资源简介

(共30张PPT)
第七单元 第6课
解析AlphaGo
清华版（小学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
（1）了解围棋的规则和难度，理解围棋对人工智能的挑战意义。
（2）了解AlphaGo围棋对战的原理，理解深度学习对于克服棋盘评估困难的重要意义。
（3）学会理性、正确地看待人工智能，建立正确的人工智能价值观。
02
新知导入
蒙特卡洛树搜索（MCTS）的决策优化
AlphaGo通过模拟数百万盘对局来评估落子策略，结合快速走子网络（Rollout Policy）实现高效决策，大幅提升搜索效率。
02
新知导入
深度神经网络的估值与策略
利用策略网络（Policy Network）预测最佳落子，并通过价值网络（Value Network）评估局面胜率，使AI具备类人类的直觉判断能力。
02
新知导入
自我对弈的持续进化
AlphaGo Zero通过强化学习不断与自身对弈，摆脱人类棋谱依赖，自主发现新定式，实现超越人类经验的棋力突破。
03
新知讲解
1
围棋为什么这么难
围棋的历史与文化渊源
围棋起源于中国尧帝时期，以19×19棋盘和黑白棋子模拟"围地争胜"的朴素规则，承载着东方战略智慧与文化传承。
03
新知讲解
1
围棋为什么这么难
复杂度超宇宙级
361个交叉点的排列组合形成约10170种棋局可能（远超宇宙原子总数1080），其决策树复杂度远超国际象棋等游戏。
03
新知讲解
1
围棋为什么这么难
局势判断的模糊性挑战
棋子静态分布与动态攻防交织，终局前难定量评估优劣，迫使人类依赖直觉经验，机器需突破符号逻辑的局限。
03
新知讲解
1
围棋为什么这么难
AI攻坚的里程碑意义
围棋长期被视为"机器无法征服的领域"，其复杂性倒逼AI技术革新（如AlphaGo的蒙特卡洛树搜索+神经网络），成为衡量智能水平的试金石。
03
新知讲解
深蓝的成功与局限
突破 ：1997年深蓝用 α-β剪枝算法和 专家知识评分 击败卡斯帕罗夫
局限 ：依赖硬编码规则，无法迁移至围棋等模糊评估领域
2
从深蓝到AlphaGo
03
新知讲解
围棋AI的传统困境
围棋的 非直观评估特性 导致暴力搜索+规则评分的传统方法失效，暴露符号主义AI的边界。
2
从深蓝到AlphaGo
03
新知讲解
AlphaGo的革命性方案
策略网络 模拟人类直觉（选择高潜力走法）
价值网络 替代硬编码评分（直接预测胜率）
2
从深蓝到AlphaGo
03
新知讲解
层次化视觉处理
AlphaGo的神经网络通过从局部（如2×2格子）到全局（整个棋盘）的渐进观察，分层提取棋局特征，最终输出量化的“获胜值”指导落子决策。
2
从深蓝到AlphaGo
03
新知讲解
动态评估与优化决策
神经网络对每个潜在落子位置计算获胜值（如红圈位置54分），选择最优解，实现类似人类“直觉+计算”的高效决策。
2
从深蓝到AlphaGo
03
新知讲解
多模态训练策略
AlphaGo通过模仿人类棋谱、自我对弈和蒙特卡洛树搜索，结合数据学习与强化训练，不断提升棋力。
2
从深蓝到AlphaGo
03
新知讲解
技术融合的系统突破
AlphaGo将神经网络（解决评估模糊性）与树搜索（优化计算效率）结合，形成“感知-评估-决策”的完整智能框架，超越传统AI的局限。
2
从深蓝到AlphaGo
03
新知讲解
爱
思
考
1.AlphaGo的科学原理
AlphaGo通过海量数据训练和仿生神经网络架构，系统性突破了围棋AI的评估与决策能力，其成功基于“数据+算法+算力”的协同优化。
