夜雨聆风
AI为什么要跟自己下棋：自我博弈背后那个反常识的逻辑
人类学东西需要老师、需要对手、需要反馈。但有一类AI，它的老师是它自己，它的对手也是它自己。听起来像精神分裂，但这恰恰是它超越人类的原因。自我博弈，是AI发展史上最被低估的一个概念。
2016年，AlphaGo击败李世石。很多人记住了那个画面：人类顶尖棋手，输给了一台机器。但大多数人没有追问的一个问题是：这台机器，是怎么变强的？它没有师父，没有棋谱老师，没有一个更厉害的AI在旁边指点。它的训练方式，说出来有点荒诞——它一遍遍地和自己下棋，然后越来越强。
人类的学习有一个隐藏的天花板
我们学任何技能，都依赖一个前提：有人比你强，然后你去跟他学。学棋，你需要找到比你高段的人；学写作，你需要读比你写得好的文章。这个逻辑本身没问题，但它暗含了一个限制：你的上限，被你的老师锁死了。如果世界上最强的棋手是你的老师，你最多只能接近他，很难超越他。人类围棋发展了几千年，棋力在缓慢爬升，但每一代人都是站在上一代人的肩膀上，线性叠加。
AI的自我博弈，打破了这个逻辑。它不需要一个「更强的老师」，它只需要一个「当前的自己」，然后用当前的自己去挑战、去击败、去超越。每次迭代之后，它的对手也随之升级——因为对手就是它自己。这是一个自我驱动的螺旋上升，没有外部上限。
「
最好的对手，是一个和你一样渴望赢的自己
」
自我博弈的底层机制：不是「练习」，是「探索」
很多人把自我博弈理解成「大量练习」，这是一个误解。普通的大量练习，是在已知的知识范围内反复巩固。而自我博弈的核心，是在对抗中生成新知识。两个版本的AI互相对弈，会不断试探彼此的边界，发现对方没见过的走法，逼出对方没有测试过的应对。每一局棋，都是一次知识的边界扩展。这个过程有点像两个人在黑暗中互相摸索地图——他们不是在复习已有的地图，而是在画出新的地图。
490年
人类围棋职业体系存在的时间，AlphaGo Zero用40天超越了这一切积累
AlphaGo Zero是这个逻辑的极端版本。它没有学过任何人类棋谱，从零开始，只知道规则，然后自我博弈。40天后，它击败了学过人类棋谱的AlphaGo，赢得100比0。这个数字不是在说AI有多厉害，而是在说：人类几百年积累的直觉，可能反而是一种束缚。当你从人类棋谱开始学，你学到的不只是好的走法，还有人类的偏见和盲区。从零开始的AI，没有这些包袱。
这个逻辑已经溢出了棋盘
1蛋白质折叠预测：AlphaFold用类似机制，在生物结构预测上实现了「50年问题，两年解决」
2游戏AI：OpenAI Five在Dota2中，用自我博弈训练出超越人类职业战队的协作策略
3语言模型的对齐训练：RLHF中的奖励模型，本质上也是一种自我博弈的变体——用一个模型去评估另一个模型
4芯片设计：Google用强化学习+自我博弈，让AI设计出人类工程师想不到的芯片布局
这四个领域，表面上差异极大，但底层逻辑一致：给定规则，给定目标，让系统在自我对抗中涌现出超越人类先验知识的解法。自我博弈不是一个围棋技巧，它是一种绕过人类知识上限的方法论。
但它有一个致命的前提
自我博弈听起来像万能药，但它有一个经常被忽视的前提：你必须有一个清晰的、可以自动评分的目标。围棋有赢棋这个终极目标，蛋白质折叠有物理规律作为评判标准。在这些领域，AI可以自动知道自己做得好不好，不需要人类介入每一步反馈。但很多真实世界的问题，没有这样清晰的评分函数。写一篇好文章算赢还是算输？做一个好的商业决策，要多久才能知道结果？当目标模糊、反馈延迟，自我博弈就会失去方向感，甚至陷入「两个AI互相说对方好」的自我欺骗循环。
●自我博弈的边界：它能在「规则明确的世界」里无限进化，但在「目标模糊的世界」里，它需要人类来定义什么叫赢
这也是为什么，今天最先进的大语言模型，在训练时仍然需要人类反馈。不是因为AI不够强，而是因为「对人有用」这件事，很难被自动量化。自我博弈是一个强大的引擎，但它需要人类来告诉它，目的地在哪里。
一个更大的问题
如果AI可以在规则明确的领域无限自我进化，那我们应该担心什么？不是「它会不会超越人类」——它在很多领域已经超越了。真正值得想的问题是：当AI通过自我博弈发展出人类从未想到过的策略，我们有没有能力理解它在做什么？AlphaGo下出的「第37手」，当时所有人类棋手都认为是错误，后来发现是天才。但如果有一天，它下出的棋，我们根本看不懂好坏，怎么办？自我博弈生产的，不只是更强的AI，还有越来越难以被人类审计的决策逻辑。
✦ 小结
自我博弈的本质，是一种不依赖人类知识上限的进化机制。它让AI在对抗中生成新知识，而不是复习旧知识。但这个机制有两个边界：一是需要清晰的目标函数，二是它产生的洞察，未必是人类能读懂的语言。AlphaGo教会我们的，不只是AI可以下围棋，而是有些领域，把人类经验清空反而是优势。
