有龙王六卷以后雷
作者在书中有写:
“围棋成为职业棋士的难度不像将棋那么高，
所有女性职业棋士并不罕见。”
又把最有历史意义的“本因坊”头衔，写出由女棋士取得，
不是女流本因坊，而是正规本因坊系列战。
是作者个人的见解，还是围棋对男女竞赛比较互有胜负啊？

其实这个问题没有答案 只有统计数据

==棋类相轻

因为围棋不像将棋星人能够一步一步算 很多时候也都靠棋感下棋 我猜啦

两边对职业的定义和门槛应该不太一样

楼上，阿法狗表示

史上女子最强的芮乃伟在全盛时期可以从曹薰铉手上拿冠

刚刚看目前围棋世界排名女性最高是第123名

alphago规格外本来就不该算进来

围棋那些顶尖的也是算到爆吧

不过围棋计算比将棋要高多了吧？

我孤陋寡闻 真的有女棋士拿到本因坊? 不是女流本因坊喔==

没有一种职业竞技靠感觉的 这可是严肃的事

不过围棋目前还是中韩的天下吧

没有 是龙王作者里写的人物

单纯死活可以算 但是如果是前期走外势真的比较难

我刚看完也觉得有扯 而且棋士还是副业 主业盘师

只要是棋类，都是靠计算，怎么可能靠感觉。围棋要算的就是每一步的手顺、目数、死活，凭棋感？

o巴啊啊啊啊啊啊啊啊啊

就两者待遇来说 你有能力绝对会选围棋 而不是将棋

很多时候都是靠经验或感觉 来觉得下哪对以后比较有帮助

描写终年酒空 只有刻盘不喝酒 就连比赛都喝

龙王的作者写的是哪个棋士啊，感觉资讯有误

有棋感吧 但是决定胜负的还是计算力跟经验

当然是作者YY自爽写的 棋类竞技分男女是有原因的

这里大多都外行人 真正了解围棋的可能不多 如果真想了解建议到围棋版去问

根本小说传说人物规格(？)

围棋能算的当然要算 但是很多时候靠着的是经验跟棋感

这点将棋也一样吧

还有棋类的计算除了深度之外还有广度以人类来讲要全部都要全部都算难以做到 所以对棋局的敏锐判断可以更容易掌更容易掌握局势 那种棋感 可以说是从天份和经验累积起来

如果围棋是以“棋感”为主，那阿法狗就不会着重在计算，而会写成图形判读软件，看“棋型”来下了

所谓的棋感也是计算出的概论，经验越多越能省略计算过程

往盘面上一看能够筛选出数个值得下的点 那就是棋感阿

以我认识的象棋为例 特定局面棋子之间的相对位置会处于

我不是说围棋以棋感为主 而是指相较于将棋 估计围棋用的比较多

alphaGo就是用类神经网络模仿这个棋感 筛选出可以下的

那些只能花时间去拆棋 才能对局势 有比较准确的判断

先会计算，才会有所谓的“棋感”，就像你要先背好九九乘法，你才会对数字有“感觉”

