當 AlphaGo 遇上 ChatGPT：第二章：DCNN 與殘差網路——AlphaGo 的「宇宙引擎」

 

DCNN 與殘差網路——AlphaGo 的「宇宙引擎」

再往裡面拆，你會發現：
這兩顆網路其實都是 深度卷積神經網路（DCNN）。

棋盤就像一張小小的 19x19 黑白影像：

• 黑子 = 一種像素模式

• 白子 = 另一種

• 空點 & 其他特徵（氣、禁入點、劫等）= 更多通道

卷積網路做的事，就是用小視窗在盤面上掃：

• 這裡是不是眼形？

• 那裡是不是斷點？

• 這串是不是快被吃光？

• 這裡的陣勢厚不厚？

一層一層堆上去之後，
AI 開始不只懂「形狀」，還會懂「勢」、「厚薄」、「模樣」、「大局」。

為什麼要用 Residual Block？

當年一個大問題是：
網路堆太深，模型反而變笨——梯度消失、訓練崩壞。

殘差結構（Residual Block） 解決的是這件事：

它讓訊號可以「繞過」中間的轉換層，
就像在每幾層之間拉一條高速公路旁邊的「直通管線」：

output = F(x) + x

模型不用每一層都重造宇宙，只要學「在原本基礎上微調」。
這讓 AlphaGo Zero / AlphaZero 可以用上 非常深的 ResNet，
抓到極其抽象的棋理。

為什麼 DCNN 特別適合圍棋？

因為圍棋是典型的「局部＋全局」遊戲：

• 眼形、生死題：局部圖案

• 厚薄、勢力：中尺度

• 全盤模樣、勝負：全局

DCNN 正好是：

• 前面幾層看小範圍

• 中間幾層看中尺度

• 最後幾層整合成全局

你可以說：
圍棋對 DCNN 來說，是一種非常「自然」的語言。

---

第三章：從 AlphaGo 到 AlphaZero，再到 MuZero

========

本著作由大力士的AI天地創造 製作，以創用CC 姓名標示–非商業性– 禁止改作 4.0 國際授權條款釋出