Bedste svar
Tsumego er en af de mest effektive måder at blive stærkere med Go. Målet er at få et optimalt resultat uafhængigt af den specifikke måde, hvorpå din modstander kan svare på dit specifikke træk. Normalt er der kun en enkelt optimal og fungerende løsning på et givet tsumego-problem. Nogle gange kan der være to eller flere løsninger, der alle fungerer optimalt mod det bedst mulige resultat i en lokal situation.
En mulig tsumego-situation kan være et liv og dødsproblem: enten forsøger du at dræbe din modstanders gruppe ved at forhindre det i at skabe to øjne. Eller du skal gøre din egen gruppe levende ved at spille det rigtige træk. Andre mulige tsumego-problemer kan dække semeai, hvor du er nødt til at fange din modstanders sten, før du bliver fanget (såkaldte frihedskampe), ko-situationer, hvor du skal finde den rigtige rækkefølge for at vinde en ko osv.
Antallet af træk, som et tsumego-problem kan kræve, afhænger normalt af din modstanders mulige svar. Nogle gange kan der kræves en sekvens på mere end 15 træk for at spille, før det endelige resultat af en tsumego bliver klart. Men hej skal du ikke bekymre dig, relativt let tsumego kan bare være et par tanker bevæger sig dybt.
Indtil videre er det godt, hvis du vil have en vanedannende start med tsumego og tesuji på et eller andet tidspunkt, kan du godt lide Tesuji af Mark Davies, som er til spillere omkring 15 – 5 kyu. Da du lige har lært Go, er det måske en god ide først at vænne sig til alle de interessante og fascinerende mønstre, der kan forekomme i et 9×9 brætspil. Derefter, efter flere spil, kan du begynde at vænne dig til at tænke et eller flere træk foran, før du beslutter dig for, hvor du skal spille. Og inden du ved, at du løser mange, mange tsumego i dine egne spil.
Så hvis du begynder at spise, drikke, tænke, drømme Go 24/7 (nu og da), kan du fortsætte med mere og mere tsumego fra andre kilder på det nuværende niveau, du spiller. Selv de stærkeste spillere i verden (f.eks. Lee Sedol 9p) træner timer hver dag for at holde deres læsning fremad maksimalt.
Endelig, hvis du oplever, at du har svært ved at beslutte, hvor du skal spille eller hvad skal man gøre. Start med at tænke, hvor din modstander ville spille, hvis han / hun ville have to træk efter hinanden. Så forestil dig, hvor du ville spille, hvis du ville være i din modstanders sted. Hvis du ser, hvad din modstander ville være i stand til at opnå i en tsumego (eller en hvilken som helst Go board) situation ved at have to træk i træk (i stedet for normalt en), får du masser af ideer til, hvordan du vil forhindre dette!
Held og lykke med tsumego, og nyd en levetid, det mest fascinerende og inspirerende brætspil, der findes på Jorden og måske i hele det univers, vi faktisk lever i …
Svar
AlphaGo er baseret på dyb forstærkningslæring. De startede med at lære algoritmen, hvordan man spiller gamle Atari-spil fra bunden, som mennesker gør – ved blot at “se på skærmen”. Så var der Go og Chess så meget mere komplekse opgaver, hvor Go accepterede “visdom”, der går ud på, at computere er æoner væk fra at slå mennesker.
Alle disse præstationer er baseret på den samme grundlæggende algoritme med justeringer i hvordan man evaluerer belønningsfunktionen ved hjælp af forskellige ANN-arkitekturer.
Så i det mindste i teorien kan den samme tilgang bruges til stort set enhver opgave i den virkelige verden og ikke bare “virtuel”, men også i den virkelige verden som anvendt på f.eks robotik. Undervisning af en robot for eksempel at lave en omelet. Eller hvordan man spiller Civilization 6. Eller hvordan man spiller en violin. Dybest set alt, hvor der i sidste ende er en klar definition af “succes” og en vis evne til at identificere lignende mønstre ved hvert trin – som bruges til at evaluere en belønning ved at køre dem gennem et ANN.
Også en ekstremt interessant punkt på AlphaGo var, at folk, der spillede det, bemærkede at det spillede som et menneske, men på en umenneskelig måde . Som et menneske i en følelse af kreative bevægelser og som umenneskelige – fordi de bevægelser, det foretog, undertiden var helt, absolut uventede af menneskelige spillere. Hvilket betyder, at algoritmen udforskede mange af Go-positioner, hvor mennesker aldrig engang vovede sig!
Forestil dig, om en lignende effekt ville manifestere sig i nogle virkelige verdensproblemer? F.eks. Krigsførelse? Temmelig skræmmende.