@rotusea 这可能是有点误会了 你讲的这两种都是计算

位置 才用蒙地卡罗算法计算后续

实际上alphago推翻了不少人类定石 这也代表已往人类的棋感 很多都是错的

还有 上面的人在讲得 棋感 是无法量化的标准 所以如果所以如果用棋感来作比较根本毫无意义

没有初步运算，你怎么决定哪几个点值得下？逻辑要弄清楚

@rotusea 阿法够用类神经网络就是模仿人类大脑的棋感原理和影像辨识的确有异曲同工之妙

不过我是不确定上面哪些人是 围棋高手啦 对棋感的认识也看不出来是否只是外行人看表面讲干话而已

棋感这东西除非是完全没玩过棋类 不然没这么难懂吧

棋感也算是计算 只是这是很不精准的计算 围棋因为复杂度高

我的意思是，阿法狗算的是下在棋盘每任一个点的最高胜率，来决定落子，而不是看“棋子的形状”来决定优劣

就算不会围棋 你第一直觉也不会考虑要下在1-1上吧这也是棋感阿

以人类大脑在有限时间内根本做不到足够精准的计算 所以棋感

就说你错了...阿法狗为了不要计算全部的点的胜率

这种不精准的估算占比就相对的重

是啊 但AlphaGO估计出胜率前 类神经网络会萃取出当前盘面的各种特征量，这其中会涵盖你岁的 棋子的形状

阿法狗也是先经过几百场对奕累积计算资料后才推去比赛

说到这个 黄士杰请自下的第一手天元之后才交由alphago算是让步吗？

阿法狗就是把盘面看成19*19的图型去算的

如果原po对于AI之类的话题有兴趣的话可以考虑可以考虑去学machine learning

类神经网络只是让它在下棋时能抓出那方位落子跟其后的步数可以得到最高胜率

我是觉得要学的话可以去看Stanford的CS231n啦

它会从整体盘面去推出哪一手最好

这些落子的手顺也是从先前的对奕资料中取得计算

机器学习我以前只有 旁听过几堂课

但如果你只会SVM 那你能做出来的AI就真的只是条狗而已 哈不过就算是传统的机器学习，当通识听听也满有趣的

所以上面讲得 一些和深度学习有关的算法

不过 AlphaGO 会这么强也是因为挑围棋这种软柿子吃啦

可是 在碰深度学习之前 不是要先 学机器学习打底吗

围棋算软柿子？说得好像研发阿法狗很简单一样…

应该说两者某些知识有重叠 从机器学习开始是比较顺没错研发AlphaGO 不简单 但是围棋真的是软柿子

了解，感谢指正。但这不影响我的论点，所谓棋感，只是一种达到反射程度的快速计算，不是无中生有的“感觉”。就像前面说的不会想下在一，1 不是因为那看起来“不好看”，而是因为那看起来“无利可图”，归根结底还是计算

楼上

我倒觉得除了女人的第六感之外，其实所谓的感觉都是计算

可是'高手'的棋感 在某些局势 他就可以找出很好的切入点

然后他解释的时候 对菜鸟来讲 会不太懂那种感觉

如果不是计算而只是"感觉"，那跟掷茭没两样...

围棋的圈地 天才脑可以转换为面积再辨识 有别其它种棋类像我曾经听说音乐天才看乐谱是有颜色的 脑袋不知怎么长的

所以rotusea强调的是棋感像 快取内存 的特质吗？

别信高手鬼扯我觉得怎样，她会那样觉得是因为经验+粗略的计算已经帮他过滤了很多选项，别人没有顺着他的逻辑与思考不会懂他计算考量的点

因为只懂一点点象棋 所以 用象棋当例子

事实上就是经验+计算的差距造就所谓的棋感

有些局势 明明看起来就很平稳 可是他们可以一瞬间组织一连串巧妙的攻势 可是用软件下得时候都是一些保守的棋

"明明看起来就很平稳" <- 这个看起来像估计错误XD

软件只能下出稳定 不吃亏的棋步 可是高手却可以下出那些

那就牵扯到盘面的解读有差异 > 跟高手的计算差距

下出一些藏有欺骗性 或者是引导对方去下某些棋步的感觉

这结果不难想像啊 因为理论上最佳棋路是 高胜率低变化

简单来讲 我想说的就是 软件只会下那些稳定不吃亏

可是高手下的棋步 不只精准而且有"人性"象棋比赛其实有个诟病 程度不要差太多先手方 有心的话

应该说，大部分人认为的“棋感”，可能指的是从判断“棋型”顺不顺眼的一种“感觉”，就好像写考卷遇到不会写的，就挑一个看起来顺眼的答案

先手方下出和棋 的棋路比赢棋还要简单 变化更少然后我有尝试用双方都软件去下 结果很容易下出和棋

我认为你说的是有逻辑的，但这牵扯到你所谓的软件的

但其实在那“感觉”背后，是大量运计算累积得来的快速反应，不是主观意识的“纯感觉”

演算逻辑，但自阿法狗问世后就没有这问题了

这是因为那太难表达，所以称之为“棋感”

这其实有点像 双方在博弈的时候 有N种选项有些选项的收益 与对方决策有关让我想到"囚徒困境" 里面选择双方吃亏最少的选项为了避开对方 认罪时收益最差的情况会选择相对安全的选

图像记忆跟图像逻辑吧 我们不是常说“棋形”吗 表面上好像

更简单的来讲就是双方决策维持在纳许均衡点上面

我想囚徒困境并不是很适合用来类比啦 因为那困境是来自双

但一样棋形 细微的不同也可能有陷阱 所以会有意外好/坏手

方之间有资讯的落差 但象棋双方资讯是同样的

抱歉 书读得不多只能用比较不精确的类比 不过我想表达

而两个囚徒都为自己的最佳利益打算 最终导向一个次佳结果

我想表达的是 在决策时 因为无法预知对方会怎么应对

另外一个不一样的特质是两个囚徒有合作可能 象棋没有

每次的落子时得到的收益地方都会与之后对方落子有关

但总会有棋路是“稳赢”或“不会输”的对吧？

所以 有些棋步变化同时包含了对双方有利或有弊的趋势对 你上面那句有讲到我想要的点了"不会输"的决策和"可以赢"是不太一样上面讲到双方平稳的局面是指谁主动攻击谁吃亏的僵持局面

