最近对围棋产生了一点兴趣。这个"兴趣"离"会下"还差得很远。我知道规则，知道怎么吃子，听过布局、定式、死活这些词，但真给我一盘稍微复杂点的棋，让我说哪里重要、哪边占优，我大概完全看不出来。最先让我困惑的倒不是围棋为什么值得研究，而是：亲自下棋到底有什么乐趣？如果下棋就是脑子里不停预测——我走这里，对方可能走那里，再往后推十步——那它更像一场纯脑力比赛。业余玩家在这件事上天然吃亏：别人每天做死活题、研究定式、复盘棋谱，算得自然比我深。我偶尔下一盘，投入量摆在那里，还没开始好像就已经输了。带着这个疑问查了点资料（也问了不少 AI），慢慢发现，投入练习固然重要，但是我仍把"计算"放到了太中心的位置。围棋当然很需要计算。但在展开一个局部之前，棋手其实已经做了很多别的判断：现在是什么局面，哪里重要，哪里更急，哪块棋弱，这一仗有没有必要打，这个定式放到今天的棋局里合不合适。计算只是整套决策里的一部分。更关键的是：面对一个根本不可能穷举的空间，先把它压缩成少数真正值得研究的问题，再把有限的计算花在那些地方。想到这儿，我很自然地想到了做设计——尤其是 AI 已经能把"展开方案"这件事变得很便宜之后。
我一开始把定式理解成"标准答案"。围棋研究了几百年，一个角走成这样，后面最正确的下法应该早就定了吧，照着下就行。后来才知道不是。定式更像长期实践后局部双方都能接受的变化：一边拿角上实地，一边得外势，谁也没明显吃亏，于是稳定下来。问题在于，棋盘不只有这个角。外面已经有什么棋，外势朝向哪边，附近有没有弱棋，这一盘更需要实地还是发展——都影响同一个局部到底值不值。更有意思的是，定式本身也不是一张永远正确的答案表。AI 出现以后，一些职业棋手用了很多年的变化被重新评价，以前看着有点奇怪的下法反而开始流行。所以我现在更愿意把定式理解成：被长期经验压缩出来的成熟方案。它告诉你这类局部以前的人通常怎么处理，却不会替你决定今天这盘棋需要哪种结果。软件工程里的成熟模式也一样。设计模式、架构模式、经典算法和协议值得学，是因为它们省掉了从头发明的成本。但"这是一个成熟方案"和"我的系统现在该用它"，中间始终隔着具体上下文。这种感觉在大多数软件系统里应该都成立。不过要举例子，我更熟悉的是数据库。数据库领域尤其不缺"定式"：B+ Tree、LSM Tree、WAL、MVCC、Buffer Pool、同步复制、Raft，都有大量成熟经验，论文、实现、最佳实践一应俱全。现在了解这些东西比以前容易太多了。想比较 B+ Tree 和 LSM，很快能拿到一份完整分析；想了解某种复制协议，也能马上得到几套不同实现。真正麻烦的反而是另一些问题：现在面对的到底是什么 workload？这个系统真正害怕什么？某部分复杂度值不值得承担？一个局部机制单独看收益不错，放进完整数据库以后还是不是这样？
中盘：哪里都能下，但不是哪里都该下
进入中盘，棋盘上的事一下子多了起来。门外汉最直观的感觉就是：哪里都有事。这边几颗棋正在接触，那边还有大片未确定的空间，中间某块棋似乎不太安全，另一侧又好像有机会攻击。如果每个地方都重要，下一手反而最难决定。围棋里讲"急场"和"大场"，这个区分我特别有感触。一个地方大，说明最终价值高；另一个地方最终价值未必最大，但更急。朴素点理解就是：大场可以以后再抢，急场如果错过时机，棋本身可能马上受损。所以下一手并不总是去棋盘上"价值最大"的地方，而要同时判断大小和紧迫程度。价值和优先级，不是一回事。中盘还有一个概念叫"先手"，我第一次听到这个名字时完全没意识到它有多重要。一个局部变化结束，如果对方必须回应，你还能继续掌握主动；如果对方可以不理，转身去别处，那你就算局部得了些利益，也可能失去下一步选择重要位置的机会。所以评价一段变化，不能只算各自拿了多少，还要看交换之后下一手重要棋轮到谁下。有时候宁可少拿一点眼前利益，也要保住主动权——"局部最优"一下子复杂了很多。做数据库项目久了，这两种感觉都非常熟悉。索引还能优化，Checkpoint 还能更平滑，缓存命中率还能提高，复制延迟还能降，恢复、监控、异常处理，几乎每个方向都还能往前走。这些事都不是"没价值"，难的是决定现在先做什么。一个模块当然也可以继续打磨，把 API 做得更漂亮、性能再提一点，但为了把这一块做到最好，整个项目一直没有精力进入下一个真正重要的问题，那局部的最优也就没那么重要了。以前实现成本本身会挡住不少想法，一个优化要几周，大家自然会认真掂量。AI 让"先实现一个看看"越来越便宜之后，这层约束在减弱，排序反而比以前更重要了。
讲了这么多判断，很容易走到另一个极端：好像只需要大局观，计算不重要了。围棋显然不是这样。进入局部战斗，一块棋能不能活，这里能不能断，征子成不成立，双方对杀谁先没气，最后还是要把具体变化展开。认真学棋的人大量做死活题，大概就是练这个。只是我现在开始理解，局部计算和大局判断解决的是不同的问题。一个人可以局部算得很深，却在开头就为一个不值得打的地方投入了大量棋子；反过来，方向判断得再好，关键死活算错一步，整块棋死掉，前面的判断也全失去意义。所以围棋要的是两件事同时成立：先找到值得计算的地方，到了那里，又有能力真的把变化算清楚。这也是我觉得它和 AI 时代做设计最像的地方。AI 特别擅长展开后半段：搜代码、枚举方案、写 prototype、补测试，把过去很耗时的工作变得便宜。于是人的注意力很自然地往前移了一点：到底让 AI 算什么，为什么值得算这个，算出来的结果又怎么判断。
夜雨聆风