背景知識總覽
在深入 KataGo 實戰之前，理解圍棋 AI 的發展歷史與核心技術是非常重要的。本章節將帶你了解從 AlphaGo 到現代圍棋 AI 的技術演進。
為什麼需要了解背景知識？
圍棋 AI 的發展是人工智慧領域最令人振奮的突破之一。2016 年 AlphaGo 擊敗李世乭的比賽，不僅是圍棋史上的里程碑，更標誌著深度學習與強化學習結合的巨大成功。
理解這些背景知識能幫助你：
- 做出更好的技術決策：了解各種方法的優缺點，選擇適合你專案的方案
- 更有效地除錯：理解底層原理，更容易診斷問題
- 跟上最新發展：掌握基礎知識，更容易理解新論文與新技術
- 貢獻開源專案：參與 KataGo 等專案開發需要深入理解其設計理念
本章內容
AlphaGo 論文解讀
深入解析 DeepMind 的經典論文，包括：
- AlphaGo 的歷史意義與影響
- Policy Network 與 Value Network 的設計
- 蒙特卡羅樹搜索 (MCTS) 的原理與實作
- Self-play 訓練方法的創新
- 從 AlphaGo 到 AlphaGo Zero 再到 AlphaZero 的演進
KataGo 論文解讀
了解目前最強開源圍棋 AI 的技術創新：
- KataGo 相對於 AlphaGo 的改進
- 更高效的訓練方法與資源利用
- 支援多種圍棋規則的技術實現
- 同時預測勝率與目數的設計
- 為何 KataGo 能以更少資源達到更強棋力
其他圍棋 AI 介紹
全面了解圍棋 AI 生態系統：
- 商業 AI：天頂（Zen）、絕藝（騰訊）、星陣
- 開源 AI：Leela Zero、ELF OpenGo、SAI
- 各 AI 的技術特點與適用場景比較
技術發展時間線
| 時間 | 事件 | 重要性 |
|---|---|---|
| 2015 年 10 月 | AlphaGo 擊敗樊麾 | 首次 AI 擊敗職業棋手 |
| 2016 年 3 月 | AlphaGo 擊敗李世乭 | 震驚世界的人機大戰 |
| 2017 年 5 月 | AlphaGo 擊敗柯潔 | 確立 AI 超越人類頂尖水平 |
| 2017 年 10 月 | AlphaGo Zero 發表 | 純自我對弈，無需人類棋譜 |
| 2017 年 12 月 | AlphaZero 發表 | 通用化設計，同時征服圍棋、西洋棋、將棋 |
| 2018 年 | Leela Zero 達到超人水平 | 開源社群的勝利 |
| 2019 年 | KataGo 發表 | 更高效的訓練方法 |
| 2020-至今 | KataGo 持續改進 | 成為最強開源圍棋 AI |
核心概念預覽
在閱讀詳細章節之前，這裡簡要介紹幾個核心概念：
神經網路在圍棋中的角色
棋盤狀態 → 神經網路 → { Policy（落子機率）, Value（勝率評估）}
神經網路接收當前棋盤狀態作為輸入，輸出兩種資訊：
- Policy：每個位置的落子機率，指導搜索方向
- Value：當前局面的勝率估計，用於評估局面
蒙特卡羅樹搜索 (MCTS)
MCTS 是一種搜索演算法，結合神經網路來決定最佳著法：
- Selection（選擇）：從根節點選擇最有希望的路徑
- Expansion（擴展）：在葉節點擴展新的可能著法
- Evaluation（評估）：用神經網路評估局面價值
- Backpropagation（回傳）：將評估結果回傳更新路徑上的節點
Self-play（自我對弈）
AI 與自己對弈來產生訓練資料：
初始模型 → 自我對弈 → 收集棋譜 → 訓練新模型 → 更強模型 → 重複
這個循環讓 AI 能夠不斷自我提升，不需要依賴人類棋譜。
建議閱讀順序
- 先讀 AlphaGo 論文解讀：建立基礎理論框架
- 再讀 KataGo 論文解讀：了解最新改進與優化
- 最後讀其他圍棋 AI 介紹：擴展視野，了解不同實現方式
準備好了嗎？讓我們從 AlphaGo 論文解讀 開始吧！