AlphaZero
AlphaZero是由DeepMind开发的通用棋类博弈AI系统，采用深度强化学习与蒙特卡洛树搜索相结合的方法，无需人类先验知识，仅通过自我对弈即可从零开始学习。该系统在围棋、国际象棋和将棋等多种棋类游戏中达到或超越人类顶级水平，展示了通用游戏AI的强大潜力。
核心事实
时间轴 (近 90 天)
AlphaZero进一步简化，仅用自我对弈和MCTS即达到超人水平，凸显了MCTS作为规划框架的通用性。
有研究者提到，近年来将MCTS与深度学习结合（如AlphaZero）的成功，部分掩盖了其理论缺陷，但理解其局限性对于安全关键应用至关重要。
在智能体完成地图后，作者通过AlphaZero风格的专家循环进一步提升了策略：结合搜索与蒸馏，将搜索得到的最优动作蒸馏到策略网络中。
AlphaZero风格的专家循环指的是借鉴AlphaZero的训练范式：先通过蒙特卡洛树搜索（MCTS）或类似的前向搜索评估动作并选择最优动作，然后将搜索产生的（状态，动作）对作为监督信号蒸馏到策略网络中，并可迭代进行。
传统AlphaZero实现中双方共享同一网络，因为棋类等博弈是完全对称的。
非对称多头 AlphaZero 中的'非对称'指对局双方的行动空间、目标甚至角色定位不相同，打破了经典 AlphaZero 的对称性假设。
AlphaZero 的核心技术组合包括 MCTS 用于前瞻性评估走子，以及深度神经网络同时输出策略头（各动作先验概率）和价值头（当前局面的期望胜负）。
国际象棋中'半人马'（人类+AI）模式曾在1990年代末至2000年代中期被视为棋类博弈的最优解，但随AlphaZero等自学习系统的出现，纯AI棋力迅速拉开与任何人类组合的差距，到2010年代该模式在顶级竞技中基本失去意义。
RL的机制本身不提供目标生成的来源，AlphaZero的游戏空间是封闭的，奖励函数是固定的。
AlphaZero证明了在规则明确、奖励可定义的领域，RL能从零学出超越人类的策略。
还有 7 条时间轴事件
全部知识事实 (20)
AlphaGo结合了深度学习与蒙特卡洛树搜索（MCTS），使用策略网络和价值网络两个关键神经网络
90%已验证DeepMind的AlphaZero于2017年发布，仅凭自我对弈就在国际象棋、将棋和围棋上达到超越人类顶尖水平
75%已验证DeepMind的AlphaGo通过自我对弈数百万局来习得围棋策略
75%已验证世界模型指机器人对物理环境的内部预测能力，给定当前状态和一个动作能够预测下一步会发生什么
75%待验证AlphaProof基于强化学习与形式化证明系统（Lean证明助手）的结合，通过蒙特卡洛树搜索等算法探索证明路径
70%待验证AlphaGo 系列通过自我对弈提升棋力
60%待验证有研究者提到，近年来将MCTS与深度学习结合（如AlphaZero）的成功，部分掩盖了其理论缺陷，但理解其局限性对于安全关键应用至关重要。
50%待验证AlphaZero进一步简化，仅用自我对弈和MCTS即达到超人水平，凸显了MCTS作为规划框架的通用性。
50%待验证在智能体完成地图后，作者通过AlphaZero风格的专家循环进一步提升了策略：结合搜索与蒸馏，将搜索得到的最优动作蒸馏到策略网络中。
50%待验证AlphaZero风格的专家循环指的是借鉴AlphaZero的训练范式：先通过蒙特卡洛树搜索（MCTS）或类似的前向搜索评估动作并选择最优动作，然后将搜索产生的（状态，动作）对作为监督信号蒸馏到策略网络中，并可迭代进行。
50%待验证传统AlphaZero实现中双方共享同一网络，因为棋类等博弈是完全对称的。
50%待验证非对称多头 AlphaZero 中的'非对称'指对局双方的行动空间、目标甚至角色定位不相同，打破了经典 AlphaZero 的对称性假设。
50%待验证AlphaZero 的核心技术组合包括 MCTS 用于前瞻性评估走子，以及深度神经网络同时输出策略头（各动作先验概率）和价值头（当前局面的期望胜负）。
50%待验证国际象棋中'半人马'（人类+AI）模式曾在1990年代末至2000年代中期被视为棋类博弈的最优解，但随AlphaZero等自学习系统的出现，纯AI棋力迅速拉开与任何人类组合的差距，到2010年代该模式在顶级竞技中基本失去意义。
50%待验证AlphaZero证明了在规则明确、奖励可定义的领域，RL能从零学出超越人类的策略。
50%待验证RL的机制本身不提供目标生成的来源，AlphaZero的游戏空间是封闭的，奖励函数是固定的。
50%待验证PUCT（Predictive Upper Confidence bound applied to Trees）是 AlphaZero 系列算法中使用的一种树搜索策略，全称为 Predictor + UCT。
50%待验证METIS-Core 实现了原生运行的 AlphaZero 自对弈循环，其中蒙特卡洛树搜索（MCTS）以多线程方式在 C++ 中执行
50%待验证AlphaZero将同一套框架推广到国际象棋、将棋等多种博弈
50%待验证AlphaZero没有使用任何人类棋谱，仅通过4小时的自我对弈就超越了Stockfish
50%