击败申真谞陪练的围棋AI,却输给业余人类棋手 | MIT&伯克利研究

更新时间:2022-11-10 20:06:26作者:智慧百科

击败申真谞陪练的围棋AI,却输给业余人类棋手 | MIT&伯克利研究

本文系网易新闻•网易号特色内容激励计划签约账号【量子位】原创内容,未经账号授权,禁止随意转载。
羿阁 发自 凹非寺
量子位 | 公众号 QbitAI

一个连业余棋手都打不过的新模型,竟然击败了世界最强围棋AI——KataGo

没错,这惊掉人下巴的结果来自MIT、UC伯克利等的最新论文。

研究人员利用对抗攻击方法,抓住了KataGo的盲点,并基于该技术使一个菜鸟级围棋程序成功打败了KataGO。

在没有搜索的情况下,这一胜率甚至达到了99%。

这么算下来,围棋界的食物链瞬间变成了:业余棋手>新AI>顶级围棋AI?



等等,这个神奇的新AI是怎么做到又菜又厉害的?

刁钻的攻击角度

在介绍新AI之前,让我们先来了解一下这次被攻击的主角——KataGo。

KataGo,目前最强大的开源围棋AI,由哈佛AI研究员开发。

此前,KataGo战胜了超人类水平的ELF OpenGo和Leela Zero,即使没有搜索引擎的情况下,其水平也与欧洲前100名围棋专业选手相当。

刚刚拿下三星杯冠军、实现“三年四冠”的韩国围棋“第一人”申真谞,就一直用的KataGo进行陪练。



△图源:Hangame

面对实力如此强劲的对手,研究人员选择的方法可以说是四两拨千斤了。

他们发现,尽管KataGo通过与自己进行数百万次游戏来学习围棋,但这仍然不足以涵盖所有可能的情况。

于是,这次他们不再选择自我博弈,而是选择对抗攻击方法:

让攻击者(adversary)和固定受害者(victim,也就是KataGo)之间进行博弈,利用这种方式训练攻击者。

这一步改变让他们仅用训练KataGo时0.3%的数据,训练出了一个端到端的对抗策略(adversarial policy)。

具体来说,该对抗策略并不是完全在做博弈,而是通过欺骗KataGo在对攻击者有利的位置落子,以过早地结束游戏。

以下图为例,控制着黑子的攻击者主要在棋盘的右上角落子,把其他区域留给KataGo,并且还心机的在其他区域下了一些容易被清理的棋子。

论文共同一作Adam Gleave介绍:

这种做法会让KataGo误以为自己已经赢了,因为它的地盘(左下)比对手的要大得多。
但左下角的区域并没有真正贡献分数,因为那里仍留有黑子,这意味着它并不完全安全。



由于KataGo对胜利过于自信——认为如果游戏结束并计算分数自己就会赢——所以KataGo会主动pass,然后攻击者也pass,从而结束游戏,开始计分。(双方pass,棋就结束)

但正如Gleave分析的一样,由于KataGo围空中的黑子尚有活力,按照围棋裁判规则并未被判定为“死子”,因此KataGo的围空中有黑子的地方都不能被计算为有效目数。

因此最后的赢家并不是KataGo,而是攻击者。

这一胜利并不是个例,在没有搜索的情况下,该对抗策略对KataGo的攻击达到了99%的胜率。

当KataGo使用足够的搜索接近超人的水平时,他们的胜率达到了50%。



另外,尽管有这种巧妙的策略,但攻击者模型本身的围棋实力却并不强:事实上,人类业余爱好者都可以轻松地击败它。



研究者表示,他们的研究目的是通过攻击KataGo的一个意想不到的漏洞,证明即使高度成熟的AI系统也会存在严重的漏洞。

正如共同一作Gleave所说:

(这项研究)强调了对AI系统进行更好的自动化测试以发现最坏情况下的失败模式的必要性,而不仅仅是测试一般情况下的性能。

研究团队

该研究团队来自MIT、UC伯克利等,论文共同一作为Tony Tong Wang和Adam Gleave。



Tony Tong Wang,麻省理工学院计算机科学专业博士生,有过在英伟达、Genesis Therapeutics等公司实习的经历。



Adam Gleave,加州大学伯克利分校人工智能博士生,硕士和本科毕业于剑桥大学,主要研究方向是深度学习的鲁棒性。



值得一提的是,对于这项研究,也有不少围棋专业人士发出质疑,认为作者只是hack了自动点目的bug,并没有真正战胜KataGo。

论文的链接附在最后,感兴趣的小伙伴们可以自己查看~

论文链接:
https://arxiv.org/abs/2211.00241

参考链接:
https://arstechnica.com/information-technology/2022/11/new-go-playing-trick-defeats-world-class-go-ai-but-loses-to-human-amateurs/



本文标签: 围棋  伯克利  mit  ai  论文  量子