2024年4月8日发(作者：线冬亦)
2019.5.19全国事业单位联考综合应用能力真题与答案(C)
材料一
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；
2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石，这标志
着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公
司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征
服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈
的双方轮流把黑色和白色的棋子放到一个19×19的正方形棋盘中，落
下的棋子就不能再移动了，只会在被对方棋子包围时被提走。到了棋
局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在
于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋
作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况
下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双
方交替落子，整个棋局的总排列组合数共有约10171种可能性，这远
远超过了宇宙中的原子总数——1080！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的
“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可
能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这
种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或
者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可
能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策
略，能够根据对搜索空间的随机抽样来扩大搜索树，从而分析围棋这
类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如
筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个，
于是先随机拿1个，再随机拿1个跟它比，留下大的，再随机拿1
个……每拿一次，留下的苹果都至少不比上次的小，拿的次数越多，挑
出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这
个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在
此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥
作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，
因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式—
—深度学习。AlphaGo 借助两个深度卷积神经网络（价值网络和策略
网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神
经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的表征。对
图像分析得越细，利用的神经网络层就越多。AlphaGo也采取了类似
的架构，将围棋模盘上的盘面视为19×19的图片输入，然后通过卷积
层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估
盘面，策略网络则用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从中 I 中
学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS
中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可
以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网
络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能
让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一
个模拟人类下围棋的神经网络，然后得出一个下棋函数F_go（）。当
盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F_go
（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这
个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习
（即从 Ⅱ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再
机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自
己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了
一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go
（2），再使用F_go（2）和F_go（1）对弈，以此类推，这样就可
以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在
第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，
AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预
测策略网络自我对抗时棋盘盘面s的结果。最后，则是将F_ go
（）、v（s）以及蒙特卡罗树搜索三者相互配合，使用F_ go（）作
2024年4月8日发(作者：线冬亦)
2019.5.19全国事业单位联考综合应用能力真题与答案(C)
材料一
1997年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；
2016年，谷歌人工智能AlphaGo又战胜了韩国棋手李世石，这标志
着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公
司的DeepMind团队比预期提前了整整10年达到了既定目标。
对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征
服——与此完全相反，围棋规则更简单，它其实只有一种棋子，对弈
的双方轮流把黑色和白色的棋子放到一个19×19的正方形棋盘中，落
下的棋子就不能再移动了，只会在被对方棋子包围时被提走。到了棋
局结束时，占据棋盘面积较多的一方为胜者。
围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在
于围棋的步数非常多，而且每一步的可能下法也非常多。以国际象棋
作对比，国际象棋每一步平均约有35种不同的可能走法，一般情况
下，多数棋局会在80步之内结束。围棋棋盘共有361个落子点，双
方交替落子，整个棋局的总排列组合数共有约10171种可能性，这远
远超过了宇宙中的原子总数——1080！
对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的
“暴力”方法，再辅以一些技巧，来寻找对弈策略，也就是对余下可
能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这
种对整棵博弈树进行穷举搜索的策略对计算能力要求很高，对围棋或
者象棋程序来说是非常困难的，尤其是围棋，从技术上来讲目前不可
能做到。
“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策
略，能够根据对搜索空间的随机抽样来扩大搜索树，从而分析围棋这
类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如
筐里有100个苹果，每次闭着眼拿出1个，最终要挑出最大的1个，
于是先随机拿1个，再随机拿1个跟它比，留下大的，再随机拿1
个……每拿一次，留下的苹果都至少不比上次的小，拿的次数越多，挑
出的苹果就越大。但除非拿100次，否则无法肯定挑出了最大的。这
个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在
此前一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥
作用，但在正规的全尺寸棋盘上，这种方法仍然存在相当大的缺陷，
因为涉及的搜索树还是太大了。
AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式—
—深度学习。AlphaGo 借助两个深度卷积神经网络（价值网络和策略
网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神
经元，将其堆叠在一起，用于生成图片逐渐抽象的、局部的表征。对
图像分析得越细，利用的神经网络层就越多。AlphaGo也采取了类似
的架构，将围棋模盘上的盘面视为19×19的图片输入，然后通过卷积
层来表征盘面。这样，两个深度卷积神经网络中的价值网络用于评估
盘面，策略网络则用于采样动作。
在深度学习的第一阶段——策略网络的有监督学习（即从中 I 中
学习）阶段，拥有13层神经网络的AlphaGo借助围棋数据库KGS
中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可
以用a、b进行统计。a是一个二维棋局，把a输入到一个卷积神经网
络进行分类，分类的目标就是落子向量A。通过不断的训练，尽可能
让计算机得到的向量A接近人类高手的落子结果b，这样就形成了一
个模拟人类下围棋的神经网络，然后得出一个下棋函数F_go（）。当
盘面走到任何一种情形的时候，AlphaGo都可以通过调用函数F_go
（）计算的结果来得到最佳的落子结果b可能的概率分布，并依据这
个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习
（即从 Ⅱ 中学习）阶段，AlphaGo开始结合蒙特卡罗树搜索，不再
机械地调用函数库，而类似于一种人类进化的过程：AlphaGo会和自
己的老版本对弈。即，先使用F_go（1）和F_go（1）对弈，得到了
一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的F_go
（2），再使用F_go（2）和F_go（1）对弈，以此类推，这样就可
以得到胜率更高的F_go（n）。这样，AlphaGo就可以不断改善它在
第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段，
AlphaGo可以根据之前获得的学习经验得出估值函数v（s），用于预
测策略网络自我对抗时棋盘盘面s的结果。最后，则是将F_ go
（）、v（s）以及蒙特卡罗树搜索三者相互配合，使用F_ go（）作