自从Alphago碾压的方式战胜人类之后，人类就开始了对胜率的崇拜。但是实践表明，AI的胜率有时候是建立在误算，甚至是错进错出的基础上。那么为什么AI的胜率还能相对准确呢？这是一个比较深的问题。首先，这个所谓准确是有比较对象的，这个比较对象是人类。而不是围棋上帝。其次，多数情况下，围棋的最优解是一个解集，而不是某个单一解，解集中的每个解都是等价的，尤其是仅仅以胜负为输出的情况，如果以胜负目数为输出，则等价的情况会有变化。换句话说，某一个局面下双方相互简单正手推进和奇兵叠出在数学上是等价的，所以对那些复杂局面的错误统计根本不会影响结果，只要统计那些多数的简单局面就能得出正确的胜率。这个方法是MC算法的基础，实际上这不是新鲜东西，要知道在科学研究中，分子模拟计算电子云早就采用这种方法，就是密度泛函理论的应用基础。
现在我们知道AI对倒脱靴无能为力，但是倒脱靴在实战中非常少见；打劫有问题，但是必须是复杂的劫争；多处死活关联的情况有问题。除了这些，笔者发现，对于角上的死活问题，尤其角上死活关联外围的情况，AI似乎处理也有困难。
图1
如图是日本本因坊战的局面。经过研究这个局面有正解如图2。顺便说一句，实战黑棋没有走出正解。
图2
图2：实战黑走在2位夹，正解是1点，然后按图中顺序成为缓二气劫。这个问题复杂在于如果黑角上气长，黑断掉白外围，对杀白棋气不够。
对这个问题AI表现如何呢？
图3
图3：AI第一步走对了，模拟量10万步。然而，后面AI给出了一个奇葩变化……
图4
简略起见AI的变化图汇总如下，白棋先在外围1,3交换，这倒是可以理解，先手补断点嘛！但是角上5,7的组合是什么鬼？奇葩的是黑应在8位挡，最后白13成为打劫。且慢，如果下一手黑粘上，岂不是和图2正解惊人相似？那么在统计上其实并不影响正确性？笔者恍然大悟！
通过这个例子，我们明白了所谓精妙变化和垃圾变化其实在数学统计上没啥区别，所以看上去很科学。
图5
我们看看过程中的胜率和模拟量。
白胜率60，模拟量26万。
图6
黑胜率39.8，模拟量36万。
图7
白胜率60.3，模拟量34万。
图8
实际上，只要死活有点水平的人就能发现黑4，这个结果是黑棋净活。
图9
图9：黑净活之后，白胜率跌到26。在本文中，胜率出现暴跌，就说明AI认可了我们的研究。
有棋友说这是elf的研究结果，换一个AI是不是还成立？笔者无法找到比elf更厉害的AI，所以无法详细研究，但是并不妨碍通过目前众多的比赛寻找端倪。
恰好最近AI比赛中出现一个例子：
图10
黑棋是elf，白棋是星阵。星阵的优化目标是赢棋目数，而不是胜率，所以这其实是一个不同的构架。
图11
实战白棋手筋连发，角上黑打劫，此劫黑重，白棋顺利取胜。但是从死活角度讲，这是白棋后手劫。
图12
如果这是人类的棋谱，必将被评价为不如业五，因为实际上白棋1,3黑是净死。白棋把净杀走成后手劫，那不不是不如业五吗？但是这是计算机在下棋，估计没人敢如此评论吧。
图13
过程很简单，这里的变化一点都不复杂。
但是为什么计算机要按实战下呢？笔者并不知道星阵的看法，用elf简单看了一下胜率，实战图11打劫时，黑胜率不到20，而图13，黑胜率在37！估计星阵的看法也类似吧。也就是说，AI们认为净吃不如打后手劫。这个结论，作为一个人类肯定是不能相信的，如果任何一个道场的小朋友走出这种棋都会被严厉批评。但是AI胜率如此，也就是说本例笔者认为AI失误，但是计算机并不承认罢了。
结论：
1、AI对于角上死活关联外围的情况会有问题。
2、AI的胜率在多数情况下是科学的，但是并不排除少数情况下AI对胜率支持的变化图是有问题的，甚至，有些结论是令人费解的。
那么，AI有那么多问题，而为什么人类却无法战胜它呢？这个问题下次再详细讨论。
发表于 2018-9-3 10:12:18
收藏
楼主
