AI机器人在家教我下围棋，越练越上瘾
智东西
作者 | 程茜
编辑 | 心缘
家人们！谁懂啊？遇到神仙围棋老师了！
事情是这样的，近期，身为母胎围棋小白的我，突然棋魂觉醒，觉得有必要掌握传承了中国民族文化智慧精华的国粹“围棋”。
为此，我请了一位打败世界冠军的“围棋教练”，一对一在家随时教我下围棋。重要的是这位老师超级有耐心，对我这种又菜又想学的纯种小白悉心教导，而且随时陪玩陪练，没有任何怨气。
这个神仙老师不是人，而是一个商汤科技今年6月推出的围棋版元萝卜AI下棋机器人。
我的“围棋启蒙老师”
就在上周六，元萝卜与职业围棋九段选手陈耀烨与商汤科技在北京上演巅峰对决。最终在第192手，陈耀烨投子认负，元萝卜中盘获胜。
陈耀烨是谁？那可是超一流的职业围棋选手，曾在2013年春兰杯世界职业围棋锦标赛、2016年百灵杯世界围棋公开赛、2018年天府杯世界围棋职业锦标赛中先后战胜李世石、柯洁、申真谞取得世界冠军，是中国第五位世界冠军三冠王，同时还获得了中国围棋天元赛八连冠。
围棋世界冠军职业围棋九段选手陈耀烨与元萝卜对弈
在对弈过程中，双方从旗鼓相当到元萝卜主动求战、陈耀烨打入白阵另辟战场，局势不断变化，元萝卜能在防守滴水不漏的同时，对棋局精准计算。陈耀烨赛后谈道，元萝卜用机械臂落子，像人一样坐在对面，让他体验感非常好。
除了跟顶尖人类棋手对战外，元萝卜围棋机器人也能适应不同水平的围棋爱好者，提供不同级别的棋力来陪用户对弈或教学。虽说元萝卜已经通过打败世界冠军证明了自己的最强水平，但玩得好是一回事，教得好又是另外一回事。
基于我对自己的零基础棋艺拥有充分认知，最近一段时间，我深度体验了这位外形憨态可掬的机器人师傅，看它能不能把我领进围棋的大门。
一、配置：一连二卡三验证，超精密机械臂一次拿五子
元萝卜围棋机器人的外形并不复杂：一个标准的19路棋盘，一个“圆头圆脑”的机器人身子，还有一只机械臂包揽了所有下棋所需的“手臂动作”，看起来很像“一个小小机器人一只手端着棋盘”来找我下棋。
考虑到围棋爱好者的水平不尽相同，除标准的19路棋盘外，元萝卜还提供有两个软质的9路和13路围棋盘，这两个棋盘的交叉点更少，也更适用于初学者。
元萝卜围棋机器人19路、13路、9路棋盘
初始安装步骤很简单，把机器人平放到一个空桌面上，将棋盘对准机器人脚部的卡点垂直放入，连好棋盘线和电源线，将黑白棋盒卡进棋盘左右两边的凹槽，机器人的本体部分就配置完成了。
联网注册时，用户可以选择进行人脸识别验证，也可以选择跳过。如果进行了人脸识别验证，不用专程登录账户，我只要坐到元萝卜面前，它中部的摄像头就能识别出我是谁，然后将练习、对弈等进度或数据从App同步到机器人端。不同用户的对弈和学习数据都能分开记录，这样每个人的围棋进阶之路就更加一目了然。
元萝卜App注册过程中的棋力选择和人脸ID使用界面
元萝卜上方还有一个伸出来的摄像头，用于快速识别和感知棋盘、棋盒、棋子，当棋盘上棋子的布局出现问题，或者我想耍赖偷偷拿掉棋子时，它都可以快速识别出来并将棋子放回原位。
红框标注处为两个摄像头
配置完，元萝卜就能开始陪我下棋了。它的机械臂上有一个紫色的透明容器，一次能拿起5个不同色的棋子，摆棋、行棋效率更高，不过跟我手动拿棋摆棋的速度相比还是慢多了。
元萝卜机械臂摆棋
商汤科技创新工程院院长沈徽此前透露说，这个小小的抓取机构里包含30多个零部件、4个传感器以及专用的计算芯片、相应算法。即使遇到摆放不规整的棋子，机器人也能快速“决断”换一个更好抓的棋子。
二、学习：从启蒙到高段练习，反复巩固同一知识点
元萝卜围棋机器人目前提供五种功能玩法：棋力闯关、巅峰对决、星球联盟、AI习题精练、五子棋。其中，AI习题精练能帮助用户练习各种围棋技巧；棋力闯关、巅峰对决为人机对弈，巅峰对决主要面向专业棋手；星球联盟里集成了一些围棋应用，进去可以跟在线的真人用户对弈。
当然这里的大部分功能都暂时与我无关。作为一个围棋“小白”，我的第一要务是“学习”。
我先尝试了AI习题精练模式，点进去后分别有适合启蒙、入门、初级、高级一直到高段的7个阶段，供不同水平的用户进行练习。我根据自己的围棋水平选择了适合的模式以及想要学习的技巧后，元萝卜就会化身一位围棋老师，完成出题、摆棋、评判的一系列操作。
话不多说，开始实战。
