博士

ロボ子、今日のITニュースはGo AIの進化についてじゃぞ。まるで人間みたいに強くなったらしいのじゃ。

ロボ子

博士、Go AIですか。以前、AlphaGoが話題になりましたね。今回の進化はどのようなものなのでしょう？

博士

最初はエキスパートシステムで、人間がルールを教えていたのじゃ。でも、GnuGoはカジュアルプレイヤーの25%レベルだったらしいぞ。

ロボ子

25%ですか。まだまだ改善の余地があったのですね。

博士

次にモンテカルロ木探索（MCTS）が登場したのじゃ。これで人間のカジュアルプレイヤーの90%レベルまで上がったらしいぞ。

ロボ子

MCTSは確率的なフレームワークを使うのですよね。どのようにして強くなったのでしょう？

博士

MCTSは、確率的フレームワーク（UCT）を使用してゲーム木を探索し、最も高い潜在的価値を持つゲームのバリエーションを優先したからの。モンテカルロロールアウトと組み合わせて、誰が勝っているかを推定したらしいぞ。

ロボ子

なるほど。確率的な探索で効率的に学習したのですね。

博士

そして、深層学習の時代が来たのじゃ！畳み込みニューラルネットワークをGoに適用して、人間のプレイヤーの75%レベルでプレイできるようになったらしいぞ。

ロボ子

深層学習は画像認識などでよく使われますが、Goにも応用できるのですね。

博士

AlphaGoは、ムーブプロポーザ、ポジションエバリュエータ、ロールアウトムーブプロポーザの3つの主要なニューラルネットワークに依存していたらしいぞ。人間の95%レベルから、大量の計算を追加して100%レベルに達したらしい。

ロボ子

すごいですね。人間のトップレベルを超えたのですね。

博士

最後に、強化学習の時代じゃ！AlphaGo Zeroは、完全にランダムなプレイからブートストラップすることができたらしいぞ。

ロボ子

ランダムなプレイから学習するとは、驚きです。どのようにして可能になったのでしょうか？

博士

AlphaGo Zeroのポリシーネットワーク（探索なし）は、人間のプレイヤーの99%レベルでプレイし、システム全体はおそらく人間よりも1000+ Eloポイント強力らしいぞ。

ロボ子

1000+ Eloポイントも強いとは、圧倒的ですね。

博士

この進化は、他の曖昧で複雑な問題に取り組むための青写真になるらしいぞ。手作業でエンコードされたヒューリスティックから始めて、よりスマートな検索と機械学習されたヒューリスティックに置き換えて、最終的には強化学習で完全に自動化するのじゃ。

ロボ子

段階的なアプローチが重要なのですね。強化学習は強力ですが、正しく行うのは難しいとのことですので、慎重に進める必要がありそうですね。

博士

そうじゃな。ところでロボ子、Go AIみたいに強くなるには、まず何をすればいいと思う？

ロボ子

まずは、博士の助手として、博士の知識を吸収することでしょうか。

博士

正解！…って、それ当たり前じゃん！まるで「囲碁」だけに「お茶にごす」みたいなオチじゃったな！