如果以电脑将棋的经验来看， 只要AlphaGo除了赢棋目标之外，多搭载形势分析、 以及步数模拟推演的机能，许多让人无法理解的走法， 一样可以变成让人易懂可学的模式。 例如我以GPS将棋（虽然现在它算弱的将棋软体）来跑2014年名人战第一局棋谱， 在第105手下完後，推估後手第106手该如何下时， 软体的分析会出现类似这样的讯息： [-52] △２五桂(33)▲２六歩打△３七歩成(36)▲同桂(29)△３六歩打▲２五歩(26) △２六金打▲３八银打△３七歩成(36)▲同银(28)△同角成(46)▲同金(47) △同金(26)▲同银(38) [282] △４五金打▲６五歩(66)△３七歩成(36)▲同银(28)△３六歩打▲同金(47) △同金(45)▲同银(37)△４四角(35)▲３七银打△同角成(46)▲同桂(29) △３五歩打▲４七银(36)△９九角成(44)▲７四歩打△同歩(73)▲７三歩打 △同金(72)▲３四歩打△８九马(99)▲８二角打△７二金(73)▲９一角成(82) △４四香打▲３三歩成(34)△３六桂打▲５九玉(48)△３三金(32) [306] △４五金打▲６五歩(66)△３七歩成(36)▲同银(28)△３六歩打▲同金(47) △３七角成(46)▲同金(36)△５六金(45)▲同飞(76)△６七银打▲３六飞(56) △５八银成(67)▲同玉(48)△１三角(35) ............................... 当然现在只简列上面三种，事实上还有超多种变化未列出来占篇幅， 但从中可以看出软体评估当前情势下哪一手，它距离赢棋的胜算更高。 （负值代表後手优势、正值代表先手优势） 然後出现无法理解的下法时，就直接分析它背後思考的行棋变化， 就会知道为何它会这样下。 如果对它的分析不服气，认为有更好的下法时， 我们也可以很轻易的透过盘面编辑，变成我们认为比较好的下法， 接着让它去重新分析形势，往往就会发现我们觉得好的下法， 其实只要对方在某个应手得宜，事实上这个变化是比较不利的。 而AlphaGo这次更优秀的地方在於，它的自我学习能力显然很惊人。 现有的将棋软体，即使有搭载自我学习能力，看来还是明显劣於google所写的程式。 公认最强的软体ponanza之所以强，仰赖的也不是自我学习能力， 而是设定参数最为精确，但也由於是参数， 所以还是可能出现在某些特定形势下，会由於参数设定问题而出现误判。 但这一点在AlphaGo上可能就不太会发生。 也因此，若利用AlphaGo来分析现在的对局形势、 以及展开它背後的行棋逻辑的话，理论上对职业棋士学棋应该会有帮助， 至少现在也有不少将棋棋士正在利用软体练习对局，以及借重它的思考， 研究它所分析的棋路变化，来藉此强化自己的棋力。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 114.198.184.40 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/GO/M.1457716063.A.AF7.html ※ NewYAWARA:转录至看板 chess 03/12 01:08