棋力技術史 · 10

AlphaGoからTransformer KataGoまでの囲碁AI 10年SOTA

2016年から2026年の最前線を論文、公開重み、直接対局から再構成します。幅、深さ、パラメータ、学習、探索を比べ、5,185、14,554、相対+300 Eloが同じ尺度ではない理由を解きます。

1. まずSOTAを定義する：モデル、探索、Eloは一組の実験

   囲碁エンジンは神経網単体ではありません。再現可能な比較には、重み、エンジン版、ルールとコミ、黒白、1手のvisitsまたは時間、backend、thread、batchを固定します。Eloは同じ対局pool内の勝敗から得る相対座標です。AのBに対する勝率をpとすれば差は約400·log10(p/(1−p))で、60%、75%、90%は約+70、+191、+382 Eloです。絶対値はanchorと参加者にも依存するため、別論文の値を引き算せず、同一poolの差か直接対局だけを比較します。

2. 2015–2016：AlphaGoが畳み込みの直感、価値判断、木探索を接続

   初代AlphaGoは別々のpolicy networkとvalue networkを持ち、各主幹は約13層、192 filterのCNNでした。教師ありpolicyは人間のプロ棋譜で約57%の着手予測率を得て自己対局で強化され、軽量rollout policyも使われました。MCTSがpolicy prior、value、rolloutを統合します。Nature論文の分散AlphaGo Fanは1,202 CPUと176 GPUを使いBayesElo poolで3,144、後のAlphaGo Leeは別システムで、2017年論文の再構成poolでは3,739です。どちらも小さな一モデルではなく、複数network、探索、分散推論の総合システムでした。

3. 2017：AlphaGo MasterとZeroが二つのnetworkを一つの残差塔へ

   AlphaGo Zeroは分離networkとrolloutを、policyとvalueを同時出力する一つの残差networkへ置換しました。入力は直近8局面の石と手番だけです。20/40-blockは入力畳み込みの後に19/39 residual block、各blockは256 channelの3×3を2層持ち、概算23M/46M parameterです。探索は1手1,600 simulation。3日版20-blockはAlphaGo Leeに100–0、40日版40-blockは同じ5秒/手poolで5,185 Elo、AlphaGo Masterの4,858に+327、直接対局も89–11でした。進歩の核心は深さだけでなく、dual-head、純粋自己対局、簡潔なPUCTの組合せです。

4. 2018–2019：非公開の頂点後、最前線は再現可能性へ

   AlphaZeroは囲碁、chess、将棋へ同じalgorithmを広げましたが、公開された囲碁結果は3日版20-block AlphaGo Zeroへの60–40で、40日版の絶対頂点を超えた証拠ではありません。公開実装は急速に進み、PhoenixGoは20-blockで2018年福州世界AI囲碁大会を制覇。ELF OpenGoは約23M parameterの20×256を2,000枚のV100で学習し、9日で超人、全工程約16日、トッププロに20–0でした。2019年KataGoはゼロからの自己対局を保ちつつ、ownership、score、補助policy、global pooling、forced playout、policy target pruningで30枚未満のV100、19日でELFを超え、学習計算を約50分の1にしました。

5. 2020–2023：KataGoは大きさだけでなく一回の評価価値を上げた

   2020年のg170 b20c256は中〜高探索量でLeela Zero最終40-blockに並ぶか上回り、日本ルール、置き碁、精密な目差も備えました。分散学習はb40c256、b60c320へ拡大し、b60は1 evaluationで強い一方、低速で重いnetworkでした。2022–2023年のnested bottleneck residual blockは1×1でchannelを半減し、内部で2組の3×3 residual pairを実行して主幹へ戻します。fixed-variance初期化、一回のbatch normalization、短期value uncertainty、soft policy targetと合わせ、b18c384nbtはb40c256級の速度で、計算が約2倍重いb60c320に1 evaluation当たりわずかに劣るだけでした。block数は有効深度や棋力の代理ではなくなりました。

6. 2024–2025：公開最前線が最善手から人間modelと堅牢性へ拡張

   2024年のHuman SL b18c384nbt-humanv0は人間棋譜から学び、rank_20k〜rank_9d、preaz_20k〜preaz_9d、proyear_1800〜proyear_2023を条件に着手を予測します。通常はhumanPolicyを出す第二networkであり、主SOTAを置換する強化modelではありません。多いvisitsは対象rankが見逃す戦術を解いてしまいます。主自己対局系は73M parameterのb28c512nbtへ拡大しました。さらに循環形のadversarial policyが超人設定へ高勝率を得たことで、通常Elo、分布外の挙動、ルールの正しさが別能力だと明らかになりました。

7. 2026：Transformer KataGo 全局面attention

   KataGo v1.17は主要backendへTransformerを導入し、v1.18はCUDAを大幅最適化してROCmとONNXも追加しました。最初の3×3 convolutionが22 input planeをtrunkへ写し、nested bottleneck内でattention+MLPを反復します。位置は各headの学習可能な2次元周波数RoPEで入ります。公開3種のうち、小型b10c384h6nbttflrsは1 evaluation当たりで最強b18をすでに上回ります。中型b10c512h8nbt3tflrsは10 block×3 attention layer×8 head、合計240 head、29M parameter。大型b11c768h12nbt3tflrsは396 head、71Mです。73Mのb28c512 convnetを0とすると、中型は等evaluation約+50 Elo、等時間約+120、大型は約+460/+300。234Mのb40c768は等evaluation約+400でも遅いため等時間約+70です。学習siteの現行最強確定b40は等visitsの内部poolで14,554.2±20.9ですが、移植可能なratingではありません。大型Transformerの等時間+300はb28への期待勝率約85%で、これが少ないparameterで強いという実用的意味です。