Modified by超强的棋力，超快的速度
中局棋力超强，善于驾驭复杂局面；残局水平提高，优势残局一般不会放跑对手；
使用了位棋盘技术和最新的搜索算法，上层速度快；
支持多CPU核心，最多可支持64个核心；
支持更换引擎，更换极为简单，一键更换
只要象棋引擎支持UCCI协议，都可以在南奥象棋中使用，一次点击，就可以随时自由
切换象棋引擎；以后将增加UCI协议的支持；
支持最新开局变例
南奥象棋软件自带最新开局库，已经涵盖了弈天华山快慢棋和全国象棋最高等级的比赛例如象甲，个人赛等顶级对局，而且开局库还会每隔一段时间根据最新变例情况进行更新，并提供免费下载。
棋迷朋友学棋练棋的好帮手
南奥象棋的棋力可以调节，另外软件特有的分析模式可以任意切换到想要的局面进行思考，1.2版增加查看软件最新思考变化功能，方便人机时选择各种变化。
棋谱中可方便添加评注
南奥象棋重新定义了中国象棋棋谱格式，使用XML这一使用最广泛最方便的文件格式保存棋谱，同时在软件界面中增加了一键添加评注功能，广大棋迷朋友打谱时在每一棋步处添加和修改评注变得非常简单和人性化。
软件操作方便，可随意更换主题和棋盘，棋子图片
南奥象棋软件对界面进行了精心设计，并内置了多种界面主题，使第一次接触的用户，不需要阅读帮助文件，立即就会使用。
1.2版增加了多套棋子和背景图片，自定义背景支持bmp, jpg和png文件，更换界面随心所欲；
电话：(因国际漫游，只收短信)
EMail: admin{at}naxq.net问题已关闭
问题已失效或过期
围棋没有深入了解过，真的有那么难以及那么多变化么，以及量子计算机出现后极大的数据处理量能否解决。
收到三份邀请，还是回答一下吧。我是Facebook的智能围棋darkforest的负责人和第一作者。现在我们最新的darkfmcts3 在KGS上有5d，和目前最好的软件相当，赢了一局Zen，输了一局给DolBaram，被让四子与一位韩国的职业六段一胜一负。收到的评论都是说“下得非常像人”，大局观强，屡见好手，当然偶尔也犯低级错误。相关文章见，目前投稿于ICLR 2016。如知友所说，我们用了DCNN（深度卷积神经网络）进行模式匹配再加MCTS（蒙特卡罗树）搜索的办法。DCNN其实要比简单的开局库或者搜索引擎要厉害得多，在看过十几万局棋之后，它会有比较强的泛化能力，或者通俗地说是举一反三的能力。围棋虽说是“千古无同局”，但在局部及开局还是有很多相似或者相同的模式会反复出现，DCNN能够抓住这些模式并且在实战中灵活运用。完全不用搜索的DCNN挂在KGS上就有3d的水平，这是非常让人吃惊的，甚至比我们通过搜索能达到5d更让人吃惊，我们只在这个项目上花了五个月的时间，若是用传统方法来做这个模式识别，估计耗时几年1k都不一定上得了（要是这样我也不会开这个项目了）。单单拿游戏的状态个数去比较它们的难度，是不准确的。有很多状态空间广阔但是易解的例子。比如状态空间的估值函数很平滑，用一个简单的函数就容易拟合，在这种情况下即使状态数目是无穷大（比如说连续相空间），问题也不难。让计算机投篮，出手的方向，速度，篮球的旋转，每个变量都是连续因而有无限可能，但是计算机试几次之后很快就能找到最优解。又比如状态空间存在可以用数学表达的全局结构，这样用贪心法或者动态规划也可以很快地解决，其难度和状态个数就无关。比如说棋盘上放些黑子作障碍物，要求白子从左上角走到右下角，那哪怕是千路万路棋盘，尽管可能的路径有指数条，一个最短路径搜索也就可以搞定了。围棋难的地方在于它的估值函数非常不平滑，差一个子盘面就可能天翻地覆，同时状态空间大，也没有全局的结构。这两点加起来，迫使目前计算机只能用穷举法并且因此进展缓慢。但人能下得好，能在几百个选择中知道哪几个位置值得考虑，说明它的估值函数是有规律的。这些规律远远不是几条简单公式所能概括，但所需的信息量还是要比状态空间本身的数目要少得多（得多）。现在的深度学习能在大量对局中找到这样的一些规律，但仍然没有人脑厉害。这一方面说明我们现在算法的局限性，另一方面它还有巨大的发展空间。一句话，穷举状态并不是最终目标，就算以后超超级计算机能做到这一点，也不能说解决了人工智能。只有找到能学出规律的学习算法，才是解决问题的根本手段。像NP-hard的问题也是如此，不太可能会在多项式时间内被一个简单算法解决，也不太可能需要超级计算机穷举解决，而是会被过去的大量经验加上适当搜索解决。这个方向最近开始有一些文章了（比如说用深度学习解决旅行商问题），我觉得这是个有趣的方向。 另外，创造力并不是什么特别神秘的东西，除开少数天才之外，大部分的创造工作其实是对于事物高层抽象的理解，联系和搬运。大家都知道创造是需要素材的，艺术家只有体会大自然才有作品，小说家要去体验现实才有灵感，工程师要看过大量前人的轮子才能造出更好的轮子。从机器学习的角度来说，素材就是给自己大脑的训练样本，在从这些样本中抽取别人不曾抽取到的共同点，找到潜在的联系及局限性，创造力就会自然而然地产生。现在机器不如人的地方就是它抽取的效率太低，需要大量的样本，而人脑在过去经验加上更有效算法的基础上，（似乎）只要几个样本就可以做到。如何让计算机也做到这一点？我们还需要进一步的研究。最近去开NIPS和D-Wave的几个人聊过，大概知道量子计算现在的水平。量子计算现在主要有两个问题，其一是条件太苛刻，其二是只能解决特定问题。要让这个量子计算机工作，需要放在比绝对零度高零点零几度的超低温下，并且工作时间不能太长，不然一旦量子态退相干就没有用了。