西洋棋这情况更明显 世界级比赛 下一下就一堆和棋

如果真要以计算力去征服象棋双方AI"不会输"的下法几乎都几乎都会和棋 以双方计算力覆蓋变化的时候1先的差距实在1先的优势实在不多

那是因为一般游戏的AI并不是阿法狗或是深蓝根据对岸的比赛记录，象棋先手胜率为55%-60%间在一个两边都平等的规则下先手算是很有优势了…

抱歉 我可能要在强调一次 我那段的前提是双方计算力覆蓋所有变化的清况下 1先的优势容易被稀释掉但是那些"可以赢"的决策会比"不会输"的决策 有更多风险

那要看AI是用那种软件，没人用深蓝等级的AI下过象棋

因为赛制关系 A跟D对弈的时候如果只需和棋就可以晋级

而一般游戏用的软件就会用减少损失的方式下棋

A在下棋的时候 就会期望局面简化中期倾向于跟你换子的棋

这种情况下先手确实没有优势，因为两者AI都走保守棋路

你讲得是没错 可是重点是那些强度比较够的AI他们的算法 并不像大多外行人讲说是怎么赢的

以阿法狗等级的AI来说如果每一步与后面落子都是可计算的，那风险是否存在？

意思是说 若要解释那怎么赢的话 要用大量篇幅去解释才能大量篇幅去解释那个AI 的算法 不是简单两三句可以

因为风险的定义是不可预期的意外事件，但是对高等AI来说不可预期的事件不存在于棋盘上以下西洋棋的深蓝为例，不进攻只用保守路线玩不赢西洋棋冠军吧？

因为这可能会牵涉到 AI对盘面分析的细节，所以无法验证

至于AI怎么演算的都有科普让一般人理解，很够用了

影响局面好坏 对和两边的棋路都有关 不是只有一边下的棋我上面说对AI细节的了解意思是 对大多数人来讲 appstore上面的西洋棋AI 和深蓝的算法 就算科普后对他们来讲对他们来讲都是一样的

最简单就是暴力破解法…把所有棋谱输入系统记忆深蓝就是这样玩…每下一步再算出12步后的可能性一般人也不用完全理解电脑怎么算出来的…

抱歉 我例子可能举错了 因为有所谓象棋AI的比赛 每个AI的算法 都含有设计者的巧思在里面 并非每个都是一样的方式 所以在解析棋路的时候 可能存在着一些不直观的

所以你想说啥？从围棋感一路扯到象棋AI

不直观的因果关系 可是一般人只能从表面上去臆测自己脑如同我一开始说的因为一般人所理解的棋感 和了解围棋的了解围棋的人 所认识的棋感不同 但是 有人扯到AI是怎么是怎么下得 就开始牵扯到AI的 "棋感"然而AI的棋感 又会牵涉到设计者的 设计细节一般人对AI不了解使得他们讨论AI的棋感毫无意义

