AlphaGo下棋不懂「死活」與「大小」怎麼可能贏？原來這個前提是錯的

文：王銘琬

死活，圍棋最基本認識之一

下圍棋最基本的認識或技術，可以說就是「死活」吧！眾所周知，圍棋吃子的規則是把對手包圍起來後，可以吃掉，從棋盤上提取（如圖一、圖二） 。

這可以說是圍棋唯一的規則 ，決定勝負的方法，跟象棋或日本將棋只要擒王就勝利不同。圍棋是以「最後在棋盤上剩下的子較多的一方勝利」，也就是以棋盤盤面全體的總數來分勝負。

圍棋雖如前所說明的是「圍地更多的一方贏」，但是為了「比對手留下更多子」在棋盤上，則必須「比對方圍得更大」才行，都是同樣的一回事。

圍棋的「圍」有圍對方的棋子跟圍地兩個意思；圍棋的棋子是不會動的，自己的棋子在棋盤上越多越好，棋子在棋盤上，形成不被吃掉的形狀，叫做「活」。

圖三：下黑1，就做了「活」的形狀。

圖四：因為A跟B兩個地方都被黑子所包圍，根據「圍住就能提取」的規則，白A、B兩個點都不能下，這樣的點叫作黑棋的「眼」；黑下1確保兩眼的話，白棋不可能吃到黑棋，黑棋數子到最後就可以留在盤上。

圖五：要是反被下白1，黑棋最後就會遭被提取的命運。

圖六：此後白1之後，黑下2圍住白二子時，雖黑也同時被白包圍，能提取對方的棋子時，就可以下，也就是下黑2的話，可以提掉白2子。

圖七：但接下來，白再將1撲進去，黑也只好2提。

圖八：到最後下白1，就能把黑子全部提掉。

圖九：結果黑子全部被提掉了。圖五下了白1的狀況，在圍棋稱為「死」；必須先知道什麼是「活」，否則最後會被提掉，也無法獲勝。所以「兩眼活」不是規則，而是不被提取的技術。

棋子的死活，是最基本而重要的認識，圖四是「活」之中，最單純的形狀。

圍棋的變化非常多，關於死活也可以有無限的變化與外觀；就像日本將棋有所謂「詰將棋」一樣，圍棋也有以「死活」為問題形式的「詰棋」，會下棋的人都知道，做詰棋題是提高棋力不可或缺的訓練。

在日本將棋，電腦最擅長將死對手，對局時絕對沒有看走眼的。

因此圍棋AI常被認為很擅長死活，但事實上如前所介紹的，圍棋AI對死活並不拿手；人腦的話，很簡單地能在棋盤中認識「局部」，然後判斷是「活」還是「死」，但是就算是厲害的Master，也還無法做到。

圍棋AI對自己的孤子也會做活，但它不像人一般，心想「這樣下就活了」，而是因為「下那裡就不會輸」的計算結果，並非和人一樣具備「活」的概念，若硬要教它「活」，它反而沒辦法下得的那麼好；如果在序盤出現詰棋般的棋形的話，人類會比Master更能正確地把握狀況，但這跟比賽的輸贏是兩回事。

電腦並非不會做詰棋，從幾年前起，就有解答詰棋的電腦軟體商品，不管多難的詰棋都能瞬間得出正解（只有一個問題是，圍棋有所謂「劫」的現象，「劫」又有各式各樣的種類，電腦還無法判別「劫」的種類，但將來大概是能解決的）。但這是專門解答詰棋的軟體，詰棋是「局部問題」，也只能用局部去解決；對局用的AI是沒有「局部」概念的。

從剛才一路在介紹棋子的死活，都是單方被包圍的情況，實戰不只單方遭到包圍；也會出現雙方都有危險，哪方都可能被提掉的局面，叫做「攻殺」。圍棋的實戰，比起單方的「死活」，「攻殺」的場面出現的次數更多，「攻殺」在實戰其實比「死活」更為重要。

如第三章Crazy Stone對多賀戰時所說明的，「攻殺」也是局部問題，AI至今還沒完全解決不擅長攻殺的毛病，人想要勝過Master的話，把它誘導到難解而沒有轉餘地的攻殺局面，大概就有機會吧！

大小，圍棋最基本認識之二

圍棋的基本認識還有一個，就是「大小」。

圍棋最終的目的是取得較多的「地」（陣地），自己下的一手棋能確保多少地，或是能破壞對手多少地，這是能用數字明白表示出來的；計算方法是「自己在一處著手後，與該處被對方下到後的差距」。

圖十：下到黑1的話，可以確保A的1個空點（1目）。

圖十一：如果被反過來下了白1的話，則誰也沒能確保A的空點，A成為沒有意義的點「單官」，日文裡說「沒意義、不行」的用語「駄目」，就是「單官」一詞的日語。

圖十與圖十一的差是A的一點之差，因此圖十的黑1與圖十一的白1叫做「一目棋」，圍棋的所謂大小是這樣得來的；但在實戰，還要兼顧全局的「死活」的狀況，許多局面無法單純換算成數字，但若能很明顯地呈現「大小」的數字的話，對於下棋的人而言，就求之不得。例如：