我觉得人脑应该不具备这个条件。然后D-Wave的系统只能解决特定优化问题（马尔可夫随机场，MRF）。谷歌前一阵子宣称，他们的量子计算机比现有的计算机快一亿倍，就是在D-Wave原型上开发的，也同样是解这个特定问题。如果细看他们发表的文章就会发现，他们比较的对象是最简单性能最差的模拟退火经典算法，这个算法用过的人都知道，经常等到猴年马月都没有动静的。如果他们和量子蒙特卡罗方法（注意这是个模拟多体薛定谔方程的经典算法，可以在现有计算机上跑，名字比较误导人 ）比较，其实没差多少，没看出有什么特别大的进展，要真正能证明比传统的计算机好，需要制备更多的量子态，然而如何让它们不会退相干，又是个令人头疼的问题。而多用途的量子计算机，即用量子门搭出来的计算机，现在还处于比较早期的阶段。当然我对这个领域不太熟悉，所以也无法对此作非常细致的评判，但还是那句话，穷举并不是人脑采取的手段，也不应该是人工智能采取的手段，以后即便用量子计算机做人工智能，还是要以从数据中学出规律为目标的。
我这个围棋的门外汉来回答一个轻松的答案。&br&&br&遥想第一次和电脑下棋是在小时候的电视游戏机上，当时下中国象棋被计算机虐成马。记得后来经常叫上爷爷，他说怎么走，然后我就照着下，偶尔可以赢电脑（中国象棋）。&br&&br&第一次正儿八经地接触AI围棋是在同济大学一次微软的宣讲会上。当时李开复老师（他还是微软的副总裁）带着許峰雄博士来到同济的大礼堂宣讲。会上，许博士详细回忆了自己在卡耐基梅隆大学读博时研究机器学习的历程，以及在IBM时期制造国际象棋电脑“深蓝”和如何训练“深蓝”的过程（感觉就是启发式搜索和优化减枝的过程）；徐博士还回答了一些有趣的问题，比如：“能否两台机器之间互相对弈然后提高”。最后有一个关于围棋（Go）的问题，徐博士回答了得非常详细：他先介绍了围棋电脑程序的现状，说当时最厉害的围棋程序，普通人只要稍微训练下围棋大概3个月就能战胜它。他还给出解释说，国际象棋（他是台湾人，说的是西洋棋）的状态复杂度是 2^64 次方，而围棋则达到 2^128 次方，所以在这样大的状态空间下，当时的计算机程序没发很好地在短时间内找到最优解。那时是 2004 年。&br&&br&现在一晃眼12年过去了，我也幸运地进入CMU读书，成为许博士的校友，也实地去到CMU的人工智能和机器学习实验室，看下当今最热的这个研究领域都是些什么牛人在做。而后在Facebook，也因为我们收购了&a href=&///?target=http%3A//& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&和后续挖来了deep learning的开拓者导致我们Facebook AI lab在业界名声大噪。也是因为Facebook这个平台，我结识了算是同事或者CMU学长的 &a data-hash=&be0d3bb133ad0151eefd188& href=&///people/be0d3bb133ad0151eefd188& class=&member_mention& data-editable=&true& data-title=&@田渊栋& data-tip=&p$b$be0d3bb133ad0151eefd188&&@田渊栋&/a& 大牛。看过他的很多回答和专栏文章，都很喜欢，而且文字非常inspiring。&br&&br&直到前两天在 Zuck 的 news feed 上看到下面的一段话，着实对他佩服：&br&&img src=&/5cefeb9cbceb_b.png& data-rawwidth=&504& data-rawheight=&672& class=&origin_image zh-lightbox-thumb& width=&504& data-original=&/5cefeb9cbceb_r.png&&Zuck先是简单说了下 Go（围棋）的AI现状和Facebook AI lab的工作，然后说Facebook AI lab可以在0.1秒内做出和之前系统一样好的判断。而后点名表扬了田渊栋的成绩（对了，他的工位就在Zuck旁边20英尺处）。Zuck的原话：&br&&blockquote&The researcher who works on this, Yuandong Tian, sits about 20 feet from my desk. I love having our AI team right near me so I can learn from what they're working on.&/blockquote&&br&附上田哥论文的链接：&br&&a href=&///?target=http%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&0&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&以及 Zuck feed 中视频链接：&a class=& wrap external& href=&///?target=http%3A///v_show/id_XMTQ1ODc2OTQwMA%3D%3D.html%3Ffrom%3Dy1.7-1.2& target=&_blank& rel=&nofollow noreferrer&&AI go 围棋人工智能—在线播放—优酷网，视频高清在线观看&i class=&icon-external&&&/i&&/a&&br&当然，Zuck的帖子下面的评论也是各国群众秀智商下限：&br&&img src=&/e657b3e30d7b9c_b.png& data-rawwidth=&513& data-rawheight=&606& class=&origin_image zh-lightbox-thumb& width=&513& data-original=&/e657b3e30d7b9c_r.png&&有人问，以后是不是都是AI选手在下棋了？