我看你还是去信教八zZ

不过kinght大你似乎也有些东西没有明白而随意下结论

这文....作者下句写的是历史上仅此唯一的女性

现实本因坊没有女生获得过头衔

alphago用的卷积型类神经网络基本上就是常用来判读图像的算法啊，这也算是计算的一种吧

@GKki2012 你讲的"含有设计者的巧思在里面"这个就不适用以机器学习为基底的AI了

我以前有练围棋 有时候真的靠感觉

没有练的也是靠感觉啊 因为你只要算不出来就是靠感觉

棋感就是用经验某种程度取代人类无法负荷的计算吧

体力也是个问题

是不是唬烂啊 围棋真的有女性棋士拿到一般头衔？

韩国84有女棋士拿到一般头衔

七楼提的例子就是了吧不过不是日本人 将棋如果像围棋一样能在中韩普及 说不定也会出现足以跟顶尖男棋士比拼的女流棋士

韩国有女棋手拿到“国手”头衔 头衔名称就是国手 跟名人之类的一样不过日本目前还没有就是

如果人类能思考的步数跟逻辑也跟阿法狗一样，我相信人类现在会有不同的棋感，没有对错的问题，只是生物的极限

楼上你把逻辑跟步数都限制一样了，还有什么变因下的不一样XD

唯一拿到非女流头衔 就苪逎伟一人 国手战胜曹薰炫 还有麦馨杯

有人说是感性方面围棋还有美学的部分所以比较女性化，将棋只有杀杀杀

@ar 为了避免冗长的解释而使用不足以完整表达意涵的叙述

动画 哪个棋比较难 谁一定比谁强 都是给外行人看的

竞技类一定是男>>>>>女啊 这个还需要验证喔

围棋也是杀杀杀啊…都是计算哪有什么不同

因为一般人对于AI是怎么产生可能都没有概念 资料怎么

那是现在啊...计算形状跟移动棋子我是觉得差异很大啦

资料training的过程都不太了解 所以我使用这种简化过的简化过多的叙述 很容易造成句义上的混淆但是却有不少人会拿不够了解的东西 说嘴kinghtt大似乎把我说的保守棋想成下软著却用用此观点作作论述 自然会与事实偏离@arr不过还是感谢你分享machine learning 的学习资源啦

围棋当然要算，每一手都是基于布局和进攻的方向……

认为我提的论述有问题欢迎拿出来打我脸，但是拿一堆没有资料的个人感观说我偏颇就省省吧拿AI谈棋感本来就是很怪的论点，因为AI的设定就是下赢

竞技类不一定男>>>女 比如射击射箭男的就没有明显优势马术女>>男更明显

这盘棋，所有的棋路都是以最高胜率为第一优先阿法狗的对战后李世石也认为该多用计算方式下棋而非用棋感落子

那可以先确认一下 k大会下西洋棋或是象棋吗 如果会的话可以用局面实例 去举证 给你 看 应该会比较了解引用你某一句论述 "不进攻只用保守路线玩不赢西洋棋冠军吧?"一盘棋通常会有 偏重攻击和偏重防守或者两者兼具的棋

会下呀…还是你想告诉我八段棋王才会资格论棋感这样？

除非被扩大先手太多不然各种 参差不齐的程度的棋感 是要怎么比较啊？

你可以去看阿法狗或深蓝下的棋谱，这类AI不存在保守型或进攻型的概念，一切是为了最终胜利而落子

对棋了解不深 而讲棋感 明显是干话

如果你还在用进攻保守的概念去看AI…就不怪你坚持棋感了

进攻防守只是引用你讲得话 (刚刚那句)而且一般人不也是为了最终胜利而落子吗？所以你那句"一切是为了最终胜利而落子" 也是干话有谁比赛的时候 落子不是为了最终胜利的

所以别人提的都是干话，你讲的都是真理，棋王你赢惹～

你认为我讲得是真理 那也只是你主观的见解 也无法说服也无法说服任何人而且这也与我主张的 棋感会因每个人对棋理解程度而不同毫无任何关联

AI就不存在棋感这概念呀…这要说明几次勒？

不过 看到你恼羞放大绝说"你最厉害你赢了"代表没有讨论

棋感不是了解深不深才会有的东西==

抱歉 可以跟我讲一下 棋感 的"定义"吗

去看阿法狗棋谱解说就知道，好几手人类不会去下的落点

它就是会去下，甚至有场直接放目给李世石去争别的地

所得的结论去排除你认为没意义的计算

有棋感的人类根本不会这样下，但是它就是下还赢了

因为了解程度不同而有不同的"棋感"再强调一次我原本说的而非了解不深 而没有 而是了解程度差异 的棋感会相异

恼怒不是恼羞，因为我发现跟一个没去看资料的人说明AI的概念还真容易上火

alphago的创作者自己都说它是靠评估跟计算两部份了，评估就是它的棋感啊

棋感的重点在于“直接排除某些选项不去计算”我没研究阿法狗跟以前读的差在哪 不知道怎摸算的==

不管AI有没有棋感 我再用另一种方式说一般大众对棋感的认识很笼统会容易产生 你讲的是东西和和我讲得东西 认知会完全符合如果可以的话 我期望k大可以去分析任一棋类的决策树和某些AI的算法 相关的部分 让我学习一下

阿法狗的算法不是类神经网络吗

抱歉 我可能只是对只花几个小时查资料用自己的解读 去写去写新闻的记者而已 而并非自身研究的专业领域综合其他综合其他专家得出来的推论若A则B →若结果为非B则因为非A 但是若结果为B并不代表并不必然因 为A 这是一般大众很容易混淆的逻辑只靠一般人对某些理论的解读并没有像专家了解的因果关系那么准确