如圖十二般的局面，A是後手三四目大的棋，已告確定，但其他著手的價值卻未能確定；從經驗上來看，這個局面的三四目，被認為是比其他的手還要「大」。

幾乎所有下棋的人都會下A。

但在實戰時，很少像這樣在局部就完結的例子，大小無法很明白地用數字表現出來的情形比較多；但職業棋士事實上在腦裡有個約略評估的數字，然後繼續下下去的；圍棋除了死活成為問題的局面以外，大半對弈的局面是以「大小」占思考的中心；以明白的數字來呈現的大小，跟死活一樣，是局部完結的問題。

人類下棋需要理由——AI下棋只靠機制產生

人類常以「這手是○目」、「這手是○○目」為理由來著手，但是AI從來不作這樣的計算，和死活同樣，AI的道理只有一個——因為這樣下比較容易贏。

拿死活來比喻現實生活的話，是「生命安全」，而大小則可以說是「勞動代價」。沒有救生索，又不知時薪多少的話，誰也不會去做打掃大廈窗戶的工作。就像我們平時最在乎安全跟薪資一般，下棋的人是以死活與大小問題為中心在下棋。

死活與大小可以說是圍棋最基本的單字與文法，而電腦圍棋卻無法認知，我一直認為這是圍棋AI最大的弱點，當然也是最需改善的罩門。

AlphaGo在跟李世乭之戰前，公開的棋譜的綜合能力，的確非常厲害，但若還在用蒙地卡羅法的話，局部認識的機能的弱點是無法解消的，一百萬美元的獎金不用說是李世乭的吧！無法辨認死活及大小，怎麼可能贏李世乭呢？我的棋士生涯，讓我只能作這樣的判斷。

形勢判斷的重要性遠大於「算棋」

就如前面所介紹的一樣，結果深層學習帶著AlphaGo飛越人類的頭頂。

圍棋比想像的還要寬廣，AlphaGo擁有遊刃有餘的計算能力，棋盤廣大到讓它即使懷著缺陷，卻依然能悠悠踏步，有轉圜餘地，迴避自己的缺陷。

Master看來對算棋更有信心，棋風比AlphaGo更為強悍，AlphaGo盡量不去踩自己的弱點而造成陷阱；Master對付自己的弱點，像是隨便踢開腳邊的小石頭，一點都不會令人擔心。

原來下棋必須要有「死活」與「大小」的概念，這個前提是錯誤的；「死活」與「大小」若是人類下棋的語言，如果能「以心傳心」的話，就不需要多說話；我終於想通了，圍棋AI並非無法認識「死活」與「大小」，而是沒有必要用局部的概念去認識而已！

圖十三：Master持白棋，對於黑1，白棋放著右上七子不管，2、4、6埋著頭連下上邊，接著8、10低位渡過，對黑棋也不是具有威脅性的手段，黑11罩，白七子被吃了，但從結果而言，形勢其實白棋並不壞，這雖不能說是到了驚異的判斷程度，但要是我，因為無法正確地算出大小，也就無法這麼簡單地捨棄這七子。

經過長期深層學習訓練後，累積三千萬局數據收集對局（現在說不定又多好幾倍）與無數自我對戰學習的經驗，作每秒一百萬局的高度模擬；當電腦擁有這樣的能力時，把棋盤當作一個整體來處理，其實正是非常符合圍棋的本質的方法。

人類因為無法這樣處理，只能就解析「局部」得到的資訊，再根據這些資訊來作綜合判斷，除此之外別無其他方法。今後圍棋AI下的棋，對人類而言，雖然非常具有參考價值，但人類遭遇未知局面時，必須對於各個「局部」賦予意義後，再作全體的判斷，人類的這種思考傾向是無從改變的。

以人類可能達到的圍棋水平而言，AI的表現告訴我們，比起堆積意義的「算棋」，無從捉摸的「形勢判斷」是重要太多了，而從棋盤全體直接判斷形勢，正好成了AI的最強項，其正確性與速度，把人類遠遠拋在後面。

就像有人相信世界是以有理數（算棋）來構築的，但後來發現、有理數不過是浮在無理數（形勢判斷）之海上的藻屑而已，而人類終究無法測量海有多深，只能對著眼前的藻屑望洋興嘆。

書籍介紹

本文摘錄自《迎接AI新時代：用圍棋理解人工智慧》，遠流出版

＊透過以上連結購書，《關鍵評論網》由此所得將全數捐贈兒福聯盟。

作者：王銘琬

認識AI（人工智慧）最前線，王銘琬為你做最佳嚮導！2016年3月韓國棋王李世乭與AlphaGo的一戰，人類敗北後，世界開始認真面對AI（人工智慧）時代的來臨！AI可能提高生活品質，也將可能擠壓人類的生存空間，認識AI最前線的圍棋AI，是思考人類如何面對AI的第一站！

一位頂尖職業棋士全力揮棒的報告書：王銘琬是世界唯一參與圍棋AI開發的一流棋士，詳盡敘述圍棋AI的過去、現在，並以職業棋士觀點提示人類如何因應與AI共存的未來，因為此刻「未來還掌握在人類自己的手裡！」

Photo Credit: 遠流出版

責任編輯：翁世航
核稿編輯：潘柏翰