跳到主要内容

其他围棋 AI 介绍

除了 AlphaGo 和 KataGo，围棋 AI 领域还有许多重要的项目。本文将介绍主要的商业 AI 和开源 AI，帮助你了解整个生态系统。

商业围棋 AI​

天顶（Zen）​

开发者：尾岛阳�的（Yoji Ojima）/ 日本 首次发表：2009 年 授权方式：商业授权

天顶是 AlphaGo 之前最强的围棋程序之一，在传统 MCTS 时代就已达到职业水准。

发展历程​

时间版本里程碑
2009Zen 1.0首次发布
2011Zen 4达到业余六段水准
2012Zen 5让四子击败武宫正树九段
2016Zen 7采用深度学习技术
2017+Deep Zen Go结合 AlphaGo 架构

技术特点​

  • 混合架构：结合传统启发式与深度学习
  • 商业优化：针对消费级硬件优化
  • 稳定性高：经过多年商业使用验证
  • 支持多平台：Windows、macOS 皆可运行

产品形式​

  • Tengen（天顶之碁）：桌面软件，售价约 10,000 日元
  • 网络对弈：曾在 KGS 以 Zen19 账号活动

绝艺（Fine Art）​

开发者：腾讯 AI Lab / 中国 首次发表：2016 年 授权方式：非公开

绝艺是腾讯开发的围棋 AI，在中国围棋界有重要影响力。

发展历程​

时间事件
2016 年 11 月首次亮相，在野狐围棋网对弈
2017 年 3 月UEC 杯电脑围棋大赛冠军
2017 年被中国国家围棋队采用为训练工具
2018 年世界人工智能围棋大赛冠军
持续至今持续作为国家队训练辅助

技术特点​

  • 大规模训练：使用腾讯云计算资源
  • 与人类顶尖棋手合作：获得大量专业指导
  • 实战经验丰富：在野狐围棋累积大量对局
  • 教学功能集成：提供复盘分析功能

影响力​

绝艺对中国职业围棋的影响深远：

  • 成为国家队标准训练工具
  • 改变了职业棋手的备战方式
  • 推动了 AI 辅助训练的普及

星阵（Golaxy）​

开发者：中国深客科技 / 清华大学团队 首次发表：2018 年 授权方式：商业授权

星阵以「最像人类的 AI」为设计目标，在棋风上更接近人类棋手。

技术特点​

  • 人类化棋风：刻意训练成更像人类的下法
  • 可调整难度：能模拟不同段位的对手
  • 教学导向：设计时考虑教学应用
  • 让子棋专精：在让子棋方面有特别优化

产品应用​

  • 弈客围棋：集成于弈客 App
  • 教学平台：用于在线围棋教学
  • 段位测试：提供标准化段位评估

其他商业 AI​

名称开发者特点
石子旋风林在范（台湾）曾获 UEC 杯冠军
CGI交通大学（台湾）学术研究导向
Dolbaram韩国 NHN集成于韩国围棋平台
AQ日本 AQ 团队开源后转商业

开源围棋 AI​

Leela Zero​

开发者：Gian-Carlo Pascutto / 比利时 首次发表：2017 年 授权方式：GPL-3.0 GitHub：https://github.com/leela-zero/leela-zero

Leela Zero 是首个成功复制 AlphaGo Zero 的开源项目，由社区分布式训练。

发展历程​

技术特点​

  • 忠实复现：严格按照 AlphaGo Zero 论文实现
  • 分布式训练：全球志愿者贡献 GPU 算力
  • 完全透明：所有训练数据和模型公开
  • 标准 GTP：兼容所有 GTP 围棋软件

训练统计​

项目数值
总自我对弈局数约 1800 万局
训练迭代次数约 270 次
参与贡献者数千人
训练时长约 1.5 年

使用方式​

# 安装
brew install leela-zero  # macOS

# 运行
leelaz --gtp --weights best-network.gz

# GTP 指令
genmove black
play white D4

现状​

虽然 Leela Zero 已不再活跃训练，但：

  • 代码仍是学习 AlphaGo Zero 的绝佳资源
  • 训练好的模型仍可使用
  • 社区仍在维护基本功能

ELF OpenGo​

开发者：Facebook AI Research (FAIR) 首次发表：2018 年 授权方式：BSD GitHub：https://github.com/pytorch/ELF

