AB-JChess 從 jqe 手中奪回揭棋榜首

比賽結果

這 600 盤棋來自 300 組暗子佈局，每組紅黑互換各下一次，用 4 個執行緒，每步 4 秒。和 jqe 對上一版 AB-JChess 的比賽一樣，我們的裁判程式把任何三次重複局面，以及雙方各連續 60 步無吃子，都判為和棋。暗子被吃時，裁判程式會向兩個引擎公開它是什麼；在 Mistboard 上，只有吃子方才會知道。

AB-JChess 的優勢幾乎全部來自執紅的對局。整場比賽約合 +46 Elo，95% 區間為 +23 to +69。按 Mistboard 自己的重複局面規則計分則約為 +41，下文會說明。

用兩個引擎解讀五盤棋

如何查看這些對局

每個棋盤都從兩個引擎意見不同的一步開始，走這步棋的一方最終輸棋或和棋。只要兩個引擎選擇的著法不同，藍色箭頭就表示 AB-JChess 的選擇，橙色箭頭表示 jqe 的選擇。棋盤下方的曲線是兩個引擎按比賽設定評估的勝方勝率，AB-JChess 用青綠色，jqe 用橙色；著法列表中的註釋說明局勢在哪裡轉變，以及各引擎當時的預期。翻子旁的骰子根據雙方可見的資訊，為這次翻子的運氣評分；研究中收錄了全部六盤棋。

第 1 盤 AB-JChess 獲勝：一步進兵輸掉殘局

所有棋子都已翻開，局面均衡。jqe（紅方）選擇進兵，AB-JChess 則會用馬換掉黑方的士。AB-JChess 立刻看出，進兵會讓黑炮轉到另一側攻擊紅帥；jqe 八個回合後才看出來。第 103 回合，紅方無合法著法，黑方獲勝。jqe 為什麼進兵？時間不夠並不是原因：把搜尋量增至 16 倍，它仍選擇進兵，仍判斷為必和。它對局面的判斷有誤，並非漏算了某步棋。AB-JChess 關閉長捉規則，並增加同樣的搜尋量後，仍能看出進兵會輸。

第 2 盤 AB-JChess 獲勝：翻子決定勝負

黑車已經進入紅方底線。jqe 把它撤回，AB-JChess 則會讓它留下。後來的兩步棋決定了勝負：第 35 回合紅方翻出兵，兩個引擎都認為局面均衡；第 36 回合紅方暗吃一子，兩個引擎都認為紅方已是勝勢。紅方在第 66 回合獲勝。兩個引擎對這兩步的判斷相同，所以這盤棋無法說明它們對車的處理誰對誰錯。

第 3 盤 AB-JChess 獲勝：jqe 走炮引出一連串不利的兌子

紅方在第 14 回合用炮暗吃一子後佔優。jqe 走炮，引出一連串兌子：黑方用卒和馬換掉紅方的相和仕。AB-JChess 認為這些兌子對黑方不利，jqe 卻認為沒有問題，兩個回合後才同意 AB-JChess 的判斷。紅方在第 72 回合獲勝。連續三次翻子促使 jqe 改變判斷，所以這個例子的說服力不如第 1 盤。

第 4 盤 jqe 獲勝：AB-JChess 兩次翻子不利

棋盤上還有很多暗子，jqe 已經認為黑方佔優。AB-JChess 走了一步沒有直接威脅的炮棋，jqe 則會翻子。兩個引擎都無法看清翻子後的走向，所以無法判斷誰對。運氣決定了勝負：AB-JChess 在第 19 回合翻出兵，隨後又翻出車，立刻被黑炮吃掉。黑方在第 30 回合獲勝。

第 5 盤和棋：AB-JChess 已是勝勢，卻走成重複局面

紅方在這盤棋的大部分時間裡都大幅領先，但黑方逐漸追了回來。第 50 回合紅方翻出兵後，AB-JChess 認為黑方已是勝勢。隨後紅車和黑象來回移動，同一局面出現三次，比賽判為和棋。AB-JChess 沒有預見到重複局面，因為比賽只向每個引擎提供當前局面，沒有提供此前的著法。

第 1 盤相差八個回合，是較長的情況，另外四盤只差兩三個回合。縱觀整場比賽，以每個引擎自己的評分開始持續給最終勝方至少 70% 勝率的回合為起點比較，AB-JChess 的 304 盤勝局中，有 232 盤兩個引擎相差不超過一個回合；判斷有先後時，較晚的是 jqe 的有 119 盤，是 AB-JChess 的有 72 盤。在 jqe 的 227 盤勝局中，兩者判斷較晚的次數接近，AB-JChess 有 76 盤，jqe 有 75 盤。

它們的下法有何不同

jqe 高估了小幅優勢

jqe 認為自己略佔優勢時，最終贏棋的比例低於 AB-JChess 給出相同評分時的比例。

無論輸贏，jqe 都暗吃更多棋子

兩個引擎在贏棋時都暗吃得更多，因此表格按比賽結果分組。

我們沒有測出這給 jqe 帶來什麼損失。在接近均衡的局面中，暗吃後再走一步，jqe 的勝率平均下降 1.7 個百分點，AB-JChess 下降 0.7 個百分點，這一差距小於樣本中的隨機波動。

