有龍王六卷以後雷
作者在書中有寫:
「圍棋成為職業棋士的難度不像將棋那麼高，
所有女性職業棋士並不罕見。」
又把最有歷史意義的「本因坊」頭銜，寫出由女棋士取得，
不是女流本因坊，而是正規本因坊系列戰。
是作者個人的見解，還是圍棋對男女競賽比較互有勝負啊？

其實這個問題沒有答案 只有統計數據

==棋類相輕

因為圍棋不像將棋星人能夠一步一步算 很多時候也都靠棋感下棋 我猜啦

兩邊對職業的定義和門檻應該不太一樣

樓上，阿法狗表示

史上女子最強的芮乃偉在全盛時期可以從曹薰鉉手上拿冠

剛剛看目前圍棋世界排名女性最高是第123名

alphago規格外本來就不該算進來

圍棋那些頂尖的也是算到爆吧

不過圍棋計算比將棋要高多了吧？

我孤陋寡聞 真的有女棋士拿到本因坊? 不是女流本因坊喔==

沒有一種職業競技靠感覺的 這可是嚴肅的事

不過圍棋目前還是中韓的天下吧

沒有 是龍王作者裡寫的人物

單純死活可以算 但是如果是前期走外勢真的比較難

我剛看完也覺得有扯 而且棋士還是副業 主業盤師

只要是棋類，都是靠計算，怎麼可能靠感覺。圍棋要算的就是每一步的手順、目數、死活，憑棋感？

o巴啊啊啊啊啊啊啊啊啊

就兩者待遇來說 你有能力絕對會選圍棋 而不是將棋

很多時候都是靠經驗或感覺 來覺得下哪對以後比較有幫助

描寫終年酒空 只有刻盤不喝酒 就連比賽都喝

龍王的作者寫的是哪個棋士啊，感覺資訊有誤

有棋感吧 但是決定勝負的還是計算力跟經驗

當然是作者YY自爽寫的 棋類競技分男女是有原因的

這裡大多都外行人 真正了解圍棋的可能不多 如果真想了解建議到圍棋版去問

根本小說傳說人物規格(？)

