AITerms 登入
強化學習模型訓練最佳化

自我對弈(Self-play)是什麼?

自我對弈是一種強化學習技術,其中智能體與自身的副本進行對弈,從而學習和改進策略,無需外部人類或標記數據。

完整定義

自我對弈是一種強大的強化學習方法,智能體通過與自身的多個副本進行反覆對弈來學習。這種方法無需依賴外部數據或人類指導,而是通過自我生成的經驗來提升性能。自我對弈在遊戲AI領域取得了顯著成功,例如AlphaGo。

白話說明

你有沒有想過,AI 如果沒有對手,也可以自己跟自己練?

你可以把自我對弈想成一個玩家和自己的分身一直比賽,從對局裡慢慢變強。

它重要是因為有些任務很難收集高品質資料,自我對弈可以自己長出訓練資料。

記住這句

沒有現成對手,就自己生一個對手。

比喻:自我對弈就像一個棋手,沒有老師教,而是不斷跟自己下棋,從每次對局中學習怎麼變得更強 -- 透過自己跟自己玩,摸索出最好的策略。

容易混淆

自我對弈 vs 監督式學習

自我對弈從對局結果學習

監督式學習從標準答案學習

最關鍵的區別是有沒有人工標籤。

自我對弈 vs 一般強化學習

自我對弈的對手也是自己

一般強化學習的環境不一定是自己

最關鍵的區別是資料來源是不是由自己生成。

實際案例

棋類 AI

AlphaGo 類系統會反覆跟自己下棋,讓策略越來越強。

策略模擬

在博弈或談判任務裡,自我對弈可以快速產生大量對戰資料。

演算法與應用

自我對弈常搭配策略更新、勝率比較和版本回放。

它能加速探索,但也可能讓模型過度適應自己的對手。

因此通常要定期引入新對手或不同版本,避免只跟自己繞圈。

情境判斷

Q1(直覺題):如果兩個 AI 版本自己互打來產生資料,這是什麼?

這就是自我對弈。

Q2(判斷題):自我對弈只要一直跑下去,就一定越來越強嗎?

不一定。它可能會過度適應自己的對手,所以要不斷引入新的變化。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本