從本節開始，我們将從零開始，一行一行代碼的編寫，直到完整設計出當年擊垮13次世界圍棋冠軍李世石的AlphaGo，幸運的是，在人工智能思維下，我們不需要成為圍棋高手就能設計出AlphaGo，例如我對圍棋就一竅不通。我們隻需要掌握圍棋的若幹條基本規則，然後你熟悉Python代碼的編寫，當然也需要你具備深度學習的基本知識，好在這方面也有完善的教學視訊，倘若你對深度學習的基本原理尚未掌握，你可以通過下面視訊連接配接進行學習：
更多内容，請點選進入csdn學院
本節我們先了解圍棋走法的基本規則，同時大概描述一下程式設計思路，下一節開始我們将開門見山，迅速動手寫代碼。圍棋在所有棋類中難度最大，但有趣的是，它的規則幾乎最簡單，圍棋充分展現了大道至簡的原則。
圍棋的棋盤有三種規格，分别為99，1313和19*19，它是由若幹條橫線和豎線交織而成的“田”字形網格：
棋子必須下線上的交叉點上而不能下在方塊中間。圍棋下子基本上沒有任何限制，你下子的目的是盡可能的把對手的棋子給圍住吃掉。比賽開始後，黑子先走。當你下的棋子把對方棋子全面包圍時，對方被包圍的棋子就可以你吃掉。
圍棋的棋子間有個概念叫相連，在一個棋子上下左右四個位置有同一顔色的棋子時，連個棋子就相連，而相連具有傳遞性，如果A與B相連，B與C相連，那麼A與C就相連。上圖中加在兩個白子中間的黑子與它上方的黑子相連，而上方黑子與它右邊的黑子相連，于是三個黑子相連成一個集合。相連要看上下左右四個位置而不能看對角線，如果上圖去掉第二行最左邊的黑棋，剩下的兩個棋子就不相連。
一個棋子上下左右四個位置中沒有被對方棋占據的位置叫“自由點”，這些概念是我自己構造的，不對應專業術語，能說清楚問題即可，例如上圖中小方塊标注的位置就是3個黑旗的“自由點”，當上圖中小方塊的位置被白棋占據，那麼黑棋就被堵死，于是就能從棋盤上拿掉。圍棋有兩個目的，就是盡可能的占地盤和吃掉對方棋子。
在圍堵對方時，可能會出現一些特殊情況：
在上圖左邊白棋形成兩個”眼“A和B，這種情況下黑棋就無法吃掉白棋。因為無論你下在A還是B，白棋都存在一個自由點，是以黑棋無論如何都形不成對白旗的圍堵，除非白棋足夠蠢能讓黑棋連續堵住這兩個點。
而右邊則不同，黑棋隻要堵住C點，白棋就沒有任何自由點，于是所有白棋就全被黑棋吃掉。是以下棋時你不能下在沒有自由點的位置，除非你能形成圍堵把對方棋子吃掉。
當結束時，需要計算雙方的分數以便決定勝負。首先要計算死棋，也就是無法形成兩眼的棋子集合，或者是那些不可能再有自由點的棋子集合，死棋被認為是給對方吃掉了。
圍棋有兩種計分法，一種是領土計分。棋盤上任何上下左右都被你的棋圍住的點叫領土點，計一分，對方每個被你吃掉的棋子也計一分。第二種叫區間計分，棋盤上任何一個上下左右被你的棋子占據的空餘點計一分，你在棋盤上還剩下的棋子各計一分，通常情況下兩種計分法會得出相同的結果。在程式設計時，我們采用第二種計分法。
根據上圖，我們計算一下黑白兩棋得分，其中大×的棋就是死棋，三角形對應的是黑棋的領土點，正方形占據的是白棋的領土點。對于第二個落子的人，在使用領土計分時它會獲得6.5分做補償，在使用區間計分時會獲得7.5分做補償。多餘的0.5分是為了防止出現平局。
根據上面棋盤我們算一下雙方得分。白棋有兩個✘，對應死棋，同時還有一個棋被黑棋吃掉（在上面沒有顯示出來），是以黑棋相當于吃掉白棋三個子，而黑棋有兩個帶✘是死棋，相當于被白子吃掉。
三角形有10個，同時被兩個帶✘白棋占據的位置，總共有12個領土點屬于黑棋。上圖有15個小方塊，再加上兩個帶✘黑棋占據的位置，是以白棋的領土點有17個。
除去兩個帶✘死棋，黑棋還剩27個子。除去兩個帶✘白棋，白棋還剩25個子。按照領土計分法，如果白棋是後走，白棋得分是17個領土點+2個死棋+6.5分補償=25.5分。黑棋得分是12個領土點+2個死棋+1個吃掉的白棋（沒有在上圖顯示）=15分
按照區域計分法，白棋有17個領土點+剩餘25子+7.5補償分=49.5分。黑棋有12個領土點+剩餘27子=39分，無論何種算法，白棋都被黑棋多出10.5分。在最終結果出來前，如果一方覺得自己沒希望了，随時可以投子認負。
其中還有一種情況叫ko需要注意，那就是規則要防止局面進入死循環，如下圖：
如上圖右邊，當黑子下了後會把A點處的白子吃掉。此時規則禁止白棋下在A點，因為那會把上方的黑棋吃掉，于是棋盤復原到上一個狀态，如此就會讓棋局陷入死循環。白子必須下在除了A點之外的另一處，然後後續步驟中，白子才允許重新下在A點。是以黑棋基本上有機會把A點堵上，除非白棋下得很巧妙，讓黑棋不得不放棄堵住A點。
有關棋類的程式設計設計大多基于“樹搜尋”:
首先代碼先評估目前有幾種走法，然後分别模拟給定走法，也就是上圖第二層。然後代碼繼續評估對方有多少種走法，也就是上圖第三層，然後根據對方給定走法後在一次評估本方有多少種走法，我們看上圖最下方的箭頭已經有很多個了，随着層數的增加，箭頭數将呈現指數級擴張。
很多棋類，例如象棋，國際象棋，五子棋等都可以依靠樹搜尋進行，唯獨圍棋不行，那是因為圍棋根據樹搜尋，圍棋将會呈現出爆炸式增長，使得計算機根本無法在給定時間内進行計算，圍棋搜尋數如下：
根據運算國際象棋在樹搜尋經過4步後，樹的分叉有八十一萬，而對圍棋而言是四十億，經過5步後，國際象棋有兩千四百萬分叉，而對圍棋而言是一萬億，是以用樹搜尋編寫圍棋程式，經過七八步之後樹的分叉會超過全宇宙所有原子數量的總和！
是以正常做法無法完成圍棋程式。在深度學習技術成熟後，電腦才能夠通過學習和運算，在這麼多的分差中根據目前棋盤局面找出合理路徑。在後續的課程中，我們将利用樹搜尋，蒙特卡洛搜尋，深度學習，增強性學習等多種技術組合在一起，進而打造出一個與當初AlphaGo一樣強大的圍棋智能程式。
更多内容，請點選進入csdn學院
更多技術資訊，包括作業系統，編譯器，面試算法，機器學習，人工智能，請關照我的公衆号：