30秒でわかる要点
DeepMindが開発した囲碁AI。ディープラーニング、強化学習、モンテカルロ木探索を組み合わせ、2016年にトップ棋士の李世乭（イ・セドル）に勝利した。
「AlphaGo」の練習問題
当サイトの練習問題から、この用語に関係する問題をピックアップしました。
Q12016年にAlphaGoが囲碁の世界チャンピオンに勝利した際に使用された主要なAI技術の組み合わせはどれか。
- ディープニューラルネットワークと探索木を組み合わせた手法
- エキスパートシステムのルールベース推論
- 従来の幅優先探索と深さ優先探索の組み合わせ
- 強化学習のみを用いた単一モデルアプローチ
答えと解説を見る
正解：A
AlphaGoは、畳み込みニューラルネットワーク（CNN）によるボード評価と、モンテカルロ木探索（MCTS）を組み合わせた。CNNが局面の価値と着手確率を予測し、MCTSがそれを基に効率的に探索空間を絞る。BはAIの古い技術、C、Dは不完全な説明である。
Q2AlphaZero が従来のAlphaGoと異なる学習方式として最も重要な点はどれか。
- 人間のゲーム棋譜を全く使わず、自己対戦により報酬信号だけで完全に学習すること
- より多くの人間の棋譜データを用いて訓練すること
- 特定のゲーム用に専用ハードウェアを設計すること
- 人間の直感を機械学習で完全に再現すること
答えと解説を見る
正解：A
AlphaZeroは、初期盤面から自己対戦のみで強化学習。人間の知識（棋譜）に全く依存せず、AlphaGoより一般的で応用可能な手法。チェス、将棋への適用にも成功し、強化学習の有用性を実証。B、C、Dはこの重要な変化を反映していない。
Q3『モンテカルロ木探索（MCTS）』がAlphaGoで採用された理由として最も適切なものはどれか。
- 確率論的手法により、評価関数がなくても勝率を直接推定できる
- 全ての局面を完全に計算して最適解を見つけるから
- メモリが全く不要な探索アルゴリズムだから
- チェスなどのゲームに限定して使用する方法
答えと解説を見る
正解：A
MCTSはシミュレーション（プレイアウト）により勝敗から直接勝率を推定。評価関数の作成が困難な囲碁で特に有効。ニューラルネットと組み合わせてAlphaGoが強力になった。B・C・Dは不正確。
深層学習の問題をまとめて解いて、理解を確かめましょう（無料・登録不要）。
深層学習の練習問題を解く