研究特稿 · 11

比最优着更重要：围棋 AI 应该开始测量“人能不能发现”

当公开模型已经远超职业棋手，继续只报胜率、目差和第一选，会把最宝贵的信息压扁。本文提出一套可验证的数据框架，把最优性、人类可发现性与模型不确定性放回同一局面，说明下一代复盘为什么应从答案机器变成学习测量仪。

1. 棋力还在增长，但新的稀缺品已经不是“更强答案”

   截至 2026-08-24，KataGo 公共训练累计约 9680 万盘训练棋、48.2 亿行训练数据和 945 个网络。新发布的 b11 Transformer 约 7100 万参数，在一份公开单卡近似测试中，相对 7300 万参数的 b28 卷积网达到约 +460 Elo 的等评估次数优势和 +300 Elo 的等时间优势；两种口径都只在该测试内成立。供给正在从“偶尔得到一个超人类答案”转为“廉价地反复观察多个超人类系统”。真正稀缺的因而变成：怎样判断一个答案对具体的人是否可见、可学，以及模型自己是否确信。

   这不是说普通用户需要同时运行所有模型，而是研究数据应当保留比较能力。训练站的绝对 Elo 来自等 visits 的内部对局池，大模型因此获得更多实际计算；等时间结果又随 GPU 与后端改变。文章只使用同一实验内的相对差，产品侧则应先在自己的硬件上测每秒评估数和端到端延迟。最强模型负责给出当前上界，小模型与旧模型负责暴露判断是架构进步、搜索加深，还是单纯花了更多时间。

2. 把每个决定放进三轴坐标：损失、可发现性、不确定性

   第一轴是最优性损失 L：从行棋方视角比较实战着与稳定首选的目差，胜率只作辅助，因为均势附近与胜负已定时同样的目数会对应完全不同的胜率摆幅。第二轴是可发现性 F：给定段位与年代的人类策略，对首选、实战着和可接受候选分别分配多少概率。第三轴是不确定性 U：换搜索预算、模型代际、棋盘旋转或合理参数后，首选与价值是否稳定。传统复盘只显示 L；三轴数据能区分“明显漏看”“难而重要”“无关紧要”和“AI 自己也没想清楚”。

   U 不应只写成候选着是否相同。可以同时记录预算梯上的首选翻转次数、首选与第二名的目差间隔、policy 的 Jensen–Shannon divergence、卷积与 Transformer 的 scoreLead 差，以及八种棋盘对称输入还原后的策略一致率。它们分别捕捉搜索不足、近似并列、分布整体改变、价值模型分歧和实现中的方向偏差。只有多项都稳定，自动讲解才适合使用“明显”“必须”这类强词。

3. Human SL 补上缺失的人类先验，但它不是弱化版 SOTA

   KataGo 的 b18c384nbt-humanv0 从人类棋谱监督学习，可按现代 rank_20k 至 rank_9d、AI 前 preaz_20k 至 preaz_9d，以及 proyear_1800 至 proyear_2023 输出 humanPolicy。正确用法是保留正常强模型完成价值分析，同时用一评估、完整温度与真实行棋历史读取人类策略；多 visits 会替目标段位解开本来不会解开的战术。Human SL 的胜率和目差也可能受认输、段位误标、让子配对与异常棋谱偏差影响，所以本文只把它当作“人可能怎么下”的概率模型，不当作胜负裁判。

   段位概率最好画成整条曲线，而不是只取一个 profile。若最佳手在 rank_5k 几乎不可见、rank_1k 开始上升、rank_2d 后成为常见选择，它很像一条真实的学习阶梯；若直到 rank_9d 仍极低，就更可能是 AI 特有发现或数据稀疏区。proyear 曲线则能找出 AI 时代前后职业布局选择的迁移，但它只描述模型从棋谱学到的相关性，不能单凭时间变化证明 AlphaGo 导致了某个定式流行。