圍棋能算的當然要算 但是很多時候靠著的是經驗跟棋感

這點將棋也一樣吧

還有棋類的計算除了深度之外還有廣度以人類來講要全部都要全部都算難以做到 所以對棋局的敏銳判斷可以更容易掌更容易掌握局勢 那種棋感 可以說是從天份和經驗累積起來

如果圍棋是以「棋感」為主，那阿法狗就不會著重在計算，而會寫成圖形判讀軟體，看「棋型」來下了

所謂的棋感也是計算出的概論，經驗越多越能省略計算過程

往盤面上一看能夠篩選出數個值得下的點 那就是棋感阿

以我認識的象棋為例 特定局面棋子之間的相對位置會處於

我不是說圍棋以棋感為主 而是指相較於將棋 估計圍棋用的比較多

alphaGo就是用類神經網路模仿這個棋感 篩選出可以下的

那些只能花時間去拆棋 才能對局勢 有比較準確的判斷

先會計算，才會有所謂的「棋感」，就像你要先背好九九乘法，你才會對數字有「感覺」

@rotusea 這可能是有點誤會了 你講的這兩種都是計算

位置 才用蒙地卡羅演算法計算後續

實際上alphago推翻了不少人類定石 這也代表已往人類的棋感 很多都是錯的

還有 上面的人在講得 棋感 是無法量化的標準 所以如果所以如果用棋感來作比較根本毫無意義

沒有初步運算，你怎麼決定哪幾個點值得下？邏輯要弄清楚

@rotusea 阿法夠用類神經網路就是模仿人類大腦的棋感原理和影像辨識的確有異曲同工之妙

不過我是不確定上面哪些人是 圍棋高手啦 對棋感的認識也看不出來是否只是外行人看表面講幹話而已

棋感這東西除非是完全沒玩過棋類 不然沒這麼難懂吧

棋感也算是計算 只是這是很不精準的計算 圍棋因為複雜度高

我的意思是，阿法狗算的是下在棋盤每任一個點的最高勝率，來決定落子，而不是看「棋子的形狀」來決定優劣

就算不會圍棋 你第一直覺也不會考慮要下在1-1上吧這也是棋感阿

以人類大腦在有限時間內根本做不到足夠精準的計算 所以棋感

就說你錯了...阿法狗為了不要計算全部的點的勝率

這種不精準的估算佔比就相對的重

是啊 但AlphaGO估計出勝率前 類神經網絡會萃取出當前盤面的各種特徵量，這其中會涵蓋你歲的 棋子的形狀

阿法狗也是先經過幾百場對奕累積計算資料後才推去比賽

說到這個 黃士傑請自下的第一手天元之後才交由alphago算是讓步嗎？

阿法狗就是把盤面看成19*19的圖型去算的

如果原po對於AI之類的話題有興趣的話可以考慮可以考慮去學machine learning

類神經網路只是讓它在下棋時能抓出那方位落子跟其後的步數可以得到最高勝率

我是覺得要學的話可以去看Stanford的CS231n啦

它會從整體盤面去推出哪一手最好

這些落子的手順也是從先前的對奕資料中取得計算

機器學習我以前只有 旁聽過幾堂課

但如果你只會SVM 那你能做出來的AI就真的只是條狗而已 哈不過就算是傳統的機器學習，當通識聽聽也滿有趣的

所以上面講得 一些和深度學習有關的演算法

不過 AlphaGO 會這麼強也是因為挑圍棋這種軟柿子吃啦

可是 在碰深度學習之前 不是要先 學機器學習打底嗎

圍棋算軟柿子？說得好像研發阿法狗很簡單一樣…

應該說兩者某些知識有重疊 從機器學習開始是比較順沒錯研發AlphaGO 不簡單 但是圍棋真的是軟柿子

了解，感謝指正。但這不影響我的論點，所謂棋感，只是一種達到反射程度的快速計算，不是無中生有的「感覺」。就像前面說的不會想下在一，1 不是因為那看起來「不好看」，而是因為那看起來「無利可圖」，歸根結底還是計算

樓上

我倒覺得除了女人的第六感之外，其實所謂的感覺都是計算

可是'高手'的棋感 在某些局勢 他就可以找出很好的切入點

然後他解釋的時候 對菜鳥來講 會不太懂那種感覺

如果不是計算而只是"感覺"，那跟擲茭沒兩樣...

圍棋的圈地 天才腦可以轉換為面積再辨識 有別其它種棋類像我曾經聽說音樂天才看樂譜是有顏色的 腦袋不知怎麼長的

所以rotusea強調的是棋感像 快取記憶體 的特質嗎？

別信高手鬼扯我覺得怎樣，她會那樣覺得是因為經驗+粗略的計算已經幫他過濾了很多選項，別人沒有順著他的邏輯與思考不會懂他計算考量的點

因為只懂一點點象棋 所以 用象棋當例子

事實上就是經驗+計算的差距造就所謂的棋感

有些局勢 明明看起來就很平穩 可是他們可以一瞬間組織一連串巧妙的攻勢 可是用軟體下得時候都是一些保守的棋

"明明看起來就很平穩" <- 這個看起來像估計錯誤XD

軟體只能下出穩定 不吃虧的棋步 可是高手卻可以下出那些

那就牽扯到盤面的解讀有差異 > 跟高手的計算差距

下出一些藏有欺騙性 或者是引導對方去下某些棋步的感覺

這結果不難想像啊 因為理論上最佳棋路是 高勝率低變化

簡單來講 我想說的就是 軟體只會下那些穩定不吃虧

可是高手下的棋步 不只精準而且有"人性"象棋比賽其實有個詬病 程度不要差太多先手方 有心的話

應該說，大部分人認為的「棋感」，可能指的是從判斷「棋型」順不順眼的一種「感覺」，就好像寫考卷遇到不會寫的，就挑一個看起來順眼的答案

先手方下出和棋 的棋路比贏棋還要簡單 變化更少然後我有嘗試用雙方都軟體去下 結果很容易下出和棋

我認為你說的是有邏輯的，但這牽扯到你所謂的軟體的

但其實在那「感覺」背後，是大量運計算累積得來的快速反應，不是主觀意識的「純感覺」

演算邏輯，但自阿法狗問世後就沒有這問題了

這是因為那太難表達，所以稱之為「棋感」

這其實有點像 雙方在博弈的時候 有N種選項有些選項的收益 與對方決策有關讓我想到"囚徒困境" 裡面選擇雙方吃虧最少的選項為了避開對方 認罪時收益最差的情況會選擇相對安全的選

圖像記憶跟圖像邏輯吧 我們不是常說「棋形」嗎 表面上好像

更簡單的來講就是雙方決策維持在納許均衡點上面

我想囚徒困境並不是很適合用來類比啦 因為那困境是來自雙

但一樣棋形 細微的不同也可能有陷阱 所以會有意外好/壞手

方之間有資訊的落差 但象棋雙方資訊是同樣的

抱歉 書讀得不多只能用比較不精確的類比 不過我想表達

而兩個囚徒都為自己的最佳利益打算 最終導向一個次佳結果

我想表達的是 在決策時 因為無法預知對方會怎麼應對

另外一個不一樣的特質是兩個囚徒有合作可能 象棋沒有

每次的落子時得到的收益地方都會與之後對方落子有關

但總會有棋路是「穩贏」或「不會輸」的對吧？

所以 有些棋步變化同時包含了對雙方有利或有弊的趨勢對 你上面那句有講到我想要的點了"不會輸"的決策和"可以贏"是不太一樣上面講到雙方平穩的局面是指誰主動攻擊誰吃虧的僵持局面

