For the last 30 years, computer Go

For the last 30 years, computer Go programs have evaluated positions by using handcrafted heuristics that are based
on human expert knowledge of shapes, patterns and rules. However, professional Go players often play moves according to
intuitive feelings that are hard to express or quantify. Precisely encoding their knowledge into machine-understandable rules
has proven to be a dead-end: a classic example of the knowledge acquisition bottleneck. Furthermore, traditional search
algorithms, which are based on these handcrafted heuristics, cannot cope with the enormous state space and branching
factor in the game of Go, and are unable to make effective use of additional computation time. This approach has led to Go
programs that are at best comparable to weak amateur-level humans [26,47].
In contrast, Monte-Carlo tree search requires no human knowledge in order to understand a position. Instead, positions
are evaluated from the outcome of thousands of simulated games of self-play from that position. These simulated games are
progressively refined to prioritise the selection of positions with promising evaluations. Over the course of many simulations,
attention is focused selectively on narrow regions of the search space that are correlated with successful outcomes. Unlike
traditional search algorithms, this approach scales well both with the size of the state space and branching factor, and also
scale well with additional computation time. In practice, the strongest programs do make extensive use of expert human
knowledge: both to improve the default policy and to define the prior knowledge. This knowledge accelerates the progress
of the search, but does not affect its asymptotic optimality.
On the Computer Go Server, using 9 × 9, 13 × 13 and 19 × 19 board sizes, traditional search programs are rated at
around 1800 Elo, whereas Monte-Carlo programs, enhanced by RAVE and heuristic knowledge, are rated at over 2500 Elo
using standard hardware17 (see Table 2). On the Kiseido Go Server, on full-size boards against human opposition, traditional
search programs have reached 5 kyu, whereas the best Monte-Carlo programs are rated at 4 dan (see Fig. 8).

Kết quả (Việt) 1:

30 năm qua, máy tính đi chương trình đã đánh giá vị trí bằng cách sử dụng chẩn đoán thủ công được dựangày của con người kiến thức chuyên môn của hình dạng, các mô hình và các quy tắc. Tuy nhiên, cầu thủ đi chuyên nghiệp thường chơi di chuyển theocảm xúc trực quan mà là khó có thể nhận hoặc định lượng. Chính xác mã hóa kiến thức của mình vào máy dễ hiểu các quy tắcđã chứng minh là một kết thúc chết: một ví dụ điển hình của các nút cổ chai mua lại kiến thức. Hơn nữa, truyền thống tìmthuật toán, dựa trên những chẩn đoán thủ công, không thể đối phó với các lớn nhà nước không gian và phân nhánhyếu tố trong trò chơi đi, và có thể thực hiện hiệu quả sử dụng bổ sung tính toán thời gian. Cách tiếp cận này đã dẫn đến đichương trình là tốt nhất so sánh với yếu amateur cấp con người [26,47].Ngược lại, Monte-Carlo cây search yêu cầu không có kiến thức của con người để hiểu vị trí. Thay vào đó, vị tríđược đánh giá từ kết quả của hàng ngàn trò chơi mô phỏng tự chơi từ vị trí đó. Các trò chơi này mô phỏngdần dần tinh chế để ưu tiên cho việc lựa chọn vị trí với triển vọng đánh giá. Trong suốt nhiều mô phỏng,sự chú ý là tập trung chọn lọc trên khu vực hẹp của không gian tìm kiếm được tương quan với kết quả thành công. Không giống nhưthuật toán tìm kiếm truyền thống, cách tiếp cận này quy mô tốt cả hai với kích thước của các không gian trạng thái và yếu tố phân nhánh, và cũngquy mô tốt với bổ sung tính toán thời gian. Trong thực tế, các chương trình mạnh nhất sử dụng rộng rãi của con người chuyên giakiến thức: để cải thiện chính sách mặc định và xác định kiến thức sẵn có. Kiến thức này tăng tốc sự tiến bộTìm kiếm, nhưng không ảnh hưởng đến điều tiệm cận.Trên các máy tính đi máy chủ, sử dụng kích thước hội đồng 9 × 9, 13 × 13 và 19 × 19, truyền thống tìm chương trình được đánh giá cao tạiQuanh 1800 Elo, trong khi chương trình Monte-Carlo, tăng cường bởi ca NGỢI và kiến thức heuristic, được đánh giá cao tại hơn 2500 Elobằng cách sử dụng tiêu chuẩn hardware17 (xem bảng 2). Trên Kiseido đi máy chủ, các hội đồng kích thước đầy đủ chống lại con người phản đối, truyền thốngTìm chương trình đã đạt đến 5: Kyu thứ nhất, trong khi các chương trình Monte-Carlo tốt nhất được đánh giá cao tại 4 dan (xem hình 8).

