# 💡 Summary
[[AlphaGo]]：[[蒙特卡洛树]]算法的巅峰应用
# 🧩 Cues
# 🪞Notes
## AlphaGo的架构
```Java
传统MCTS的问题：
• 随机模拟太慢（围棋一局要几百步）
• 初期探索效率低
AlphaGo的改进：
1️⃣ 策略网络（Policy Network）
作用：替代随机选择
输入：当前棋盘
输出：每步的概率分布
→ 引导MCTS更智能地探索 ✓
2️⃣ 价值网络（Value Network）
作用：替代完整模拟
输入：当前棋盘
输出：胜率估计（-1到1）
→ 不用下到底就能评估局面 ✓
3️⃣ MCTS
作用：整合以上两个网络
过程：
- Selection: 用策略网络引导
- Simulation: 用价值网络快速评估
- 结合树搜索的全局视野
→ 深度学习的直觉 + MCTS的规划 ✓
流程：
┌──────────────────────────────────┐
│ 策略网络建议 + 价值网络评估 │
│ ↓ │
│ MCTS整合 │
│ ↓ │
│ 选择最佳落子 │
└──────────────────────────────────┘
成果：
• 2016年 AlphaGo 4:1 击败李世石
• 2017年 AlphaGo Zero 100:0 击败AlphaGo
• 完全自我对弈学习，超越人类知识
```