西洋棋這情況更明顯 世界級比賽 下一下就一堆和棋

如果真要以計算力去征服象棋雙方AI"不會輸"的下法幾乎都幾乎都會和棋 以雙方計算力覆蓋變化的時候1先的差距實在1先的優勢實在不多

那是因為一般遊戲的AI並不是阿法狗或是深藍根據對岸的比賽記錄，象棋先手勝率為55%-60%間在一個兩邊都平等的規則下先手算是很有優勢了…

抱歉 我可能要在強調一次 我那段的前提是雙方計算力覆蓋所有變化的清況下 1先的優勢容易被稀釋掉但是那些"可以贏"的決策會比"不會輸"的決策 有更多風險

那要看AI是用那種軟體，沒人用深藍等級的AI下過象棋

因為賽制關係 A跟D對弈的時候如果只需和棋就可以晉級

而一般遊戲用的軟體就會用減少損失的方式下棋

A在下棋的時候 就會期望局面簡化中期傾向於跟你換子的棋

這種情況下先手確實沒有優勢，因為兩者AI都走保守棋路

你講得是沒錯 可是重點是那些強度比較夠的AI他們的演算法 並不像大多外行人講說是怎麼贏的

以阿法狗等級的AI來說如果每一步與後面落子都是可計算的，那風險是否存在？

意思是說 若要解釋那怎麼贏的話 要用大量篇幅去解釋才能大量篇幅去解釋那個AI 的演算法 不是簡單兩三句可以

因為風險的定義是不可預期的意外事件，但是對高等AI來說不可預期的事件不存在於棋盤上以下西洋棋的深藍為例，不進攻只用保守路線玩不贏西洋棋冠軍吧？

因為這可能會牽涉到 AI對盤面分析的細節，所以無法驗證

至於AI怎麼演算的都有科普讓一般人理解，很夠用了

影響局面好壞 對和兩邊的棋路都有關 不是只有一邊下的棋我上面說對AI細節的了解意思是 對大多數人來講 appstore上面的西洋棋AI 和深藍的演算法 就算科普後對他們來講對他們來講都是一樣的

最簡單就是暴力破解法…把所有棋譜輸入系統記憶深藍就是這樣玩…每下一步再算出12步後的可能性一般人也不用完全理解電腦怎麼算出來的…

抱歉 我例子可能舉錯了 因為有所謂象棋AI的比賽 每個AI的演算法 都含有設計者的巧思在裡面 並非每個都是一樣的方式 所以在解析棋路的時候 可能存在著一些不直觀的

所以你想說啥？從圍棋感一路扯到象棋AI

不直觀的因果關係 可是一般人只能從表面上去臆測自己腦如同我一開始說的因為一般人所理解的棋感 和了解圍棋的了解圍棋的人 所認識的棋感不同 但是 有人扯到AI是怎麼是怎麼下得 就開始牽扯到AI的 "棋感"然而AI的棋感 又會牽涉到設計者的 設計細節一般人對AI不瞭解使得他們討論AI的棋感毫無意義