我先选择了最基础的启蒙练习，里面有4个“棋理”、22个“吃子”和2个“死活”习题。棋理1一共有18道练习题，选择一道题后，元萝卜会摆出一个简单的棋阵，然后等我落子。
启蒙练习中的棋理、吃子学习界面
如果放对位置，它会显示“恭喜你，答对了”。当我总是找不对正确答案时，可以选择看提示或看答案。
启蒙练习中练习题及棋局
这一阶段，元萝卜出的题目比较基础，多为分断白棋、打吃白棋、使用“长”保护黑子不被吃掉等。在20道题的练习中，它还会变换棋子摆放的位置，对同一知识点进行反复提问，来让我融会贯通，实现举一反三。
在棋理1中，大概做了一半的题，我已经基本掌握了棋理1涉及的围棋技巧，后面的练习题基本上都会做了。
三、进阶：可选机器人、真人对弈，赛后快速复盘棋局
打好理论基础后，我跃跃欲试想要来对弈一局，元萝卜提供了机器人和真人两种选择。
打开棋力闯关，有9路、13路、19路三种棋盘模式，每个模式里都有从业余到专业的不同段位，就像玩游戏一样，打通一关后才能解锁下一关。
在对弈过程中，我还可以点击“返回”键，选择“手数显示”或“局势分析”。“手数显示”会通过标数字呈现落子顺序。“局势分析”会显示黑棋或白棋领先多少子。不过这对于初学者的我暂时还没什么用。
对弈过程中黑白子领先程度
我也尝试了和真人对弈的模式。元萝卜中的星球联盟中有99围棋、新博围棋、弈客少儿、弈客围棋、佳弈围棋，都是跟真人对弈。在真人对弈模式下，我也可以选择和自己水平相当的棋手。
我的元萝卜App中也会同步出现这些棋局的对弈数据。我还可以将这些数据微信或朋友圈，别人只要点进链接，就可以分步骤查看整个对弈过程。比如我可以分享给一些段位比较高的棋手或专业围棋老师，帮我一起复盘。
在巅峰对决模式，元萝卜将用最高棋力与玩家对战，需要保持网络畅通。这个我就暂时不“自取其辱”了，等我的棋艺进阶到比较高的段位再做尝试。
元萝卜可以实现真人对弈的星球联盟
除了练习围棋外，元萝卜还提供有五子棋玩法，设置了七种难度等级。前几关还比较轻松，到后面第五关，元萝卜的“智商”突飞猛进，提前很多步给我挖坑，让人防不胜防。
结语：打败世界冠军的AI机器人，走入寻常百姓家
学围棋路漫漫，对我这种成年“小白”更是老大难。不过好在元萝卜全程不会不耐烦，只要我不耍赖，就能陪我一直练习，一路进阶。
与在电脑或手机上跟AI对弈相比，跟元萝卜这种有实体的机器人对弈，会更有像跟真人对弈的真实感，下棋过程也会更加谨慎、专注。再配合元萝卜一套完善的“培训计划”，我在练习过程中，感觉进步还是很快的。
2016年，谷歌的AI程序阿尔法狗（AlphaGo）击败围棋世界冠军，轰动全世界。如今，一个击败过世界冠军的围棋机器人，已经能够进入到人们的日常生活。
DeepMind AI足球教练上岗利物浦，射门率提高13%！网友：不公平
梦晨 发自 凹非寺量子位 | 公众号 QbitAI
AI足球教练 登上Nature子刊，谷歌DeepMind与利物浦队合作三年打造：
如同AlphaGo颠覆围棋一样，改变了球队制定战术的方式。
像是进攻方把球传给谁更容易创造射门机会，防守方如何调整布阵……AI轻松设计出的高效战术与真实战术难以区分 ，并且人类专家在90%的情况下青睐AI的建议 ！
论文共同一作Petar Veličković 表示，足球是比围棋更有挑战性的问题。
足球是动态的运动，而且有许多未观察到的因素也会影响结果。
有网友认为，“如果体育运动都能用上AI了，那么所有一切人类活动都将能够使用AI。”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力，朝自己擅长的方向走下去总有一天能开发出更棒的产品。
对于合作对象选择了利物浦这回事，甚至有其它球队粉丝气不过。
猜测DeepMind创始人是不是有私心，用AI黑科技增强他自己最喜欢的球队，真的好不公平。
讲道理的话阿森纳才是主场离DeepMind总部最近的那一个（都在伦敦）。
AI吃透角球
TacticAI强在哪里？把角球 这个机制给玩透了。
DeepMind团队表示，足球比赛中角球是进攻的大好时机，据统计30%的进球都来自角球。
并举例2019年欧冠半决赛，利物浦队阿诺德一个突然折返快速开球，打了对面巴萨一个措手不及，就被评为最佳角球之一，当时把梅西都看傻了。
