研究特集 · 11

最善手の先へ：囲碁AIは「人が見つけられるか」を測る段階に入る

公開modelがプロを大きく超えた今、勝率、目差、第一候補だけでは重要な情報が失われます。最適性、人間の発見可能性、modelの不確実性を同じ局面で測り、検討を解答機から学習計測器へ変える研究枠組みを提案します。

1. 棋力は伸び続けるが、希少なのは強い答えではなくなった

   2026-08-24時点でKataGo公開runは約9680万局、48.2億row、945 networkを報告しています。公開された71M parameterのb11 Transformerは、一つのGPUによる概算比較で73Mのb28 CNNに対し、同evaluationで約+460 Elo、同時間で約+300でした。この数値はその比較内だけで有効です。重要な変化は、一つの超人的解答を得ることから、複数の超人的systemを安価に反復観測できることです。次の希少資源は、答えが特定の人に見え、近く学べ、model自身も確信しているかという測定です。

   全利用者が全modelを動かす必要はありません。研究recordが比較可能性を残すことが重要です。学習siteの絶対Eloは同visitsの内部poolなので、遅い大型networkほど実計算を多く使います。同時間推定はGPUとbackendで変わります。同一実験内の相対差だけを使い、配備hardwareで一秒あたりevaluationとend-to-end latencyを測ります。最強modelは現在の上限を示し、小型・旧modelは差がarchitecture、深い探索、単なる計算時間のどれから来たかを見せます。

2. 各判断を三軸へ置く：損失、発見可能性、不確実性

   最適性損失Lは着手者視点で実戦手と安定した最善手の目差を比べます。勝率は補助です。互角と勝負が決まった局面では同じ目差でも勝率の動きが違うからです。発見可能性Fは段位と年代を条件にしたhuman policyが最善、実戦、許容手へ与える確率です。不確実性Uは探索budget、model世代、盤の対称変換、妥当なparameter変更後も判断が残るかを測ります。Lだけの従来検討では混ざる、明白な見落とし、難しい重要手、無意味な差、AI未確定局面を分離できます。

   Uは第一候補が同じかだけでは足りません。budget ladderでの首選反転回数、一位と二位の目差margin、policy間のJensen–Shannon divergence、TransformerとCNNのscoreLead差、八対称入力を戻したpolicy一致率を保存します。探索不足、ほぼ同価値、分布全体の変化、value分岐、方向artifactを別々に捉えます。複数の安定性証拠が一致する時だけ、自動説明に「明らか」「必須」の強い語を使えます。

3. Human SLは人間priorを補うが、弱いSOTA判定器ではない

   b18c384nbt-humanv0は人間棋譜で教師学習し、現代のrank_20k〜rank_9d、AI以前のpreaz_20k〜preaz_9d、proyear_1800〜proyear_2023のhumanPolicyを返します。価値判断には通常の強いmodelを残し、人間policyは一evaluation、full temperature、実際の手順履歴で読みます。多いvisitsは対象段位が解けない戦術まで解くためです。Human SLの勝率や目差には投了、段位誤記、置碁の組合せ、異常棋譜のbiasもあり得ます。ここでは人がどう選ぶかの確率modelであり、勝敗の裁判官ではありません。

   一profileではなく段位全体のribbonを描きます。最善手が5kでほぼ見えず、1kから増え、2dで一般的なら現実的な学習境界に見えます。9dでも低いならAI固有発見かdataの疎な領域かもしれません。proyearはAI前後の布石移動を発見できますが、棋譜から学んだ相関です。時間変化だけでAlphaGoが定石流行の原因だとは証明できず、大会、rules、棋士構成も同時に変化します。