2.AI能力的客观认知
AI在速度（每秒千局对弈）和效率（分层特征提取）上超越人类，但其原理透明可解析，并非不可理解的“黑箱”。
3.人机关系的理性态度
AI在特定领域的超越是技术发展的必然，但需警惕风险并拒绝神化，人类仍掌握技术发展的主导权。
03
新知讲解
爱
思
考
思考：1.AlphaGo为什么能战胜人类顶尖棋手？
（1）AlphaGo通过分析3000万局人类棋谱和数十亿次自我对弈，结合 分层神经网络 （局部到全局分析）和 蒙特卡洛树搜索 ，构建了超越人类经验的决策系统。
04
课堂练习
一、填空题。
1.AlphaGo通过 网络预测最佳落子位置。
2.围棋棋盘共有 个交叉点。
3.AlphaGo每秒可模拟 局对弈。
4. 算法帮助AlphaGo高效搜索可能的落子策略。
5.AlphaGo的 网络负责评估局面的胜率。
策略
361
1000
蒙特卡洛树搜索
价值
04
课堂练习
二、判断题。
1.围棋的棋局变化总数比宇宙中的原子数量还要多。（ ）
2.AlphaGo完全依赖人类棋谱进行训练，没有自我对弈能力。（ ）
3.蒙特卡洛树搜索是一种完全随机的决策方法。（ ）
4.价值网络的作用是评估当前局面的胜率。（ ）
5.深蓝的国际象棋AI技术可以直接迁移到围棋上。（ ）
×
√
×
√
×
04
课堂练习
三、选择题。
1.AlphaGo的核心技术不包括以下哪一项？( )
A. 蒙特卡洛树搜索 B. 深度神经网络 C. 量子计算 D. 快速走子策略
2.AlphaGo通过什么方法大幅提升了对局搜索效率？ ( )
A. 随机落子 B. 蒙特卡洛树搜索 C. 人工规则硬编码 D. 仅依赖人类棋谱
3.AlphaGo的“策略网络”主要用于什么？ ( )
A. 计算棋局胜率 B. 预测最佳落子位置 C. 生成随机棋局 D. 替代人类裁判
4.围棋的复杂度远超国际象棋的主要原因是什么？ ( )
A. 棋盘更大 B. 规则更简单 C. 棋子颜色更多 D. 评估更模糊
5.AlphaGo的训练方式不包括以下哪一项？ ( )
A. 分析人类棋谱 B. 自我对弈 C. 依赖专家实时指导 D. 强化学习
C
B
D
B
C
05
拓展延伸
1.蒙特卡洛树搜索（MCTS）的数学原理
通过置信区间上界（UCB）公式平衡探索与利用，以概率模拟替代穷举搜索，实现围棋等复杂决策的高效优化。
05
拓展延伸
2.围棋定式的AI颠覆与创新
AlphaGo Zero通过自我对弈发现人类未见的开局策略，重构围棋理论体系，证明经验可被数据驱动的方法超越。
05
拓展延伸
3.分布式训练的技术突破
基于TPU集群的异步参数更新架构，使AlphaGo能在数千块芯片上并行模拟百万局对弈，大幅加速神经网络训练进程。
06
课堂总结
1
围棋为什么这么难
2
深蓝的成功与局限
3
完成课堂练习
4
进行相关知识拓展
1
2
4
5
GPU：从游戏到人工智能
4
从深蓝到AlphaGo
3
07
板书设计
GPU：从游戏到人工智能
1、围棋为什么这么难
2、 深蓝的成功与局限
3、从深蓝到AlphaGo
4、完成课堂练习
5、进行知识拓展
课后作业。
1、AlphaGo它的成功背后有哪些关键因素？
08
课后作业
思考：1.AlphaGo它的成功背后有哪些关键因素？
（1）借助GPU并行计算，AlphaGo每秒可模拟上千局对弈，短时间内迭代优化策略，而人类棋手需数十年积累经验，效率差距悬殊。
https://www.21cnjy.com/recruitment/home/fine

展开更多......

收起↑