ARTICLE · 1226016
三种下棋思维:象棋软件、AlphaGo与人类棋手的区别
三种下棋思维:象棋软件、AlphaGo与人类棋手的区别下棋对弈看似只是落子比拼，但传统象棋软件、AlphaGo围棋人工智能、人类棋手，拥有三种完全不同的思考模式。三者代表了人工智能发展的不同阶段，在学习方式、判断逻辑、思维特点上有着本质区别。 传统象棋软件的核心逻辑是人工规则 + 多层搜索剪枝。研发人员结合象棋大师的经验，提前编写固定评分标准，规定各类棋子价值、优势棋形加分、劣势局面扣分。对弈时，软件会罗列所有合法走法，向前推演多层变化，再通过剪枝舍弃明显劣势的分支，选择最优路线。 很多人认为象棋软件出现判断失误，是因为打分规则死板。其实不完全准确。从理论上讲，如果软件能把所有变化完整推演到终局，分出输赢、和棋结果，就完全不需要人工静态子力打分，仅凭终局胜负就能反向判定每一步棋的优劣，不会误判任何弃子绝杀、长线陷阱。 但现实中无法做到全盘推演到底。象棋变化极其庞大，多数局面没有快速绝杀，会进入几十甚至上百回合的拉锯僵持，无法在有限算力下搜到终局。因此软件只能中途截断搜索，这时就必须依靠人工设定的静态评分公式判断局势。所以，象棋软件失误，一是算力有限、搜索深度不足，看不到长远伏笔；二是截断后的人工评分存在局限，无法适配所有特殊精妙局面，这是传统搜索算法的固有短板。 这套“人工评分+暴力搜索”的模式，完全无法照搬用来下围棋。围棋棋盘更大、落子选择更多，每一步的合法走法是象棋的数倍，变化量呈爆炸式增长。若想达到象棋同等的搜索深度，需要提升几百亿倍以上的算力，现有技术根本无法实现。更关键的是，围棋的外势、厚薄、全局潜力模糊抽象，无法用简单的子力得失量化打分，人工根本写不出精准的评估规则，这也是围棋AI必须走向机器学习的核心原因。 AlphaGo彻底跳出了传统软件的固定框架，依靠机器学习自主习得棋艺。AlphaGo神经网络里几百万参数，并不是一开始就设定好的。训练之初，所有参数只是随机数字。它依靠反向传播与梯度下降自动寻找合适参数：输入棋盘局面，网络给出落子推荐和胜率预估；再把预估结果和真实对局结果（人类棋谱的走法、自我对弈最终的输赢）对比，计算误差。系统顺着减小误差的方向，一点点微调全部参数，经过海量对局反复迭代，慢慢收敛成一套适合评估围棋的参数。这个过程不是穷举所有参数组合，而是逐步试错逼近，因此最后得到的是一个够用的近似模型，而不是绝对完美的标准答案。 这里容易产生一个疑问：这些参数又是如何和棋盘局面建立对应关系的？ 棋盘并不是直接以图片形式输入网络。研究人员预先人工选定需要采集的棋盘信息，比如黑子、白子、劫、历史盘面等内容，规定好输入向量的结构框架；程序再根据实时棋盘局面，自动填充数字，生成这一串向量。也就是说：向量包含哪些维度是人设计的，但向量内的具体数值由盘面自动生成。参数并不单独对应某一块棋、某一种棋形，不存在一个参数专门代表外势或者死活。几百万参数是网络多层运算的调节系数，整套参数共同组成一套复杂的转换函数。盘面数据经过多层与参数的运算，最终输出落子推荐和预估胜率。 训练的过程，就是不断微调这套系数，让同样的棋盘输入，输出的判断越来越贴合对局真实结果。所有对棋形、厚薄、潜力的识别，是整套参数协同形成的隐性统计关联，分散藏在网络之中，无法拆开单独解读。这和象棋软件完全不同：象棋是人先提取棋形特征，再给特征配上固定分值，逻辑透明清晰。它先通过模仿海量人类棋谱掌握基础走法，再依靠大量自我对弈持续优化参数，自主学会判断棋局优劣。 需要特别注意的是：AlphaGo数百万参数构成的价值网络，并不能对每一个棋局给出绝对准确的胜率。它输出的只是基于海量数据拟合出的近似预估概率，并不是棋局的真实最优结果。对于训练中常见的普通局面，它的判断非常精准；但遇到极其罕见、少见的特殊盘面，它同样会出现估值偏差。 AlphaGo之所以强大，是因为它不单独依赖这套参数直接打分。 它先用策略网络做初选：棋盘上有上百个落子点，策略网络会优先挑出最有可能赢棋的几个候选点，把算力集中在这些点上，不去浪费资源在明显很差的走法上。 接着，它对这些候选点做大量虚拟对局模拟。这里很容易产生疑问：模拟一盘棋直到结束，难道不也需要巨大算力吗？其实它的模拟和象棋那种深度推演完全不一样。模拟过程后续落子，只是依靠策略网络快速抽样选点、快速走完对局，不再开展繁重的深度搜索，单次模拟开销很低。它追求的不是单盘模拟走出最优招法，而是依靠大量模拟的输赢统计，用概率平均值修正一开始的胜率预估。当然模拟也有局限：模拟里面很多走法本身就是随手的劣招，带有随机性噪声，模拟次数太少，统计结果就容易不准。AlphaGo是在算力预算内，控制模拟次数，在速度和判断精度之间寻找平衡。 简单来说：策略网络负责缩小候选范围，价值网络给出初步判断，虚拟模拟进一步验证、修正判断，三者配合，才达到了超越人类的棋力。但归根结底，它的判断只是统计规律，不懂棋理、没有大局认知，不存在真正的理解与思考。 人类棋手的思维，是三者中唯一具备真正认知与智慧的模式。我们学棋先懂规则、再悟棋理，能够理解每一步棋的战略意义。思考棋局时，大脑只会激活少量相关神经元，主动筛选关键变化、舍弃无效思路，凭借棋感、逻辑推理和大局观判断局势。 人类可以举一反三、灵活变通，懂得弃子争先、造势控盘，能在对局中反思总结、持续进步，甚至创造全新战术思路。我们拥有理解、取舍、创新和战略预判的能力，这是所有人工智能都无法企及的。 总而言之，传统象棋软件是人定规则、算力搜索，判断受限；AlphaGo是数据自学、概率拟合，精准但无认知；人类棋手是理解思考、灵活创造，拥有真正的智慧思维。三种思维的差距，清晰展现了传统程序、智能AI与人类大脑的根本区别。
