AlphaGo Zero ( https://deepmind.com/blog/alphago-zero-learning-scratch/ ) 有几个关键组件有助于它的成功：

1. 一种蒙特卡洛树搜索算法，可以更好地从围棋的状态空间中搜索和学习
2. 一种深度神经网络架构，可学习给定状态的值和策略，以更好地通知 MCTS。

我的问题是，这个强化学习怎么样？或者更确切地说，该算法的哪些方面特别使其成为强化学习问题？难道这不能被认为是一个监督学习问题吗？