跳到主要内容

背景知识总览

在深入 KataGo 实战之前，理解围棋 AI 的发展历史与核心技术是非常重要的。本章节将带你了解从 AlphaGo 到现代围棋 AI 的技术演进。

为什么需要了解背景知识？​

围棋 AI 的发展是人工智能领域最令人振奋的突破之一。2016 年 AlphaGo 击败李世乭的比赛，不仅是围棋史上的里程碑，更标志着深度学习与强化学习结合的巨大成功。

理解这些背景知识能帮助你：

  • 做出更好的技术决策：了解各种方法的优缺点，选择适合你项目的方案
  • 更有效地调试：理解底层原理，更容易诊断问题
  • 跟上最新发展：掌握基础知识，更容易理解新论文与新技术
  • 贡献开源项目：参与 KataGo 等项目开发需要深入理解其设计理念

本章内容​

AlphaGo 论文解读​

深入解析 DeepMind 的经典论文，包括：

  • AlphaGo 的历史意义与影响
  • Policy Network 与 Value Network 的设计
  • 蒙特卡洛树搜索 (MCTS) 的原理与实现
  • Self-play 训练方法的创新
  • 从 AlphaGo 到 AlphaGo Zero 再到 AlphaZero 的演进

KataGo 论文解读​

了解目前最强开源围棋 AI 的技术创新：

  • KataGo 相对于 AlphaGo 的改进
  • 更高效的训练方法与资源利用
  • 支持多种围棋规则的技术实现
  • 同时预测胜率与目数的设计
  • 为何 KataGo 能以更少资源达到更强棋力

其他围棋 AI 介绍​

全面了解围棋 AI 生态系统：

  • 商业 AI：天顶（Zen）、绝艺（腾讯）、星阵
  • 开源 AI：Leela Zero、ELF OpenGo、SAI
  • 各 AI 的技术特点与适用场景比较

技术发展时间线​

时间事件重要性
2015 年 10 月AlphaGo 击败樊麾首次 AI 击败职业棋手
2016 年 3 月AlphaGo 击败李世乭震惊世界的人机大战
2017 年 5 月AlphaGo 击败柯洁确立 AI 超越人类顶尖水平
2017 年 10 月AlphaGo Zero 发表纯自我对弈，无需人类棋谱
2017 年 12 月AlphaZero 发表通用化设计，同时征服围棋、国际象棋、将棋
2018 年Leela Zero 达到超人水平开源社区的胜利
2019 年KataGo 发表更高效的训练方法
2020-至今KataGo 持续改进成为最强开源围棋 AI

核心概念预览​

在阅读详细章节之前，这里简要介绍几个核心概念：

神经网络在围棋中的角色​

棋盘状态 → 神经网络 → { Policy（落子概率）, Value（胜率评估）}

神经网络接收当前棋盘状态作为输入，输出两种信息：

  • Policy：每个位置的落子概率，指导搜索方向
  • Value：当前局面的胜率估计，用于评估局面

蒙特卡洛树搜索 (MCTS)​

MCTS 是一种搜索算法，结合神经网络来决定最佳着法：

  1. Selection（选择）：从根节点选择最有希望的路径
  2. Expansion（扩展）：在叶节点扩展新的可能着法
  3. Evaluation（评估）：用神经网络评估局面价值
  4. Backpropagation（回传）：将评估结果回传更新路径上的节点

Self-play（自我对弈）​

AI 与自己对弈来产生训练数据：

初始模型 → 自我对弈 → 收集棋谱 → 训练新模型 → 更强模型 → 重复

这个循环让 AI 能够不断自我提升，不需要依赖人类棋谱。

建议阅读顺序​

  1. 先读 AlphaGo 论文解读：建立基础理论框架
  2. 再读 KataGo 论文解读：了解最新改进与优化
  3. 最后读其他围棋 AI 介绍：扩展视野，了解不同实现方式

准备好了吗？让我们从 AlphaGo 论文解读 开始吧！