4. Action-valueは候補を見た後に結果を理解したかを問う

   policy prior Pは最初にどの手へ注意するかを示し、読んだ後の結論までは示しません。v1.16以後の新しいKataGo自己対局sampleはqValueTargetsNCMoveを持ち、探索したactionの勝敗と目差targetを記録できます。過去48.2億rowすべてに含まれるわけではなく、成熟した公開product headでもありません。raw policy、root visits、候補ごとの探索後Q、最終deep searchを分けると、低P・高Qの隠れた好手と、高P・低Qの直感的な罠を区別できます。両者に必要な説明は異なります。

   候補recordにはmove、raw policy、humanPolicy、visits、edgeVisits、scoreLead、勝率、PV、探索budgetが必要です。同じ候補のQをladderで追うと、浅い誤判定が訂正されるか、最初から安定するかが分かります。action-valueが成熟すれば完全MCTSなしの候補rerankerも可能ですが、未見棋士と未来棋譜でdeep-search教師にcalibrationする必要があります。training loss低下だけで探索効果を学んだとは言えません。

5. 検討優先度を最大損失と同一視せず、教えやすさを定義する

   ここでPriority = L × Fnext × Cという未検証の仮説を置きます。Lは上限を設けた目数損失、Fnextは現在より約二段階上のhuman policyが最善または同等手を見つける確率で、近い将来の到達可能性を近似します。Cはbudget、model、対称変換での一致度です。大損でもFnextが極小の神技は収集価値があっても今週の練習には向きません。中損でFnextが高く反復する癖の方が先です。三成分を表示し、指導者が修正できるようにし、新しい不透明scoreにしてはいけません。

   Fnextの二段階上は検証開始点であり、全員の学習速度を同じと仮定しません。級位間、段位間、子供と成人、プロとアマで適切な近傍は違います。同じ棋士も布石、死活、ヨセで局所levelが異なります。将来は個人履歴から分野別到達確率と反復頻度を推定します。初版は透明に、損失、目標段位確率、安定性、出現回数を示し、本人や指導者が順位の誤りを具体的に指摘できるようにします。

6. 信頼できるdatasetにはmodel身元と反実仮想budget ladderが要る

   元SGFから出所、license、rules、コミ、盤サイズ、完全な手順、段位、日付を保存します。解析ごとにengine version、weight hash、backend、hardware、thread、batch、乱数、着手者視点とbudgetを固定し、32、128、512、2048 visitsなどのladderを作ります。凍結したCNNとTransformerを一つずつ残し、Human SLではprofile、履歴設定、全policyを保存します。学習と評価は局面を無作為分割せず、棋士と将来期間をhold outします。隣接手や同じ棋士の定石が両側へ漏れると性能を過大評価します。

   labelがmodel更新を人の成長と誤認しないよう、最終分類だけでなくraw出力を保存し、新modelを固定test setへ再実行します。dedupは分割前に行い、一棋局の転載、注釈違い、局面切出しを別集合へ入れません。私有棋譜は既定で本人のfeatureだけを計算し、学習利用には別の明示同意を取ります。usernameと時刻の組合せなど再識別可能な情報も保持しません。

7. 終点は美しい図ではなく、次の一局で判断が変わること

   初期成果にはCNNとTransformerの不一致地図、proyearによるプロ棋風の移動、段位別の検討価値局面集があります。しかしclickや滞在時間は学習効果ではありません。offlineでhuman move確率のcalibration、候補価値誤差、budget間の首選反転率、指導者順位との一致を測ります。onlineでは遅延再テストと転移を測り、数日後に同型の未知局面で正しい問いを先に確認できるかを見ます。個人化順位が最大目損順位を安定して上回った時だけ、教えやすさは仮説から機能になります。

   小さな実験でも説得力を持てます。段位別の参加者にPriority上位十局面と最大目損だけで選んだ十局面を示し、短い説明の前に判断signalを言語化してもらいます。一週間後、別棋譜の同型局面で再試験します。主要endpointは座標正答率だけでなく、確認順序と候補集合の改善です。答え暗記と意思決定procedureの学習を分け、Human SLが強model単独順位より価値を足すかを直接検証できます。