在没有神经网络帮助的情况下，为 Abak 开发人工智能（AI）被证明是一项极具挑战的任务，并且随着时间推移似乎达到了一个上限。不过，开发它的过程非常有趣，而且它至今仍在“easy”、“normal”和“advanced”级别上服役。这篇文章讲的是它如何工作，以及它是如何被做出来的。

阶段 1，GOFAI PHP

Abak 的第一个 AI 版本是用 PHP 编写的，最终因为“out of memory”错误而被认为会拖垮系统，但它为 C++ 版本铺平了道路。对我来说，它是一个原型试验场，用来摸索到底该怎么做一个 AI。第一次我把它挂到 web 服务器上运行时（也就是我真的在和它对战），它用了漫长的 15 秒才选出一步棋。当我看到服务器自己开始走棋时，我兴奋坏了，可能还跳了一小段舞。不太确定。

阶段 2，GOFAI C

于是，这个 AI 的 C/C++ 版本——第一个进入生产环境的版本、我心爱的 GOFAI 引擎——从 PHP 的灰烬中诞生了。它会在纳秒间对成千上万个局面运行 29 个分析算法，过程如下：

• 给定一个棋盘局面和一组骰子。
• 计算状态
• 获取所有可能走法。
• 分析每一种走法并给出分数。
• 选择“最佳”分数。

下面是该过程的示意图。

它由四个主要函数组成：

• Get Actions（计算合法走法）：

  给定一个棋盘局面和一次掷骰结果，它会计算出所有合法走法。

  合法走法的数量可能从 0 到数万不等。

  无论我用哪种语言来写这部分，我都采用了一种不必要的递归方式，这让代码极难调试，但它又实在太美了。它有几百行代码，却花了我几周时间写完，之后又花了几周把它翻译成 C。

• Get state（计算棋盘状态）：

  给定一个棋盘局面，它会计算出一个语义状态，这些状态基本都很好理解：

  • Starting
  • MiddleGame
  • Running without Hope
  • Running with Hope
  • EndGame
  • Entering Home

• Analyse Movement（为棋盘局面计算分数）：

  这是迄今为止最庞大的算法。它会分析棋盘的各种特征，每一种都返回一个分数，然后根据之前算出的状态对它们应用权重因子，从而根据不同的游戏阶段，赋予分析中不同方面不同的重要性。

  这个 AI 一开始只有 8 个算法，最后增加到了 29 个，随便举几个：

  • 列高
  • 被击中的风险
  • 被困住的风险
  • 内盘强度
  • 逃脱枢纽
  • 中栏棋子数
  • 安全棋子

  这些算法中很多一开始都非常基础，甚至压根不存在。

  随着时间推移，我不断为它们增加功能并微调因子。

• Select Action（选择“最佳”走法）：

  如果你只是想选出最高分，这个算法相对简单（Advanced 等级就是这么做的）。

  对于 Normal 和 Easy 等级，它会在一组最佳走法中随机选择一步；这个列表的大小（或者说它对较差走法的容忍度）由难度等级决定。

由于使用 C，这个引擎快得惊人，所以我会始终把它作为主要的 get-actions 函数。

阶段 3，GOFAI C 调优

为了调试、排查问题和微调这个引擎，我不得不构建许多工具来监控它的决策过程。与神经网络不同，这里的每个决定都是可审计的，所以至少你还有这一点可依赖。

这个过程很有趣，但也慢得痛苦。我和 CPU 对战了很多次，每当我看到一个糟糕的走法，就会回到这些工具里查看哪里出了问题。有时这会把我带向修复某个算法、调优某个因子，或者干脆构建一个新的分析模型。有时——而这真的很美——它还会让我重新思考自己的 Abak Evolution 策略。

随着时间推移，我得到了一套相当扎实的 AI，但要继续把它打磨得更完美却变得越来越困难。代码行数太多，场景太多，运算规模太大，以至于在代码层面调试成了一项沉重的工作，而手工微调因子也开始不再有效。

阶段 4，绝望

但我还想要更多，因为我自己也玩 Abak，而我需要一个足够强的对手来获得乐趣。那时玩这款游戏的人类并不多（甚至在我写下这些文字的时候也是如此）。

而这种方法有很多缺点：

• 它会根据当前棋盘位置计算一个棋盘状态，并用这个状态来调整所有合法走法的分析算法因子。但某个走法本身其实可能已经改变了状态，而引擎并没有把这一点考虑进去。
• 手动微调因子需要耗费巨量时间。过程当然也挺有趣，但真的太多了。
• 鉴于可能场景的数量如此庞大，状态的计算极其困难。这个算法一直都有缺陷。
• Game Equity 不可能被精确计算，因为这个引擎对每个分析算法都有一套任意的评分系统，最终分数并不反映胜率概率，它只是作为不同棋盘局面之间的相对比较分值。你可以说它只有相对值，而不是绝对值。

阶段 5，觉醒

然后，在 2018 年的某一天，Google 用 AlphaGo 神经网络击败了 GO 冠军，整个世界都沸腾了。同时，各种出色的开源机器学习库也陆续可用，并开始使用家用 GPU 来加速训练过程。

当然，我之前对神经网络已经有一点了解，但我从未真正搭建过，而且老实说，我一直觉得那是超出我能力范围的事情。

所以我根本抵挡不住诱惑，Expert 等级后来就不再运行在 GOFAI 引擎上了，除了 get-actions 这部分。

不过，这个故事就在这里结束。

如果你一直读到了这里，我真的很惊讶。

这段文字由诚实的 Abak Evolution Team 为了 SEO 目的撰写，
也就是 Samy Garib。