不输入人类策略。
当时的行业背景
AlphaGo 结合人类棋谱监督学习、自我对弈和人工设计的搜索流程，证明深度强化学习能处理围棋，但系统仍针对单一游戏精心搭建。
为什么重要
它把“专家数据”从必要条件变成可选加速项，展示了规则明确、可大量模拟的环境中，自我生成数据可以超过人类积累的经验。
在它之前
高水平游戏 AI 依赖大量人类棋谱和针对任务的工程。
在它之后
同一训练方法可以从规则出发掌握多种棋类。
影响
它改变了什么
对开发者
自我博弈、搜索与价值网络的组合成为强化学习的重要参考架构。
对行业
研究注意力进一步转向能通过环境反馈自主改进的通用学习系统。
来源