第二幕：青出于蓝——从零学习

AlphaGo的胜利虽然辉煌，但它仍然站在人类巨人的肩膀上——它的初始训练离不开数千万盘人类专家的棋局。DeepMind的终极目标是创造出真正通用的智能，这种智能不应被人类现有的知识所局限。于是，一场更深刻的革命悄然酝酿，其核心思想是：能否让AI彻底摆脱人类导师，实现“无师自通”？

1.“零”之革命：无师自通的学习者

AlphaGo Zero的诞生，正是对这个问题的响亮回答。它的名字中的“Zero”寓意着“从零开始”，其最核心的特点是：在训练过程中完全不使用任何人类棋谱数据。它就像一个初生的婴儿，除了被告知围棋的基本规则（如棋子、棋盘、气、提子等）外，对这个游戏一无所知。它的学习方式是纯粹的tabula rasa（白板）——通过与自己下棋，从完全随机的落子开始，一步步探索和理解围棋的奥秘。

这种自我对弈（self-play）的强化学习方式意义深远。它证明了AI不仅能达到人类的水平，更能独立地重新发现并超越数千年来人类积累的全部围棋知识。这从根本上解决了AI发展的一个巨大瓶颈：对大规模、高质量、有时甚至根本无法获取的人类专家数据的依赖。正如DeepMind的首席研究员大卫·席尔瓦（David Silver）所指出的，摆脱对人类学习的依赖，使得构建通用AI算法成为可能。

这一突破揭示了一个深刻的道理：人类的知识既是宝贵的财富，也可能是一个“牢笼”。它包含了历史形成的偏见、固有的思维定式和想象力的边界。一个从零开始的系统则不受这些束缚，它能够自由地探索整个可能性空间，从而发现那些隐藏在人类认知之外的、更优的解决方案。AlphaGo Zero的成功，正是这一理念的完美体现。

2.更优雅、更强大的架构

为了实现纯粹的自我学习，DeepMind对AlphaGo的架构进行了大刀阔斧的简化和改进，使其变得更加优雅和强大：

• 统一的神经网络：AlphaGo Zero摒弃了前代产品中分离的策略网络和价值网络，转而采用一个统一的、更强大的神经网络。这个网络共享大部分参数，但有两个不同的“头”（head），一个用于输出落子概率（策略头），另一个用于评估局面胜率（价值头）。这种设计不仅大大提高了计算效率，也使得网络能够学习到更通用的特征表示。
• 摒弃蒙特卡洛“模拟”：原版AlphaGo在MCTS中需要进行大量的快速“走子模拟”（rollouts）来评估分支的好坏。AlphaGo Zero则完全取消了这一步。它的MCTS完全由那个强大而统一的神经网络来引导，每一次搜索都依赖于网络对策略和价值的精准预测，使得搜索过程更加高效和聚焦。
• 纯粹的原始输入：AlphaGo Zero的输入特征极为纯粹，只包含棋盘上黑白棋子的位置信息。它移除了所有前代版本中为了帮助AI理解特殊棋形而加入的、由人类设计的辅助特征（hand-crafted features）。这使得系统更加通用，减少了人类偏见，也更容易被推广到其他领域。

这些架构上的简化，反而带来了性能上的巨大飞跃，证明了更纯粹、更第一性的方法论往往蕴含着更强大的力量。

3.空前的性能与通往通用之路

AlphaGo Zero的学习速度和最终达到的高度是惊人的。在仅仅3天的自我对弈（约490万盘棋）后，它的棋力就超越了击败李世石的AlphaGo Lee版本，并以100比0的悬殊比分获胜。在训练21天后，它达到了AlphaGo Master（曾匿名在网络上横扫人类顶尖棋手的版本）的水平。而在40天后，它超越了所有早期版本，成为了当时最强的围棋程序。

这一系列压倒性的胜利，雄辩地证明了从第一性原理出发进行学习的优越性。但DeepMind的脚步并未就此停止。他们将AlphaGo Zero的核心算法进一步提炼和泛化，创造出了AlphaZero。

AlphaZero是这一阶段演化的终极形态。它是一个真正的通用游戏算法。研究人员将完全相同的算法，不做任何针对性的修改，直接应用于另外两个规则迥异的复杂棋类游戏：国际象棋（Chess）和日本将棋（Shogi）。结果同样令人震撼：在仅仅经过几个小时的自我对弈训练后，AlphaZero就分别击败了当时世界上最强的国际象棋程序Stockfish和最强的将棋程序Elmo。AlphaZero的成功，是AI发展史上的一个里程碑。它清晰地表明，DeepMind创造的不是一个“围棋AI”，而是一种通用的学习机制。这种机制能够解决任何可以被形式化为拥有明确规则、可定义状态和可衡量目标的“游戏”的问题。这正是通用智能（AGI）的核心特征之一。从AlphaGo到AlphaGo Zero，再到AlphaZero，DeepMind不仅在棋盘上取得了胜利，更重要的是，它证明了其核心方法论的通用性——这是衡量智能的真正标尺。