人类下棋需要理由——AI下棋只靠机制产生

作者：王铭琬

认识AI（人工智慧）最前线，王铭琬为你做最佳向导！2016年3月韩国棋王李世乭与AlphaGo的一战，人类败北後，世界开始认真面对AI（人工智慧）时代的来临！AI可能提高生活品质，也将可能挤压人类的生存空间，认识AI最前线的围棋AI，是思考人类如何面对AI的第一站！

一位顶尖职业棋士全力挥棒的报告书：王铭琬是世界唯一参与围棋AI开发的一流棋士，详尽叙述围棋AI的过去丶现在，并以职业棋士观点提示人类如何因应与AI共存的未来，因为此刻「未来还掌握在人类自己的手里！」

死活，围棋最基本认识之一

下围棋最基本的认识或技术，可以说就是「死活」吧！众所周知，围棋吃子的规则是把对手包围起来後，可以吃掉，从棋盘上提取（如图一丶图二） 。

这可以说是围棋唯一的规则 ，决定胜负的方法，跟象棋或日本将棋只要擒王就胜利不同。围棋是以「最後在棋盘上剩下的子较多的一方胜利」，也就是以棋盘盘面全体的总数来分胜负。

围棋虽如前所说明的是「围地更多的一方赢」，但是为了「比对手留下更多子」在棋盘上，则必须「比对方围得更大」才行，都是同样的一回事。

围棋的「围」有围对方的棋子跟围地两个意思；围棋的棋子是不会动的，自己的棋子在棋盘上越多越好，棋子在棋盘上，形成不被吃掉的形状，叫做「活」。

图三：下黑1，就做了「活」的形状。

图四：因为A跟B两个地方都被黑子所包围，根据「围住就能提取」的规则，白A丶B两个点都不能下，这样的点叫作黑棋的「眼」；黑下1确保两眼的话，白棋不可能吃到黑棋，黑棋数子到最後就可以留在盘上。

图五：要是反被下白1，黑棋最後就会遭被提取的命运。

图六：此後白1之後，黑下2围住白二子时，虽黑也同时被白包围，能提取对方的棋子时，就可以下，也就是下黑2的话，可以提掉白2子。

图七：但接下来，白再将1扑进去，黑也只好2提。

图八：到最後下白1，就能把黑子全部提掉。

图九：结果黑子全部被提掉了。图五下了白1的状况，在围棋称为「死」；必须先知道什麽是「活」，否则最後会被提掉，也无法获胜。所以「两眼活」不是规则，而是不被提取的技术。

棋子的死活，是最基本而重要的认识，图四是「活」之中，最单纯的形状。

围棋的变化非常多，关於死活也可以有无限的变化与外观；就像日本将棋有所谓「诘将棋」一样，围棋也有以「死活」为问题形式的「诘棋」，会下棋的人都知道，做诘棋题是提高棋力不可或缺的训练。

在日本将棋，电脑最擅长将死对手，对局时绝对没有看走眼的。

因此围棋AI常被认为很擅长死活，但事实上如前所介绍的，围棋AI对死活并不拿手；人脑的话，很简单地能在棋盘中认识「局部」，然後判断是「活」还是「死」，但是就算是厉害的Master，也还无法做到。

围棋AI对自己的孤子也会做活，但它不像人一般，心想「这样下就活了」，而是因为「下那里就不会输」的计算结果，并非和人一样具备「活」的概念，若硬要教它「活」，它反而没办法下得的那麽好；如果在序盘出现诘棋般的棋形的话，人类会比Master更能正确地把握状况，但这跟比赛的输赢是两回事。

电脑并非不会做诘棋，从几年前起，就有解答诘棋的电脑软体商品，不管多难的诘棋都能瞬间得出正解（只有一个问题是，围棋有所谓「劫」的现象，「劫」又有各式各样的种类，电脑还无法判别「劫」的种类，但将来大概是能解决的）。但这是专门解答诘棋的软体，诘棋是「局部问题」，也只能用局部去解决；对局用的AI是没有「局部」概念的。

从刚才一路在介绍棋子的死活，都是单方被包围的情况，实战不只单方遭到包围；也会出现双方都有危险，哪方都可能被提掉的局面，叫做「攻杀」。围棋的实战，比起单方的「死活」，「攻杀」的场面出现的次数更多，「攻杀」在实战其实比「死活」更为重要。

如第三章Crazy Stone对多贺战时所说明的，「攻杀」也是局部问题，AI至今还没完全解决不擅长攻杀的毛病，人想要胜过Mastr的话，把它诱导到难解而没有转馀地的攻杀局面，大概就有机会吧！

大小，围棋最基本认识之二

围棋的基本认识还有一个，就是「大小」。

围棋最终的目的是取得较多的「地」（阵地），自己下的一手棋能确保多少地，或是能破坏对手多少地，这是能用数字明白表示出来的；计算方法是「自己在一处着手後，与该处被对方下到後的差距」。