Kết quả (Việt) 2:

Trong 30 năm qua, chương trình Go máy tính đã đánh giá vị trí bằng cách sử dụng công nghệ tự động thủ công được dựa
trên kiến thức chuyên môn của con người về hình dạng, mô hình và quy tắc. Tuy nhiên, các cầu thủ chuyên nghiệp Go thường chơi di chuyển theo
cảm giác trực quan mà khó diễn tả hay định lượng. Chính xác mã hóa kiến thức của mình vào các quy tắc máy dễ hiểu
đã được chứng minh là một ngõ cụt: một ví dụ cổ điển của các nút cổ chai mua lại kiến thức. Hơn nữa, tìm kiếm truyền thống
thuật toán, mà là dựa trên các công nghệ tự làm thủ công, không thể đối phó với không gian nhà nước rất lớn và phân nhánh
yếu tố trong trò chơi của Go, và không thể sử dụng hiệu quả thêm thời gian tính toán. Cách tiếp cận này đã dẫn đến Go
chương trình đó là lúc tốt nhất để so sánh con người nghiệp dư cấp yếu [26,47].
Ngược lại, tìm kiếm cây Monte-Carlo không đòi hỏi kiến thức của con người để hiểu được một vị trí. Thay vào đó, các vị trí
được đánh giá từ kết quả của hàng ngàn trò chơi mô phỏng tự phát từ vị trí đó. Những trò chơi mô phỏng đang
dần cải tiến để ưu tiên cho việc lựa chọn vị trí với những đánh giá đầy hứa hẹn. Trong suốt nhiều mô phỏng,
sự chú ý được tập trung chọn lọc trên vùng hẹp của không gian tìm kiếm được tương quan với kết quả thành công. Không giống như
các thuật toán tìm kiếm truyền thống, phương pháp này cũng quy mô cả với kích thước của không gian trạng thái và yếu tố phân nhánh, và cũng
mở rộng tốt với thêm thời gian tính toán. Trong thực tế, các chương trình mạnh nào làm cho sử dụng rộng rãi của người chuyên gia
kiến thức: cả hai để cải thiện các chính sách mặc định và xác định các kiến thức trước. Kiến thức này làm tăng tốc độ tiến bộ
của cuộc tìm kiếm, nhưng không ảnh hưởng tối ưu tiệm cận của nó.
Trên máy tính Go Server, sử dụng 9 × 9, 13 × 13 và 19 × 19 kích thước board, chương trình tìm kiếm truyền thống được đánh giá ở
khoảng 1800 Elo, trong khi Monte chương trình -Carlo, tăng cường bởi RAVE và kiến thức heuristic, được đánh giá ở mức trên 2500 Elo
sử dụng hardware17 tiêu chuẩn (xem Bảng 2). Trên Kiseido Go Server, trên bảng kích thước đầy đủ chống lại sự phản đối của con người, truyền thống
các chương trình tìm kiếm đã đạt 5 kyu, trong khi các chương trình tốt nhất Monte-Carlo được đánh giá ở 4 dan (xem hình. 8).