這場比賽說明了什麼

一半暗子佈局本身就決定了勝負

每組暗子佈局都紅黑互換下了兩盤。在 300 組佈局中，有 147 組是同一顏色兩盤都贏，其中紅方 93 組，黑方 54 組，也就是說，無論哪個引擎執這一方，勝負都由佈局決定。AB-JChess 的優勢來自其餘佈局：同一組佈局的兩盤都贏，它做到了 56 次，jqe 做到了 34 次。

AB-JChess 的優勢在於判斷，而非搜尋深度

在 AB-JChess 的勝局中，jqe 判斷出結果較晚；而在 jqe 的勝局中，兩個引擎沒有誰明顯更晚。第 1 盤裡，把搜尋量增至 16 倍後，jqe 仍把必輸殘局判斷為必和；它認為自己略佔優勢時，最終得分也低於 AB-JChess 給出相同評分時的得分。兩者都說明：jqe 的問題在於如何評估平靜局面和兌子，而非搜尋得不夠遠。兩個引擎都不會搜尋翻子之後的著法，所以對雙方而言，翻子都仍需猜測，第 4 盤就是如此。

按 Mistboard 的規則，大部分和棋都不該判和

我們的裁判程式把所有三次重複局面都判為和棋。Mistboard 則將重複過程中每一步都將軍的一方判負。67 盤和棋中，有 42 盤是一方長將，其中 40 盤兩個引擎都已認為另一方是勝勢，持續將軍成了劣勢方避免輸棋的辦法。按 Mistboard 的規則計分，AB-JChess 贏 323 盤，和 25 盤，輸 252 盤，約合 +41 Elo，95% 區間為 +17 to +66。上面的 +46 保留了裁判程式的規則，和 jqe 對上一版 AB-JChess 的比賽相同，便於比較兩場比賽。

仍判和棋的 25 盤中，有 9 盤兩個引擎都認為一方已是勝勢，卻仍走成了重複局面，其中 8 盤是 AB-JChess 佔勝勢。這正是第 5 盤暴露的問題：比賽中每個引擎只能看到當前局面，無法預見重複。Mistboard 會向電腦發送自上次吃子或翻子以來的著法，所以它們能夠發現重複局面。

兩個引擎還各自帶有長捉規則，也就是一方持續攻擊同一棋子所形成的重複局面的規則，兩者都與 Mistboard 不同。jqe 將重複過程中每一步都捉同一棋子的一方判負。AB-JChess 則只要一方有任何一步捉子，而另一方從未捉子，就將前者判負。

此後紅車每走一步都攻擊黑馬。按 jqe 的規則紅方判負，所以 jqe 直到終局都給黑方至少 72% 的勝率；按 AB-JChess 的規則，黑馬也在反捉，因此它判斷為和棋。Mistboard 對長捉判和，所以 jqe 依賴的是本站對局並不採用的規則。逐步查看棋盤，可以比較兩個引擎開啟和關閉各自規則時的搜尋結果。

神經網路更小，搜尋更快

新版本基於 Devin O'Keefe 以 MIT 授權發布的 jqe 程式碼重建，使用自己的神經網路。這個網路是 0.6 MB，上一版是 144 MB，jqe 的是 1.5 MB。小網路執行得快，所以新版本每秒查看的局面數約為上一版的 65 倍，也比 jqe 略多。

每個引擎在 4 秒內搜尋約 22 百萬個局面。為檢驗它們是否時間不足，我們讓各引擎用兩倍搜尋量，重新搜尋 20 盤棋中自己走過的著法。AB-JChess 會在 20% 的時候改走別的棋，jqe 則是 18%，對兩者而言，每步改動平均都只增加 0.07 個百分點的勝率。提高至少 5 個百分點的改動，AB-JChess 在 754 步中出現一次，jqe 在 750 步中出現一次。更多時間對雙方都有一點幫助，幫助的程度也相近。

覆盤

揭棋覆盤使用 AB-JChess，因此新覆盤會採用新版本。在我們的伺服器上，它每秒搜尋的局面數約為舊版的 47 倍，同樣時間裡覆盤能看得更遠。

覆盤中的評分是引擎自己的數值，每個神經網路的尺度不同。舊網路的尺度很陡：+1.1 就已表示 75% 的勝率。新網路的尺度與 jqe 接近，75% 對應 +4.1。所以同一局面現在會顯示更大的數值，我們用這場比賽中的 9,776 個局面擬合了新網路的勝率。舊覆盤保留舊數值，因此比較新舊覆盤時，要看勝率，不要直接比較評分。

致謝

AB-JChess 以 GPL-3.0 授權開源，地址是 github.com/lxsgx23/AB-JChess。每次建置網站時，神經網路都從作者自己的發布版本下載，我們不另行託管。感謝 Huorongrong 和 Laoxu（Kouza）。Laoxu 負責訓練 AB-JChess 的神經網路，這次測試了四種翻子搜尋方法，保留了最好的一種；他與 Huorongrong 共同設計了這個小而快的網路。也感謝 Devin O'Keefe，新版本基於他提供的程式碼開發。