Para quienes desean profundizar

Este capítulo está diseñado para ingenieros que desean investigar a fondo la IA de Go, cubriendo implementación técnica, fundamentos teóricos y aplicaciones prácticas.

---

Índice de artículos

Tecnología central

Artículo	Descripción
Arquitectura de redes neuronales en detalle	Red residual de KataGo, características de entrada, diseño de salida múltiple
Detalles de implementación de MCTS	Selección PUCT, pérdida virtual, evaluación por lotes, paralelización
Análisis del mecanismo de entrenamiento de KataGo	Auto-juego, función de pérdida, ciclo de entrenamiento

Optimización de rendimiento

Artículo	Descripción
Backend GPU y optimización	Comparación y ajuste de backends CUDA, OpenCL, Metal
Cuantización y despliegue de modelos	FP16, INT8, TensorRT, despliegue en diversas plataformas
Evaluación y benchmarking	Puntuación Elo, pruebas de partidas, método estadístico SPRT

Temas avanzados

Artículo	Descripción
Arquitectura de entrenamiento distribuido	Self-play Worker, recolección de datos, publicación de modelos
Reglas personalizadas y variantes	Reglas chinas, japonesas, AGA, variantes de tamaño de tablero
Guía de artículos clave	Análisis de los puntos clave de AlphaGo, AlphaZero, KataGo

Código abierto e implementación

Artículo	Descripción
Guía del código fuente de KataGo	Estructura de directorios, módulos principales, estilo de código
Participar en la comunidad de código abierto	Formas de contribuir, entrenamiento distribuido, participación comunitaria
Construir una IA de Go desde cero	Implementar paso a paso una versión simplificada de AlphaGo Zero

---

¿Qué quieres hacer?

Objetivo	Ruta recomendada
Entender el diseño de redes neuronales	Arquitectura de redes neuronales en detalle → Detalles de implementación de MCTS
Optimizar el rendimiento de ejecución	Backend GPU y optimización → Cuantización y despliegue de modelos
Investigar métodos de entrenamiento	Análisis del mecanismo de entrenamiento de KataGo → Arquitectura de entrenamiento distribuido
Entender los principios de los artículos	Guía de artículos clave → Arquitectura de redes neuronales en detalle
Programar hands-on	Construir una IA de Go desde cero → Guía del código fuente de KataGo
Participar en proyectos de código abierto	Participar en la comunidad de código abierto → Guía del código fuente de KataGo

---

Índice de conceptos avanzados

Al profundizar en la investigación, encontrarás los siguientes conceptos avanzados:

Serie F: Escalado (8)

Número	Concepto de Go	Correspondencia física/matemática
F1	Tamaño del tablero vs complejidad	Escalado de complejidad
F2	Tamaño de red vs fuerza de juego	Escalado de capacidad
F3	Tiempo de entrenamiento vs beneficio	Ley de rendimientos decrecientes
F4	Cantidad de datos vs generalización	Complejidad de muestra
F5	Escalado de recursos computacionales	Leyes de escalado
F6	Leyes de escalado neuronal	Relación log-log
F7	Entrenamiento con lotes grandes	Lote crítico
F8	Eficiencia de parámetros	Límites de compresión

Serie G: Dimensiones (6)

Número	Concepto de Go	Correspondencia física/matemática
G1	Representación de alta dimensión	Espacio vectorial
G2	Maldición de la dimensionalidad	Dilema de alta dimensión
G3	Hipótesis del manifold	Manifold de baja dimensión
G4	Representación intermedia	Espacio latente
G5	Desacoplamiento de características	Componentes independientes
G6	Direcciones semánticas	Álgebra geométrica

Serie H: Aprendizaje por refuerzo (9)

Número	Concepto de Go	Correspondencia física/matemática
H1	MDP	Cadena de Markov
H2	Ecuación de Bellman	Programación dinámica
H3	Iteración de valor	Teorema del punto fijo
H4	Gradiente de política	Optimización estocástica
H5	Replay de experiencia	Muestreo por importancia
H6	Factor de descuento	Preferencia temporal
H7	Aprendizaje TD	Estimación incremental
H8	Función de ventaja	Reducción de varianza con línea base
H9	Recorte PPO	Región de confianza

Serie K: Métodos de optimización (6)

Número	Concepto de Go	Correspondencia física/matemática
K1	SGD	Aproximación estocástica
K2	Momentum	Inercia
K3	Adam	Tamaño de paso adaptativo
K4	Decaimiento de tasa de aprendizaje	Recocido
K5	Recorte de gradiente	Límite de saturación
K6	Ruido SGD	Perturbación estocástica

Serie L: Generalización y estabilidad (5)

Número	Concepto de Go	Correspondencia física/matemática
L1	Sobreajuste	Sobre-adaptación
L2	Regularización	Optimización con restricciones
L3	Dropout	Activación dispersa
L4	Aumento de datos	Ruptura de simetría
L5	Parada temprana	Parada óptima

---

Requisitos de hardware

Lectura y aprendizaje

Sin requisitos especiales, cualquier computadora es suficiente.

Entrenamiento de modelos

Escala	Hardware recomendado	Tiempo de entrenamiento
Mini (b6c96)	GTX 1060 6GB	Varias horas
Pequeño (b10c128)	RTX 3060 12GB	1-2 días
Mediano (b18c384)	RTX 4090 24GB	1-2 semanas
Completo (b40c256)	Clúster multi-GPU	Varias semanas

Contribución al entrenamiento distribuido

• Cualquier computadora con GPU puede participar
• Se recomienda al menos GTX 1060 o equivalente
• Se requiere conexión de red estable

---

Comenzar a leer

Recomendamos empezar aquí:

• ¿Quieres entender los principios? → Arquitectura de redes neuronales en detalle
• ¿Quieres implementar hands-on? → Construir una IA de Go desde cero
• ¿Quieres leer artículos académicos? → Guía de artículos clave