我看你還是去信教八zZ

不過kinght大你似乎也有些東西沒有明白而隨意下結論

這文....作者下句寫的是歷史上僅此唯一的女性

現實本因坊沒有女生獲得過頭銜

alphago用的卷積型類神經網路基本上就是常用來判讀圖像的演算法啊，這也算是計算的一種吧

@GKki2012 你講的"含有設計者的巧思在裡面"這個就不適用以機器學習為基底的AI了

我以前有練圍棋 有時候真的靠感覺

沒有練的也是靠感覺啊 因為你只要算不出來就是靠感覺

棋感就是用經驗某種程度取代人類無法負荷的計算吧

體力也是個問題

是不是唬爛啊 圍棋真的有女性棋士拿到一般頭銜？

韓國84有女棋士拿到一般頭銜

七樓提的例子就是了吧不過不是日本人 將棋如果像圍棋一樣能在中韓普及 說不定也會出現足以跟頂尖男棋士比拼的女流棋士

韓國有女棋手拿到「國手」頭銜 頭銜名稱就是國手 跟名人之類的一樣不過日本目前還沒有就是

如果人類能思考的步數跟邏輯也跟阿法狗一樣，我相信人類現在會有不同的棋感，沒有對錯的問題，只是生物的極限

樓上你把邏輯跟步數都限制一樣了，還有什麼變因下的不一樣XD

唯一拿到非女流頭銜 就苪逎偉一人 國手戰勝曹薰炫 還有麥馨杯

有人說是感性方面圍棋還有美學的部分所以比較女性化，將棋只有殺殺殺

@ar 為了避免冗長的解釋而使用不足以完整表達意涵的敘述

動畫 哪個棋比較難 誰一定比誰強 都是給外行人看的

競技類一定是男>>>>>女啊 這個還需要驗證喔

圍棋也是殺殺殺啊…都是計算哪有什麼不同

因為一般人對於AI是怎麼產生可能都沒有概念 資料怎麼

那是現在啊...計算形狀跟移動棋子我是覺得差異很大啦

資料training的過程都不太了解 所以我使用這種簡化過的簡化過多的敘述 很容易造成句義上的混淆但是卻有不少人會拿不夠瞭解的東西 說嘴kinghtt大似乎把我說的保守棋想成下軟著卻用用此觀點作作論述 自然會與事實偏離@arr不過還是感謝你分享machine learning 的學習資源啦

圍棋當然要算，每一手都是基於佈局和進攻的方向……

認為我提的論述有問題歡迎拿出來打我臉，但是拿一堆沒有資料的個人感觀說我偏頗就省省吧拿AI談棋感本來就是很怪的論點，因為AI的設定就是下贏

競技類不一定男>>>女 比如射擊射箭男的就沒有明顯優勢馬術女>>男更明顯

這盤棋，所有的棋路都是以最高勝率為第一優先阿法狗的對戰後李世石也認為該多用計算方式下棋而非用棋感落子

那可以先確認一下 k大會下西洋棋或是象棋嗎 如果會的話可以用局面實例 去舉證 給你 看 應該會比較了解引用你某一句論述 "不進攻只用保守路線玩不贏西洋棋冠軍吧?"一盤棋通常會有 偏重攻擊和偏重防守或者兩者兼具的棋

會下呀…還是你想告訴我八段棋王才會資格論棋感這樣？

除非被擴大先手太多不然各種 參差不齊的程度的棋感 是要怎麼比較啊？

你可以去看阿法狗或深藍下的棋譜，這類AI不存在保守型或進攻型的概念，一切是為了最終勝利而落子

對棋了解不深 而講棋感 明顯是幹話

如果你還在用進攻保守的概念去看AI…就不怪你堅持棋感了

進攻防守只是引用你講得話 (剛剛那句)而且一般人不也是為了最終勝利而落子嗎？所以你那句"一切是為了最終勝利而落子" 也是幹話有誰比賽的時候 落子不是為了最終勝利的

所以別人提的都是幹話，你講的都是真理，棋王你贏惹～

你認為我講得是真理 那也只是你主觀的見解 也無法說服也無法說服任何人而且這也與我主張的 棋感會因每個人對棋理解程度而不同毫無任何關聯

AI就不存在棋感這概念呀…這要說明幾次勒？

不過 看到你惱羞放大絕說"你最厲害你贏了"代表沒有討論

棋感不是了解深不深才會有的東西==

抱歉 可以跟我講一下 棋感 的"定義"嗎

去看阿法狗棋譜解說就知道，好幾手人類不會去下的落點

它就是會去下，甚至有場直接放目給李世石去爭別的地

所得的結論去排除你認為沒意義的計算

有棋感的人類根本不會這樣下，但是它就是下還贏了

因為了解程度不同而有不同的"棋感"再強調一次我原本說的而非了解不深 而沒有 而是了解程度差異 的棋感會相異

惱怒不是惱羞，因為我發現跟一個沒去看資料的人說明AI的概念還真容易上火

alphago的創作者自己都說它是靠評估跟計算兩部份了，評估就是它的棋感啊

棋感的重點在於「直接排除某些選項不去計算」我沒研究阿法狗跟以前讀的差在哪 不知道怎摸算的==

不管AI有沒有棋感 我再用另一種方式說一般大眾對棋感的認識很籠統會容易產生 你講的是東西和和我講得東西 認知會完全符合如果可以的話 我期望k大可以去分析任一棋類的決策樹和某些AI的演算法 相關的部分 讓我學習一下

阿法狗的演算法不是類神經網路嗎

抱歉 我可能只是對只花幾個小時查資料用自己的解讀 去寫去寫新聞的記者而已 而並非自身研究的專業領域綜合其他綜合其他專家得出來的推論若A則B →若結果為非B則因為非A 但是若結果為B並不代表並不必然因 為A 這是一般大眾很容易混淆的邏輯只靠一般人對某些理論的解讀並沒有像專家了解的因果關係那麼準確