图十：下到黑1的话，可以确保A的1个空点（1目）。

图十一：如果被反过来下了白1的话，则谁也没能确保A的空点，A成为没有意义的点「单官」，日文里说「没意义丶不行」的用语「駄目」，就是「单官」一词的日语。

图十与图十一的差是A的一点之差，因此图十的黑1与图十一的白1叫做「一目棋」，围棋的所谓大小是这样得来的；但在实战，还要兼顾全局的「死活」的状况，许多局面无法单纯换算成数字，但若能很明显地呈现「大小」的数字的话，对於下棋的人而言，就求之不得。例如：

如图十二般的局面，A是後手三四目大的棋，已告确定，但其他着手的价值却未能确定；从经验上来看，这个局面的三四目，被认为是比其他的手还要「大」。

几乎所有下棋的人都会下A。

但在实战时，很少像这样在局部就完结的例子，大小无法很明白地用数字表现出来的情形比较多；但职业棋士事实上在脑里有个约略评估的数字，然後继续下下去的；围棋除了死活成为问题的局面以外，大半对弈的局面是以「大小」占思考的中心；以明白的数字来呈现的大小，跟死活一样，是局部完结的问题。

人类下棋需要理由——AI下棋只靠机制产生

人类常以「这手是○目」丶「这手是○○目」为理由来着手，但是AI从来不作这样的计算，和死活同样，AI的道理只有一个——因为这样下比较容易赢。

拿死活来比喻现实生活的话，是「生命安全」，而大小则可以说是「劳动代价」。没有救生索，又不知时薪多少的话，谁也不会去做打扫大厦窗户的工作。就像我们平时最在乎安全跟薪资一般，下棋的人是以死活与大小问题为中心在下棋。

死活与大小可以说是围棋最基本的单字与文法，而电脑围棋却无法认知，我一直认为这是围棋AI最大的弱点，当然也是最需改善的罩门。

AlphaGo在跟李世乭之战前，公开的棋谱的综合能力，的确非常厉害，但若还在用蒙地卡罗法的话，局部认识的机能的弱点是无法解消的，一百万美元的奖金不用说是李世乭的吧！无法辨认死活及大小，怎麽可能赢李世乭呢？我的棋士生涯，让我只能作这样的判断。

形势判断的重要性远大於「算棋」

就如前面所介绍的一样，结果深层学习带着AlphaGo飞越人类的头顶。

围棋比想像的还要宽广，AlphaGo拥有游刃有馀的计算能力，棋盘广大到让它即使怀着缺陷，却依然能悠悠踏步，有转圜馀地，回避自己的缺陷。

Master看来对算棋更有信心，棋风比AlphaGo更为强悍，AlphaGo尽量不去踩自己的弱点而造成陷阱；Master对付自己的弱点，像是随便踢开脚边的小石头，一点都不会令人担心。

原来下棋必须要有「死活」与「大小」的概念，这个前提是错误的；「死活」与「大小」若是人类下棋的语言，如果能「以心传心」的话，就不需要多说话；我终於想通了，围棋AI并非无法认识「死活」与「大小」，而是没有必要用局部的概念去认识而已！

图十三：Master持白棋，对於黑1，白棋放着右上七子不管，2丶4丶6埋着头连下上边，接着8丶10低位渡过，对黑棋也不是具有威胁性的手段，黑11罩，白七子被吃了，但从结果而言，形势其实白棋并不坏，这虽不能说是到了惊异的判断程度，但要是我，因为无法正确地算出大小，也就无法这麽简单地舍弃这七子。

经过长期深层学习训练後，累积三千万局数据收集对局（现在说不定又多好几倍）与无数自我对战学习的经验，作每秒一百万局的高度模拟；当电脑拥有这样的能力时，把棋盘当作一个整体来处理，其实正是非常符合围棋的本质的方法。

人类因为无法这样处理，只能就解析「局部」得到的资讯，再根据这些资讯来作综合判断，除此之外别无其他方法。今後围棋AI下的棋，对人类而言，虽然非常具有参考价值，但人类遭遇未知局面时，必须对於各个「局部」赋予意义後，再作全体的判断，人类的这种思考倾向是无从改变的。

以人类可能达到的围棋水平而言，AI的表现告诉我们，比起堆积意义的「算棋」，无从捉摸的「形势判断」是重要太多了，而从棋盘全体直接判断形势，正好成了AI的最强项，其正确性与速度，把人类远远抛在後面。

就像有人相信世界是以有理数（算棋）来构筑的，但後来发现丶有理数不过是浮在无理数（形势判断）之海上的藻屑而已，而人类终究无法测量海有多深，只能对着眼前的藻屑望洋兴叹。

 7,018 total views,  2 views today