AlphaGo
含有「AlphaGo」共 67 篇內容
全部內容
發佈日期由新至舊
模型型RL透過學習環境模型預測未來、樣本效率高但建模困難；無模型型RL僅依互動經驗學習、穩定實用但需大量資料。實務上常結合兩者，如Dyna-Q、MuZero。模型型適合可模擬任務，無模型型適合真實複雜環境，是強化學習發展的互補方向。
［感知］→［提供環境資訊］→［世界模型］→［預測結果］→［評估狀態與行動］→［價值函數］→［依據價值函數］→［做出策略］→［回歸感知］
這是一個非常精緻的認知與決策迴圈架構，看起來像是人工智慧或機器學習系統的運作流程。讓我幫你逐步解析這個迴圈的意涵，並補充一些可能的應用與象徵：
🧠 認知與決
Q-Learning 是典型 Off-policy TD 控制演算法，核心在最大化未來回報。更新 Q 值時取下一狀態的最大估計值，即使當下行動非最優，仍能收斂至最優策略。適合自駕、金融、博弈等需高效率探索的任務。
蒙地卡羅控制（MC Control）透過自我對弈與 ε-Greedy 探索，不斷更新 Q 值並改進策略，最終逼近最優策略。AlphaGo 早期即結合此方法與監督學習，從人類棋譜起步，再靠自我強化進化，展現 AI 從經驗中學習策略的威力。
《強化學習 —— AI 的決策與進化》系統性介紹RL理論、演算法與應用，從MDP、Q-Learning到DQN、PPO與多智能體學習，並涵蓋自駕車、金融、工業等實戰案例，培養AI自主決策與未來應用能力。
本單元總結深度強化學習核心概念，涵蓋 Q-Learning、DQN、探索與利用、Actor-Critic、AlphaGo、MARL 與 Gym 實作，並以 CartPole 平衡木示範 DQN 訓練流程，強調從理論到實踐的完整學習路徑。
AlphaGo 結合策略網路、價值網路與蒙地卡羅樹搜尋（MCTS），實現精準決策與長期規劃。透過人類棋譜、自我對弈與強化學習多階段訓練，超越人類水準，並啟發 AlphaGo Zero、AlphaZero、MuZero 等通用強化學習架構，推動 AI 向自學與跨領域應用發展。
人工智慧源於20世紀初圖靈等人對計算與神經網絡的理論探索。1956年達特茅斯會議正式命名「人工智慧」，符號推理與專家系統興起，卻在1980年代因過度期待與技術瓶頸陷入「AI 冬天」。1990年代資料驅動與統計學習崛起，1997年深藍擊敗世界棋王成為象徵。
「人工智慧 +1」自學 Day3：強化學習 (Reinforcement Learning)
1. 強化學習的核心概念：訓練
「強化學習」是機器學習中的第三種。前兩者是監督式學習、非監督式學習。強化學習與這兩者都不同，與其說是學習，更合適的概念是「訓練」：訓練模型建立特定的決策及採取行動模式。