4. Action-value 让系统第一次能问：看见候选之后，真的知道后果吗

   策略概率 P 只说明模型愿不愿意先看一手，不说明这手被认真搜索后会怎样。KataGo v1.16 开始在新生成的自对弈样本中记录 qValueTargetsNCMove，为局面中被搜索的动作提供后续胜负与目差目标；这不代表历史 48.2 亿行都带有该字段，也尚未成为公开主模型的成熟产品输出。研究上可以把 raw policy、根节点访问分布、每个候选的搜索后 Q 值与最终深搜值分开：低 P、高 Q 是“难发现的好手”，高 P、低 Q 是“直觉诱饵”，两者对教学完全不同。

   一个实用的候选记录至少包含 move、raw policy、humanPolicy、visits、edgeVisits、scoreLead、winrate、PV 与搜索预算。对同一候选在预算梯上追踪 Q，可以观察它是早期误判后被纠正，还是始终稳定。若 action-value 训练进一步成熟，还可以训练无需完整 MCTS 的候选重排器；但它必须与深搜教师在未见棋手和未来棋谱上校准，不能因为训练 loss 下降就宣称已经学会搜索。

5. 复盘优先级不应等于最大损失：先定义“可教学性”

   本文提出一个待验证而不是既成事实的排序：Priority = L × Fnext × C。L 是截断后的目数损失；Fnext 是比当前棋手高约两级的人类策略找到最佳或等价好手的概率，用来近似“近期可达”；C 是跨预算、跨模型与对称变换的一致性。大损失但 Fnext 极低的神仙手适合收藏，不一定适合本周训练；中等损失、Fnext 高且反复出现的习惯错误，通常更值得先讲。公式必须保留三个分量并接受教练校正，不能再压成一个貌似客观的神秘总分。

   Fnext 选择“高两级”只是可检验起点，不是假定统一学习速度。级位跨度、段位跨度、儿童与成人、职业与业余可能需要不同邻域；同一棋手还会在布局、死活和官子上拥有不同的局部水平。更好的长期版本会依据个人历史估计领域化的可达概率，并把重复错误频率加入排序。第一版应保持透明：显示损失、目标段位命中率、稳定性和出现次数，让用户或教练能指出排序错在哪里。

6. 一条可信的数据管线，必须保存模型身份证和反事实预算梯

   最小记录从原始 SGF 开始，保存棋谱来源与许可、规则、贴目、棋盘大小、完整手顺、双方段位与日期。每次分析还要固定引擎版本、权重哈希、后端、硬件、线程、batch、随机性、行棋方视角和预算；建议在 32、128、512、2048 visits 上形成预算梯，再对卷积与 Transformer 至少各保留一个冻结模型。Human SL 应保存 profile、是否使用历史和完整策略。训练与评测必须按棋手和时间切分，而不是随机拆散同一盘的局面，否则同一人的定式与相邻手会泄漏到测试集。

   还要防止标签把模型版本变化误当作人的进步。每条记录应保存原始输出而不是只存最终分类，并允许新模型离线重放同一冻结测试集。棋谱去重需在切分之前完成；同一公开对局的转存、不同注释版本和局部截取不能跨集合。若使用用户私有棋谱，应默认只为该用户生成特征，训练用途另行取得明确同意，并避免保存可反推出身份的用户名和时间组合。

7. 真正的终点不是漂亮图表，而是证明下一盘真的学会了

   第一阶段可以发布三种诚实内容：新旧模型分歧图谱、不同年代职业棋手策略迁移、以及按段位分层的“最值得复盘”局面集。但产品成败不能用点击率或用户停留替代学习效果。离线先测人类落子概率校准、候选价值误差、跨预算翻转率与教练排序一致性；在线再做延迟复测和下一盘迁移：读者数日后能否在陌生但同型的局面中先检查正确问题。只有当个性化排序稳定优于“按最大目损排序”，可教学性才从漂亮假说升级为可靠功能。

   最有说服力的实验可以很小：随机抽取不同段位棋手，为每人选择十个 Priority 高的局面与十个单纯目损最高的局面，要求先口述判断信号，再看短解释；一周后用不同棋谱中的同型局面复测。主要终点是检查顺序和候选集合是否改善，次要终点才是答对率。这样可以区分背住坐标与学会决策程序，也能检验 Human SL 排序是否真的比强模型单独排序多提供价值。