一、围棋AI的决策框架：从搜索到价值评估
围棋AI的决策系统并非依赖简单的规则匹配，而是通过蒙特卡洛树搜索（MCTS）与深度神经网络的协同实现。传统MCTS通过随机采样模拟落子结果，但计算量随棋盘复杂度指数级增长。AlphaGo类AI通过引入策略网络（Policy Network）和价值网络（Value Network），将搜索效率提升数百倍。
策略网络负责预测人类棋手的落子概率，其输入为当前棋盘状态（19×19二进制矩阵，0表示空点，1表示己方棋子，-1表示对方棋子），输出为每个空点的落子概率分布。例如，在开局阶段，策略网络可能赋予“星位”“小目”等常见开局点更高的权重。价值网络则直接评估当前棋盘状态对己方的胜率，输入同样为棋盘状态，输出为0到1之间的胜率预测值。
二、神经网络架构：卷积与残差连接的深度融合
AlphaGo的核心神经网络采用多层卷积架构，基础版本包含13个卷积层，每层使用3×3的卷积核提取局部特征。例如，第1层卷积可能识别“气”“眼”等基础围棋概念，第5层卷积开始组合“打吃”“征子”等中级战术，第10层卷积则能理解“厚势”“模样”等高级战略。
为解决深层网络梯度消失问题，AlphaGo引入残差连接（Residual Connection）。每个残差块包含两个卷积层和一个跳跃连接，公式表示为：H(x) = F(x) + x
其中F(x)为卷积层输出，x为输入特征。这种设计使网络可以训练超过100层的深度模型，而不会出现性能退化。
三、强化学习训练：自我对弈的进化之路
AI的棋力提升依赖强化学习（RL），其训练流程分为三个阶段：
- 监督学习阶段：使用人类棋谱数据（约16万局）训练策略网络，最小化预测落子与实际落子的交叉熵损失。例如，若某局人类在(10,10)落子，而网络预测概率为0.8，则损失函数会惩罚其他点的预测值。
- 强化学习阶段：AI与自身旧版本对弈，通过策略梯度算法优化落子策略。每局对弈后，根据最终胜负调整策略网络的参数，使高胜率落子的概率增加。例如，若某局AI通过(15,15)落子获胜，则该点的预测概率会被强化。
- 价值网络训练：使用强化学习阶段生成的对弈数据，训练价值网络。输入为棋盘状态，标签为该状态下的最终胜负（1或0）。通过均方误差损失函数，使网络预测值逼近真实胜率。
四、搜索算法优化：UCT与虚拟损失的结合
在MCTS中，UCT（Upper Confidence Bound for Trees）算法是平衡探索与利用的关键。其节点选择公式为：
UCT = Q + c * sqrt(log(N)/n)
其中Q为节点平均胜率，N为父节点访问次数，n为当前节点访问次数，c为探索系数（通常设为√2）。例如，若某节点Q=0.7，父节点访问100次，自身访问10次，则UCT值为0.7 + √2 sqrt(log(100)/10) ≈ 1.6。
为提升并行搜索效率，AlphaGo引入*虚拟损失（Virtual Loss）。当多个线程同时搜索同一节点时，临时减去一个固定值（如0.1）的胜率，避免重复计算。例如，若某节点初始Q=0.8，第一个线程访问后Q变为0.7，第二个线程访问时基于0.7继续搜索，而非重复计算0.8。五、实战中的动态调整：温度参数与时间控制
在真实对弈中，AI需根据剩余时间动态调整策略。温度参数（Temperature）控制落子的随机性：开局阶段（前20步）温度较高（如1.0），鼓励探索多样开局；中盘阶段（20-100步）温度降至0.1，优先选择高胜率落子；官子阶段（最后50步）温度接近0，完全按价值网络选择。
时间分配策略采用剩余时间比例分配。例如，总限时30分钟时，开局分配5分钟（16.7%），中盘分配20分钟（66.7%），官子分配5分钟（16.7%）。若某阶段用时超支，后续阶段会按比例压缩时间。六、技术演进：从AlphaGo到MuZero的跨越
后续围棋AI（如MuZero）进一步突破规则依赖，通过模型基强化学习（Model-Based RL）直接从数据中学习环境动态。其核心创新在于：
- 不预设围棋规则，而是通过神经网络预测落子后的棋盘状态变化。
- 结合MCTS与价值网络，在未知规则下实现高效搜索。
例如，MuZero在训练时仅接收棋盘状态和胜负信号，通过自博弈逐步构建对围棋规则的理解，最终达到超越AlphaGo的棋力。
围棋AI的技术实现融合了深度学习、强化学习与搜索算法，其核心在于通过神经网络高效压缩搜索空间，并通过强化学习持续优化策略。对于开发者而言，理解这些技术原理不仅有助于应用AI于其他博弈场景（如象棋、将棋），更能为通用决策系统的设计提供借鉴。未来，随着模型基强化学习的发展，AI在复杂动态环境中的决策能力将进一步提升。