不只是下棋！遊戲 AI 如何解決現實世界的難題？

AlphaGo 與李世乭第一場對弈的最後局面，這場比賽由 AlphaGo 獲勝（白子），李世乭在尚餘約 28 分鐘時投子認輸。 資料來源｜Google DeepMind

AlphaGo 與李世乭對弈的第四局，執白子的李世乭下出關鍵的第 78 手。 資料來源｜Google DeepMind

AlphaGo 與李世乭對弈第四局的前 99 手棋局紀錄。 圖｜研之有物（資料來源｜Wikipedia）

AlphaGO 的成功，在於使用了深度學習與強化學習，讓 AI 可以不斷從回饋獎勵中學習。並且在策略上採用更有效率的蒙地卡羅樹搜索法，改善 AI 的判斷能力。 圖｜研之有物（資料來源｜吳廸融）

MuZero 的訓練，已經不需要跟真實環境互動，而是另外訓練了一個深度學習的神經網路，用來模擬現實環境。因此，在應用於解決實際問題時，也可以減少許多不必要的耗損。 圖｜Google DeepMind

吳廸融團隊持續探索遊戲與圍棋AI，希望找到更多人工智慧的可能性。 圖｜研之有物

如何讓圍棋 AI 成為適合練習的對手？調整難度的功能非常重要。吳廸融團隊成功發展出四個 CGI 版本，可以讓不同棋力的選手練習。 圖｜研之有物（資料來源｜吳廸融）