可能覺的會贏吧，只好出來亮亮相，而且應該也有出場費可賺

為了慶祝AlphaGo10週年。
目前韓國正在跟Google討論讓申真諝跟AlphaGo（李世石版）比賽。

https://news.jtbc.co.kr/article/NB12272219

經過李世石神之一挖，Alphago進行改版演進，棋力更上一層樓。

把棋盤改成 100x100，AI就會弱掉了。

是不是真的有AI，應該要把棋盤盡可能放大。不然電腦靠高速運算贏，還算不上真AI.

真的嗎？跟誰比算弱掉？100*100你會贏？

100*100會變弱掉，可以把你的理論說清楚，
電腦靠高速運算贏？AlphaGo是只靠高速運算贏棋的嗎？

Deepmind怎麼沒有請你去指導，真是浪費人才。

https://youtu.be/lJLppGbdrGc?si=nCfTv_D24NS0bkBA
這是Alpha Go的紀錄片,還蠻精彩的
裡面有解釋到圍棋的複雜度比宇宙的原子數量還多,用盡全世界的電腦花100萬年也算不完
主要方法是先餵棋譜給Alpha Go,再讓不同版本的Alpha Go自己互相對弈

剛剛看到網友談論到alphago圍棋，想到某A一直沒回我。

首先，alphago不是單純的暴力搜尋最佳解。

AlphaGo的做法是使用了蒙地卡羅樹搜尋與兩個深度神經網路相結合的方法，一個是以藉助估值網路（value network）來評估大量的選點，一個是藉助走棋網路（policy network）來選擇落子，並使用強化學習進一步改善它。在這種設計下，電腦可以結合樹狀圖的長遠推斷，又可像人類的大腦一樣自發學習進行直覺訓練，以提高下棋實力。

至於把棋盤變大的影響，AI固然會弱化，但是對人類更不利。

簡單來說，如果將棋盤變大（例如變為 25x25 或更高），對 AlphaGo 這類 AI 的影響
主要體現在硬體算力與模型適應性兩方面。
以下是具體影響分析：

1. 搜尋空間指數級暴增
圍棋的複雜度來自於其「分支因子」（每一步可落子的位置數）。
19x19 棋盤：約有 
 種狀態組合。
棋盤變大：組合數會呈指數級成長。雖然 AlphaGo 使用蒙地卡羅樹搜尋 (MCTS) 不需要窮舉所有路徑，但搜尋深度的覆蓋率會下降，導致 AI 需要更多的計算次數（Playouts）才能維持原本的判斷精準度。 
Reddit +3

2. 模型架構的物理限制
AlphaGo 的核心是卷積神經網路 (CNN)，其輸入層的大小是固定的（專為 19x19 設計）。 
arXiv +1
無法直接運行：如果你直接在更大的棋盤上運行現有的 AlphaGo，它會因為輸入維度不符而無法運作。
需要重新訓練：若要適應大棋盤，必須調整網路結構並重新進行海量的「自我對弈」訓練。由於大棋盤的一局時間更長，訓練成本（時間與電費）將會極其驚人。 
arXiv.org +3

3. 與人類的相對優勢
雖然大棋盤對 AI 是挑戰，但對人類可能更不利：
體力與計算力：大棋盤的對局時間會拉得很長，人類棋士容易因疲勞產生失誤，而 AI 則完全沒有這方面的問題。
大局觀的重塑：大棋盤會產生全新的「定式」與戰術邏輯，AI 透過自我對弈學習新邏輯的速度遠快於人類。 
Reddit +1

4. 技術補救：更強的泛化模型
目前已有一些後續研究（如 KataGo 或相關論文）嘗試開發能適應不同尺寸棋盤的 AI，或是利用圖神經網路 (GNN) 讓 AI 在小棋盤訓練後，能直接「遷移」部分能力到大棋盤上，藉此降低訓練難度。 

舊文被挖出來我才看到這論述


電腦不靠高速運算那不然要靠什麼？

你要的AI是跟人類一樣思考？那麼現在的生成式AI確實不是
包含下圍棋那個也只是大量棋譜圖片訓練出來的權重分析

應該要想想看如果造出一個AI是跟人類一樣思考，那麼有什麼優勢？
想要這種AI下贏圍棋，難道就不用靠高速運算了？

人類需要的是成果，如果AI可以分析文意、語意
能輸入文字就回答正確，能語音下指令就完成事情
那麼這種AI就算不是真的理解、思考其實也沒關係

生成式AI的聊天工具如ChatGPT已經能通過圖靈測試
也就是透過文字無法區別是真人還是電腦在回答
明明不是真的會思考，只是透過權重拼湊文字，產生合理回答
但就結果來說，已經無法區分跟真人思考的差異

你居然還跟A認真

A說自己豔遇無數

理應妻妾成群 小孩一堆

就果一看是羅漢咖

所謂真 AI 是指強 AI 還是 AGI？AlphaGO 的確不是強 AI，連 AGI 都不算是，現在的確你看的到的 AI 都是弱 AI

雖然我個人也不是很喜歡把類似的應用，通通稱為 AI，我覺得 AlphaGO 它就是機器學習，拿它類比 AI 好怪，但既然它就是有學習、推理與決策的特質，那大家要這麼說我也不反對
上面有一個人把 AlphaGO 所使用的機器學習演算法與概念都說清楚了，所以 AlphaGO 當然是機器學習的一種應用，但大家仍然習慣把機器學習和 AI 混在一起講
但這年頭如果妳就現代大家一般認知，AlphaGO 算是弱 AI 的一種型態了


這麼多年過去了，其實 AlphaGO 的基本原理真的不是很難理解
不要亂講倒是真的，建議看看甚麼是「卷積神經網路」與「蒙地卡羅樹搜尋」就可以了，就會發現沒有這麼神秘，甚至你會寫點程式都可以用 Vibe Coding 自己寫一個簡單的