从本节开始，我们将从零开始，一行一行代码的编写，直到完整设计出当年击垮13次世界围棋冠军李世石的AlphaGo，幸运的是，在人工智能思维下，我们不需要成为围棋高手就能设计出AlphaGo，例如我对围棋就一窍不通。我们只需要掌握围棋的若干条基本规则，然后你熟悉Python代码的编写，当然也需要你具备深度学习的基本知识，好在这方面也有完善的教学视频，倘若你对深度学习的基本原理尚未掌握，你可以通过下面视频连接进行学习：

学习掌握深度学习知识原理，请点击链接

本节我们先了解围棋走法的基本规则，同时大概描述一下程序设计思路，下一节开始我们将开门见山，迅速动手写代码。围棋在所有棋类中难度最大，但有趣的是，它的规则几乎最简单，围棋充分体现了大道至简的原则。

围棋的棋盘有三种规格，分别为99，1313和19*19，它是由若干条横线和竖线交织而成的“田”字形网格：

棋子必须下在线的交叉点上而不能下在方块中间。围棋下子基本上没有任何约束，你下子的目的是尽可能的把对手的棋子给围住吃掉。比赛开始后，黑子先走。当你下的棋子把对方棋子全面包围时，对方被包围的棋子就可以你吃掉。

围棋的棋子间有个概念叫相连，在一个棋子上下左右四个位置有同一颜色的棋子时，连个棋子就相连，而相连具有传递性，如果A与B相连，B与C相连，那么A与C就相连。上图中加在两个白子中间的黑子与它上方的黑子相连，而上方黑子与它右边的黑子相连，于是三个黑子相连成一个集合。相连要看上下左右四个位置而不能看对角线，如果上图去掉第二行最左边的黑棋，剩下的两个棋子就不相连。

一个棋子上下左右四个位置中没有被对方棋占据的位置叫“自由点”，这些概念是我自己构造的，不对应专业术语，能说清楚问题即可，例如上图中小方块标注的位置就是3个黑旗的“自由点”，当上图中小方块的位置被白棋占据，那么黑棋就被堵死，于是就能从棋盘上拿掉。围棋有两个目的，就是尽可能的占地盘和吃掉对方棋子。

在围堵对方时，可能会出现一些特殊情况：

在上图左边白棋形成两个”眼“A和B，这种情况下黑棋就无法吃掉白棋。因为无论你下在A还是B，白棋都存在一个自由点，因此黑棋无论如何都形不成对白旗的围堵，除非白棋足够蠢能让黑棋连续堵住这两个点。

而右边则不同，黑棋只要堵住C点，白棋就没有任何自由点，于是所有白棋就全被黑棋吃掉。因此下棋时你不能下在没有自由点的位置，除非你能形成围堵把对方棋子吃掉。

当结束时，需要计算双方的分数以便决定胜负。首先要计算死棋，也就是无法形成两眼的棋子集合，或者是那些不可能再有自由点的棋子集合，死棋被认为是给对方吃掉了。

围棋有两种计分法，一种是领土计分。棋盘上任何上下左右都被你的棋围住的点叫领土点，计一分，对方每个被你吃掉的棋子也计一分。第二种叫区间计分，棋盘上任何一个上下左右被你的棋子占据的空余点计一分，你在棋盘上还剩下的棋子各计一分，通常情况下两种计分法会得出相同的结果。在程序设计时，我们采用第二种计分法。

根据上图，我们计算一下黑白两棋得分，其中大×的棋就是死棋，三角形对应的是黑棋的领土点，正方形占据的是白棋的领土点。对于第二个落子的人，在使用领土计分时它会获得6.5分做补偿，在使用区间计分时会获得7.5分做补偿。多余的0.5分是为了防止出现平局。

根据上面棋盘我们算一下双方得分。白棋有两个✘，对应死棋，同时还有一个棋被黑棋吃掉（在上面没有显示出来），因此黑棋相当于吃掉白棋三个子，而黑棋有两个带✘是死棋，相当于被白子吃掉。

三角形有10个，同时被两个带✘白棋占据的位置，总共有12个领土点属于黑棋。上图有15个小方块，再加上两个带✘黑棋占据的位置，因此白棋的领土点有17个。

除去两个带✘死棋，黑棋还剩27个子。除去两个带✘白棋，白棋还剩25个子。按照领土计分法，如果白棋是后走，白棋得分是17个领土点+2个死棋+6.5分补偿=25.5分。黑棋得分是12个领土点+2个死棋+1个吃掉的白棋（没有在上图显示）=15分

按照区域计分法，白棋有17个领土点+剩余25子+7.5补偿分=49.5分。黑棋有12个领土点+剩余27子=39分，无论何种算法，白棋都被黑棋多出10.5分。在最终结果出来前，如果一方觉得自己没希望了，随时可以投子认负。

其中还有一种情况叫ko需要注意，那就是规则要防止局面进入死循环，如下图：

如上图右边，当黑子下了后会把A点处的白子吃掉。此时规则禁止白棋下在A点，因为那会把上方的黑棋吃掉，于是棋盘回滚到上一个状态，如此就会让棋局陷入死循环。白子必须下在除了A点之外的另一处，然后后续步骤中，白子才允许重新下在A点。因此黑棋基本上有机会把A点堵上，除非白棋下得很巧妙，让黑棋不得不放弃堵住A点。

有关棋类的编程设计大多基于“树搜索”:

首先代码先评估当前有几种走法，然后分别模拟给定走法，也就是上图第二层。然后代码继续评估对方有多少种走法，也就是上图第三层，然后根据对方给定走法后在一次评估本方有多少种走法，我们看上图最下方的箭头已经有很多个了，随着层数的增加，箭头数将呈现指数级扩张。

很多棋类，例如象棋，国际象棋，五子棋等都可以依靠树搜索进行，唯独围棋不行，那是因为围棋根据树搜索，围棋将会呈现出爆炸式增长，使得计算机根本无法在给定时间内进行计算，围棋搜索数如下：

根据运算国际象棋在树搜索经过4步后，树的分叉有八十一万，而对围棋而言是四十亿，经过5步后，国际象棋有两千四百万分叉，而对围棋而言是一万亿，因此用树搜索编写围棋程序，经过七八步之后树的分叉会超过全宇宙所有原子数量的总和！

因此常规做法无法完成围棋程序。在深度学习技术成熟后，电脑才能够通过学习和运算，在这么多的分差中根据当前棋盘局面找出合理路径。在后续的课程中，我们将利用树搜索，蒙特卡洛搜索，深度学习，增强性学习等多种技术组合在一起，从而打造出一个与当初AlphaGo一样强大的围棋智能程序。

更多配套课程请点击’阅读原文‘