这一次，我们比国外研究者快了一步

AI棋艺新突破

最新推荐文章于 2025-12-12 18:01:47 发布

原创最新推荐文章于 2025-12-12 18:01:47 发布 · 557 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #神经网络 #机器学习

国内团队研发出确定性神经网络，推出连子棋应用，AI落子更接近人类棋手，易于理解和复盘。相比MetaAI等机构的KL正则化搜索，此国产神经网络已应用于商用产品。

刚刚看到“视觉算法”在2021年12月18日（昨天）晚上的23:54分通过微信公众号推送的一篇文章，文章题为“模仿并超越人类围棋手，KL正则化搜索让AI下棋更像人类，Meta&CMU出品”，文章链接为“http://mp.weixin.qq.com/s?__biz=MzU4NjIxODMyOQ==&mid=2247506314&idx=5&sn=1fc828e248d7edb2b4196d9f740754f1&chksm=fdfc37bcca8bbeaa797960d943290abf52544e34c6d63d751d29de4358fa076edebf3121f1a8&mpshare=1&scene=23&srcid=12197nvTt5fCUDZPhg7rqEK9&sharer_sharetime=1639874185880&sharer_shareid=52e6f0e9960b52e11472f205f8f0dd39#rd”。

在这篇文章中提到，AlphaGo下棋不像人类，和AlphaGo对弈过的顶级棋手都有这种感受，他们觉得AI落子经常让人捉摸不透。这不仅仅是AlphaGo的问题，许多AI系统无法解释，且难以学习，如果想让AI与人类写作，就不得不解决这个问题。现在，来自Meta AI等机构的研究者们打造出一个能战胜人类顶级棋手、且更容易复盘棋谱的AI，论文名为“Modeling Strong and Human-Like Gameplay with KL-Regularized Search”，他们用人类棋谱训练AI模仿，并让后者超越了人类。

文章中还提到，AlphaGo使用的自我博弈与蒙特卡洛树搜索（MCTS）虽然练就了无比强大的AI，但它的下棋更像凭直觉，而非策略。如果要让AI更像人类，更应当使用模仿学习（Imitative learning），但是这却很难让AI达到人类顶级棋手水准。Meta AI和CMU的研究者发现，加入了KL正则化搜索后，一切都不一样了。AI的落子策略变得与人类棋手更加相似，这就是他们提出的新方法。

以上便是引文所描述的主要内容，更详细的信息可以参考原文，原文中也提供了相应论文的信息和下载地址。

我们同样认为，目前的AI系统普遍存在类似的问题，包括AlphaGo在内的AI在落子时与策略的关联度过小，因而我们研发出了“确定性神经网络”，并基于这种国产神经网络开发了一款连子棋应用“神经网络连子棋”，这款应用已于2021年11月1日起正式上线推广，网址为：www.gnxxkj.com。

在神经网络连子棋及其衍生品“神经网络五子棋”的使用过程中发现，我们的AI落子同样与人类棋手更加相似，更容易理解和复盘，与策略的关联度更高（而非凭直觉）。同时，我们还依据这种特性开发和展示了“神经网络五子棋家庭版”与“五子棋等级考试版”，这两款软件更能提现确定性神经网络与人类棋手的相似性。

从时间上来看，我们是11月发布的，而论文是12月发表的；从形态上来说，我们是商用产品，而国外的是研究论文，从论文到商用产品还有一段较长的路程要走；从技术原理和基础上来说，我们的“确定性神经网络”是一款全新的国产神经网络，从基础理论开始进行了全新设计推导论证的一个算法体系，而上述那篇论文只是引入了KL正则化搜素，还有诸多因素需要考虑和验证。另外，我们训练用的是对弈棋局，而论文中用的训练数据是人类棋谱，这也是一个差异。

从以上的诸多方面来看，这一次，我们的研究比Meta AI和CMU的这个团队快了一步，也标志着中国在核心的基础算法层面走出了一大步。

当然了，前述论文中主要测试的是围棋和象棋，而我们主要应用的是连子棋，这个有所差别。另外论文作者已经给出了一定的测试结果统计数据，我们还不清楚他们的测试数据来源、数据量等信息，所以在这些方面还无法去做定量化的对比。

我们的产品目前已经上线，通过用户的参与（从官网或开源网址下载相应应用）和AI自我对弈，我们已经获得了6117组六连子和12033组五连子（五子棋）对弈数据用于学习，训练出的神经网络均达到了11层的深度，而且在上线的这一个多月中，线上供挑战的六连子已经越来越智能，挑战难度越来越大了。相信随着获取到的对弈数据越来越多，随着网络模型训练得越来越全面，神经网络连子棋也将越来越智能，届时我们将会通过一定的方式进行评估并对结果进行统计分析，如果有研究人员对此感兴趣的，也可以联系我们共同评估分析。

文中所提的神经网络连子棋及其开发包（包含案例的完整代码）可在如下地址下载：

官网下载：www.gnxxkj.com

github下载：https://github.com/wangdechang119

gitlab下载：https://gitlab.com/wangdechang119

gitee下载：https://gitee.com/wangdechang119