ELF OpenGo 是 Facebook 开发的围棋 AI，展示了大规模分布式训练的能力。

技术特点​

  • ELF 框架：基于 Facebook 的 ELF（Extensive, Lightweight, and Flexible）游戏研究平台
  • 大规模训练：使用 2000 GPU 进行训练
  • PyTorch 实现：使用 Facebook 自家的深度学习框架
  • 研究导向：主要目的是研究而非实用

表现​

  • 在 KGS 达到顶级水准
  • 与职业九段对弈有稳定胜率
  • 论文发表于顶级会议

现状​

  • 项目已不再活跃维护
  • 代码和模型仍可下载
  • 主要价值在于学术参考

SAI（Sensible Artificial Intelligence）​

开发者：SAI 团队 / 欧洲 首次发表：2019 年 授权方式：MIT GitHub：https://github.com/sai-dev/sai

SAI 是基于 Leela Zero 的改进版本，专注于实验性功能。

技术特点​

  • 改进的训练方法：实验各种训练优化
  • 支持更多规则：比 Leela Zero 支持更多围棋规则
  • 实验性功能：测试新的网络架构和训练技巧

现状​

  • 仍有小规模社区维护
  • 主要用于实验和学习

PhoenixGo​

开发者：腾讯微信团队 首次发表：2018 年 授权方式：BSD-3 GitHub：https://github.com/Tencent/PhoenixGo

PhoenixGo 是腾讯开源的围棋 AI，曾获得 2018 年世界人工智能围棋大赛冠军。

技术特点​

  • 商业级品质：源自腾讯内部项目
  • TensorFlow 实现：使用主流框架
  • 多平台支持：Linux、Windows、macOS
  • 分布式支持：可在多机多卡环境运行

使用方式​

# 编译
bazel build //src:mcts_main

# 运行
./mcts_main --gtp --config_path=config.conf

MiniGo​

开发者：Google Brain 首次发表：2018 年 授权方式：Apache-2.0 GitHub：https://github.com/tensorflow/minigo

MiniGo 是 Google 开源的教育性质围棋 AI，旨在让更多人理解 AlphaGo 的原理。

技术特点​

  • 教育导向：代码清晰易读
  • TensorFlow 实现：Google 官方示例
  • 完整文档：有详细的技术说明
  • Colab 支持：可在 Google Colab 直接运行

适用场景​

  • 学习 AlphaGo Zero 架构
  • 理解强化学习在游戏中的应用
  • 作为自己项目的起点

各 AI 特点比较​

棋力比较（大致估计）​

AI棋力水准备注
KataGo顶级超人持续训练中
绝艺顶级超人非公开
Leela Zero超人已停止训练
ELF OpenGo超人已停止训练
PhoenixGo准超人已停止训练
天顶职业水准商业产品
星阵职业水准可调整难度

功能比较​

功能KataGoLeela ZeroPhoenixGo天顶
开源✓✓✓✗
目数预测✓✗✗△
多规则支持✓✗✗✗
Analysis API✓✗✗✗
CPU 模式✓✓✓✓
持续更新✓✗✗△

适用场景建议​

需求推荐选择原因
一般对弈/分析KataGo最强且功能最全
学习 AlphaGoLeela Zero / MiniGo代码清晰
商业应用天顶 / 自训练 KataGo授权明确
教学辅助KataGo / 星阵有丰富分析功能
研究实验KataGo / SAI可修改训练

未来发展趋势​

技术趋势​

  1. 更高效的训练方法

    • 如 KataGo 展示的效率提升
    • 更少资源达到更高棋力

  2. 更好的可解释性

    • 解释 AI 为什么下这手棋
    • 帮助人类理解 AI 的思考

  3. 与人类风格结合

    • 训练出更像特定棋手风格的 AI
    • 用于教学和研究

  4. 跨游戏通用性

    • 如 AlphaZero 所展示
    • 单一框架适用多种游戏

应用趋势​

  1. 普及化

    • 更多围棋爱好者使用 AI 分析
    • 手机等设备也能运行

  2. 专业化

    • 职业棋手深度依赖 AI 训练
    • AI 辅助形成标准化

  3. 商业化

    • 更多 AI 辅助围棋产品
    • 教学、分析、陪练等服务

总结​

围棋 AI 生态系统丰富多元：

  • 想要最强棋力和最全功能：选择 KataGo
  • 想要学习 AI 原理：研究 Leela Zero 或 MiniGo 代码
  • 商业应用需求：评估天顶或自行训练模型
  • 特殊需求：根据具体情况选择或组合使用

接下来，让我们进入实战环节，学习如何安装和使用 KataGo！