我2013年就设计出了萌式三色围棋的第一版规则,2016年至2020年我断断续续地对萌式三色围棋规则构想进行了改进完善,萌式三色围棋2020年版规则是目前最新版规则。
人类棋手实际对弈萌式三色围棋时,当棋局中花棋串的上层属性发生变化时,但不做相应的变换和标识,以这样的直弈棋局模式对弈,对人类棋手而言有很大难度,人类棋手需要花费很多脑力用于花棋串上层属性的记忆和重复思考判断上,人类棋手很容易心疲眼花脑迷糊,观众看棋也累,需要自己判断花棋串的上层属性。但是人类棋手以三合棋局模式(花棋串上层属性进行相应标识)对弈萌式三色围棋则有了可行性。虽然萌式三色围棋比围棋难度有所增加,但是随着萌式三色围棋相关知识经验(如新定式、新手筋……等)的积累和掌握,以三合棋局模式对弈萌式三色围棋也会由初期的陌生而困难变得相对熟悉而容易。
2010年代初期以来,围棋人工智能程序(AI)凭持“蒙特卡洛树搜索和深度学习(带残差块的深度卷积神经网络)”两大技术,使其在棋力上取得了很大提高,目前已经远超人类顶级高手(大约可以让人类高手2子)。深度卷积神经网络是根据较深层、较复杂的棋形(模式)和棋形(模式)相互组合和影响的统计规律,给出落子点概率和落子点的胜率从而做出下棋选择。蒙特卡洛树搜索其实也是基于概率统计的。而人类智能有两大方法:归纳法和演绎法,两者互为补充。目前围棋AI则长于依凭大数据的统计规律(归纳法),表现得远超人类,其泛化功能与人类的演绎法也有较大区别。
Michael Nielsen著的《神经网络和深度学习》中,关于“神经网络可以计算任何函数”的说法有两个提醒:
第一点,这句话不是说一个网络可以被用来准确地计算任何函数。而是说,我们可以获得尽可能好的一个近似。比如可以通过增加隐藏层的数量,提升近似的精度。
第二点,就是可以按照上面的方式近似的函数类其实是连续函数。如果函数不是连续的,也就是会有突然、极陡的跳跃,那么一般来说无法使用一个神经网络进行近似。这并不意外,因为神经网络计算的就是输入的连续函数。然而,即使那些我们真的想要计算的函数是不连续的,一般来说连续的近似其实也足够的好了。如果这样的话,我们就可以用神经网络来近似了。实践中,这通常不是一个严重的限制。
---------------------------------------------
神经网络训练所采用的反向传播算法(BP)需要根据损失函数和链式求导法则,反向逐层计算损失函数对权重的导数。 如果将萌式三色围棋中落子情况(输入)和花棋串的上层属性变化(振荡)引起的地域点数出入情况(输出)抽象为函数,这些函数就是存在有突然、极陡跳跃的非连续函数,其对应的损失函数也是存在有突然、极陡跳跃的非连续函数。而在非连续函数突变和跳跃处是不能求导的,但是否有相应的连续函数来近似它们?并且深度卷积神经网络来计算它们也会表现得足够好呢?
微软亚洲研究院资深研究员杨懋、主管研究员秦涛所写的《AI研究和实用化,为何从棋牌开始?》一文中有如下文字:AI算法在研究棋艺的过程中不断精进和提升,会带来更多设计上的创新,从而在根本上提升人工智能算法的能力和适用范围。…棋类也很适合作为新的AI算法的标杆(Benchmark)。…棋牌类AI的成功和突破能够启发AI在其他方面的研究和应用,…推动人工智能去攻克一个又一个技术和应用的“高地”。
机缘巧合,萌式三色围棋站在了“围棋巨人(人类曾经的智慧堡垒)”的肩上。在新的萌式三色围棋领域,萌式三色围棋人工智能程序与人类棋手同台竞技、共同演进,其各自棋力递增情况又会如何呢?萌式三色围棋应该还是可以去尝试做一做人工智能算法的新的陪练和测试棋种吧!
这也是我对萌式三色围棋所希望和推动的主要方向吧!