围棋软件katago与绝艺AI棋力对比

关于开源软件katago与闭源软件绝艺的实力对比，一直是围棋爱好者热议的话题。最近，一篇探讨katago在低算力环境下对抗神经网络表现不佳的文章，再次引发了人们对当前AI水平的关注。显然，AI与围棋的真理仍存在一定差距，这主要源于训练时探索噪声覆盖的搜索空间有限、卷积网络层数不足以及搜索算法剪枝不当等因素。理论上，通过增加卷积网络的深度和合理引入噪声，可以提高软件在复杂局面下的判断精度。经过两年多的训练，katago采用了60层残差网络，而据小道消息，绝艺完全体则采用了80层残差网络。

不同的软件因采用不同的网络架构和搜索剪枝策略，在实战中展现出各异的性能。但值得注意的是，这背后涉及到一个广度和精度的权衡问题。通用性较强的AI虽然不易出现严重误判，但若无法将状态空间引导至对手不熟悉的局面，则难以战胜对手。一个现实生活中的例子是，高考生在数学竞赛中难以取得高分，而数学竞赛选手在高考中也未必能表现出色，这正是因为他们的训练环境和侧重点不同。

近期，柯洁在直播中展示了绝艺在各种职业比赛中的胜率预测结果，为我们窥探国家队使用的绝艺水平提供了宝贵线索。以下对比均基于相同的模拟量（12万po）和规则进行。其中，部分katago的搜索宽度设置较大，而部分则采用默认搜索宽度。

从这些案例中可以看出，绝艺的胜率预测相较于katago更为极端，这与其采用更深的卷积网络以及更多的训练次数（得益于鹅厂雄厚的资金支持）密不可分。若两者对弈，很可能重现绝艺与地震狗的对局结果——“尽管绝艺并未使出令人惊艳的招法，但我们的胜率却在悄然下降，最终遭遇完败。”（此评价出自地震狗软件的作者）。然而，需要指出的是，尽管胜率预测的差异是一个重要指标，但它仅是反映AI价值网络评估的一个方面，而非绝对真理。在某些情况下，可能存在误判的风险（尤其是当两个AI对黑白双方胜率预测截然相反时，尽管在作者目前分析的棋局中尚未出现此类情况）。因此，在得出最终结论之前，还需进一步评估AI的泛化能力。从职业陪练的角度来看，由于职业棋手需要掌握应对各种局面的技巧，泛化性可能更为关键。