（DeepMind里看来有不少真球迷啊）
像这样的精彩配合，不是每个球员都能做到，能做到也得看当时状态好不好。
所以TacticAI的研发目标，旨在解决三个核心问题 ：
对于给定的角球战术，会发生什么？例如，谁最有可能接球，射门机会多大？战术执行后，如何分析？例如，类似的策略在过去是否生效？如何调整策略以实现特定结果？进攻方如何增加射门机会，防守方又该如何布阵？至于解决的如何，先来看几个数据。
首先，TacticAI能预测角球传中后，全场22个球员谁最有可能接到球 ，准确率高达78.2% ，妥妥超过人类专家。
这样就能帮助发球队员选择应该将球传给谁了。
对于进攻方来说，光把球传出去还不够，关键是要制造射门机会，TacticAI把这点也考虑到了。
通过分析接球概率和射门概率的关系，它能以71%的准确率预测一次角球是否会制造射门 。
更厉害的是，它还能挖掘出不同角球战术之间的内在联系 ，从而有针对性地提出改进措施。
最终对于进攻方来说，AI提出的战术把制造射门的概率从18%提升到31% 。
对于防守方来说，AI调整布阵后把对手射门的概率从75%降低到69% 。
就问哪个队的教练能不动心？
图神经网络+几何深度学习
那么DeepMind是如何开发出这个大杀器的呢？
数据，收集自2020-2023年间英超比赛的7000多个角球。
三个核心技术：图神经网络+几何深度学习+条件变分自编码器 。
首先，将每一场角球的状态表示为一个图（Graph）。
其中每个球员作为一个节点（Node），节点之间的连接（Edges）表示球员间可能的互动。这种图表示法能够自然地捕捉球员间的空间关系和潜在的战术模式。
接下来，使用图神经网络 （GNN）学习图表示中的特征。
GNN通过节点和边的信息传递机制，能够学习到节点的高维潜在特征如球员的角色、位置、运动状态等信息。
这里使用了经典的GAT (Graph Attention Networks) 模型，也就是用了大模型上常见的注意力机制，来增强图表示学习。
GAT由图灵奖得主Bengio团队提出，共同一作Petar Veličković也是这次TacticAI的共同一作。
为了提高数据效率，TacticAI还采用了几何深度学习 来利用足球比赛中的对称性（如方形足球场地的水平和垂直对称）。
通过显式地在模型中引入对称性约束，使得模型能够在面对图的对称变换时保持预测的一致性。
最后，生成组件使用了条件变分自编码器 （CVAE），生成球员在特定战术下可能的位置和速度。
CVAE能够学习输入数据的潜在分布，并从中采样以生成新的数据，提出战术调整建议。
球员都得戴AR训练了？
TacticAI的潜力远不止于此，一但将这个方法扩展到其他定位球和更多战术环节，未来可能真的会出现一个通用的AI足球教练。
不过，论文中没有明确提及目前系统的运行速度。
是否能做到在比赛进行中实时分析、给出建议，是很多人关心的问题（比如CV大神谢赛宁）。
广大球迷更关心的则是AI如果真的普及了，对足球比赛的观赏性是增加还是削弱？
这次研究的合作方利物浦队，没有回应是否已经在真实比赛中使用了AI建议。
不过意大利亚特兰大队情报总监很看好这项技术，认为与之前已经广泛应用的大数据分析相比，由AI提出的建议人类也能理解。
AI可以帮助我们以分块或分类的方式分析足球——而不是认为一切只是一个连续的数据流，而人类无法理解发生了什么。
总之未来发生概率较大的是，所有运动员在训练时都会带上AR眼镜了。
论文地址：https://www.nature.com/articles/s41467-024-45965-x
参考链接：[1]https://deepmind.google/discover/blog/tacticai-ai-assistant-for-football-tactics[2]https://www.ft.com/content/e5a64dd3-7fe0-4db4-9f65-6f7517c2c573[3]https://x.com/GoogleDeepMind/status/1770121564085707082
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
