AB-JChess：更強的揭棋電腦

兩種強法

皮卡魚靠速度取勝。它每秒看一百多萬個局面，用人工寫成的規則評估每一個局面。AB-JChess 同樣由皮卡魚改造而來，但它用神經網路評估局面，這個網路用大約十億個揭棋局面訓練而成。它看的局面少了大約五十倍，但對每個局面理解得更深。它的訓練程式碼也公開在同一個程式庫裡，見 abjchess-nnue-pytorch。

優勢從哪裡來

比賽中，兩個引擎每走一步都會報出一個分數；兩者看法不一致時，通常是 AB-JChess 看對了。有 137 盤棋出現過這樣的時刻：AB-JChess 給自己 75% 或更高，而皮卡魚在前一步或後一步只給 AB-JChess 60% 或更低。這些棋 AB-JChess 贏了 115 盤，輸 13 盤，和 9 盤。反過來，皮卡魚給自己 75% 或更高、而 AB-JChess 只給它 60% 或更低的情況出現在 202 盤棋中，皮卡魚贏了其中 101 盤，輸 90 盤，和 11 盤。這些是皮卡魚在比賽中報出的分數，當時還帶著我們後來修復的翻子錯誤。

下面是 AB-JChess 的兩盤勝局，兩盤它都執紅，它的分數一路上升，而皮卡魚的分數一直持平。我們用兩個引擎把每個局面重新評估了一遍（AB-JChess 每個局面搜尋 100 萬個節點，修復後的皮卡魚搜尋 6400 萬個），並用一條按這次對抗賽擬合的曲線把各自的分值換算成期望得分。每張圖顯示兩個引擎各自眼中 AB-JChess 的得分，回合編號與下方棋盤一致。棋盤上的 ?! 標出按 AB-JChess 的算法讓皮卡魚損失 5 到 10 個百分點的著法；兩盤棋裡都沒有更差的著法。

第 68 盤：兩個士和一個象，換來一場攻勢

皮卡魚執黑，第 11 回合用車吃掉一個暗子士，隨後把在 b1 翻出的馬殺進紅方陣地，又吃掉第二個士和一個象。AB-JChess 利用這幾步把一個車、一個馬和一個兵調到黑將附近。從第 13 回合到第 21 回合，AB-JChess 給紅方的估分從未低於 69%；皮卡魚搜尋同樣的局面，給紅方的估分在 40% 到 58% 之間。

第 18 回合，馬吃掉了 c1 的象。AB-JChess 給紅方 85%；皮卡魚給紅方 50%，對局中它報的是 47%。第 20 回合紅象吃掉了這匹馬。第 21 回合皮卡魚在 b10 翻出的棋子是兵，它自己給紅方的估分這才升到 85%。

第 6 盤：一車對一排沒翻開的暗子

第 6 盤，AB-JChess 第 15 回合用車吃掉一個士，並讓雙方兌車。第 16 回合之後，盤面上只剩紅方一個車，而黑方還沒翻開的七個棋子只可能是五個兵和兩個馬。AB-JChess 給紅方 83%；皮卡魚給紅方 48%。

第 19 回合紅車衝到黑方底線，吃掉了那裡的兩個馬。AB-JChess 從第 17 回合起給紅方的估分就在 80% 以上，皮卡魚要到第 21 回合。

搜得更久會怎樣

我們把五步被標註的著法重新搜尋了一遍，實戰著法和 AB-JChess 的選擇各自單獨搜尋：AB-JChess 搜尋 400 萬個節點，修復後的皮卡魚搜尋 2.56 億個。AB-JChess 仍然認為其中兩步比它的選擇差 5 個百分點以上，另外三步相差不到 2 個百分點。皮卡魚有一次更喜歡 AB-JChess 的選擇，另外四次更喜歡自己的實戰著法。所以單看每一步，差別都很小。差距在於兩個引擎對局面給出的分數；兩盤棋裡，皮卡魚自己的分數都是後來才跟上 AB-JChess：第 68 盤是第 23 回合而不是第 18 回合，第 6 盤是第 21 回合而不是第 17 回合。研究裡每一步被標註的著法都附有兩個引擎的分數。

它排在哪裡

AB-JChess 排在揭棋電腦列表的最上面，在第 8 級之上。第 1 到第 8 級仍是皮卡魚，新手從第 2 級開始。它不佔用級別編號：最高的位置留給我們實測過最強的揭棋引擎，並以它自己的名字標示。它在電腦對手頁面上的等級分是 2354（第 8 級為 2226），和各個級別一樣，來自電腦之間的對局。作者們正在訓練更強的網路；新網路發布後，我們會讓它和現在這個對弈，贏了就換上。

寫這篇文章的過程中，我們發現我們的皮卡魚電腦在給翻子打分時有一個錯誤。現已修復，後續文章講清楚了這個錯誤是什麼、造成了多大影響。

致謝

AB-JChess 以 GPL-3.0 授權條款開源，網址是 github.com/lxsgx23/AB-JChess。作者允許我們在 Mistboard 上使用這個引擎及其神經網路。每次建置網站時，神經網路都從作者自己的發佈頁下載，從不在本站轉存。謝謝 Huorongrong 和 Laoxu。