还要人干嘛？ 有人鼓励说“田哥威武！加油”。有人问：“如果AI和人一样聪明了，对于人类是不是巨大的威胁？” 还有人问：“你娶你老婆 Priscilla Chan 是不是为了让Facebook进中国？”（我看得醉了。。。）&br&&br&当然，今天最火的莫过于几个小时前Nature的发文：&a href=&///?target=http%3A///news/google-ai-algorithm-masters-ancient-game-of-go-1.19234& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Google AI algorithm masters ancient game of Go : Nature News & Comment&i class=&icon-external&&&/i&&/a& ： Google DeepMind实验室的 AlphaGo 程序把欧洲围棋冠军 Fan Hui 干翻了，5：0直接碾压。同时 AlphaGo 99.8%的胜率可以干掉其他的围棋程序。另外，AlphaGo 已经和韩国职业
Lee Sedol（公认现在围棋的世界第一选手）预约好了三月份的一场比赛。让我们所有人拭目以待吧！&br&&br&最后推荐一篇
&a data-hash=&be0d3bb133ad0151eefd188& href=&///people/be0d3bb133ad0151eefd188& class=&member_mention& data-editable=&true& data-title=&@田渊栋& data-tip=&p$b$be0d3bb133ad0151eefd188&&@田渊栋&/a& 的专栏文章：&a href=&/yuandong/& class=&internal&&&span class=&invisible&&http://&/span&&span class=&visible&&/yuan&/span&&span class=&invisible&&dong/&/span&&span class=&ellipsis&&&/span&&/a& 里面有着他这一年来的心路历程。之前在张溪梦先生聊天的时候，说到在湾区的老美公司打拼，一个中国人要付出三倍左右的努力，才能达到一个白人获得的同样的成就。所以田哥这一路来着实不容易；我能体会他的文章里所提到的艰辛。希望Facebook提供的平台能让他觉得从Google跳槽Facebook是一个无比正确的决定。&br&&br&借用他的文字结尾：&br&&blockquote&&p&我有时候会问自己：“我是不是背弃了梦想？”我想除了我自己，任何人都不会给我答案，任何评论也不具效力。我记得有人问过，如果梦想从践行的一开始，就在不自觉地向现实妥协，那样的梦想还是最初的梦想么？其实，这样的问题没什么可纠结的，因为世界从来就不是二元的，梦想和现实，如同高悬的日月，日月之间，有一条灰色的路，在自己脚下蜿蜒曲折，绕过各种险阻，一直向前。&/p&&br&&p&而我能做的，只是要在奔跑时，不停提醒自己，还记得“梦想”这个词的含义。&/p&&/blockquote&&br&对了，突然想到忘记说了：我大二的时候非常喜欢看棋魂，一周内把所有棋魂集数都看完了 --- 真是非常经典的动画片。来，让我们重温一集：&a class=&video-box& href=&///?target=http%3A///v_show/id_XMjk4MjE4NTY4.html%3Ffrom%3Dy1.2-2.4.55& target=&_blank&&
&img class=&thumbnail& src=&/C8BF6A0A4B63AE57198F&&&span class=&content&&
&span class=&title&&棋魂&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&/v_show/id_XMjk4MjE4NTY4.html?from=y1.2-2.4.55&/span&
&/a&&br&&br&--- 在希望的田野上
我这个围棋的门外汉来回答一个轻松的答案。遥想第一次和电脑下棋是在小时候的电视游戏机上，当时下中国象棋被计算机虐成马。记得后来经常叫上爷爷，他说怎么走，然后我就照着下，偶尔可以赢电脑（中国象棋）。第一次正儿八经地接触AI围棋是在同济大学一次微…
AlphaGo 5:0 分先击败欧洲冠军职业二段樊麾，计划三月挑战李世石。谷歌威武!
AlphaGo 5:0 分先击败欧洲冠军职业二段樊麾，计划三月挑战李世石。谷歌威武!
已有帐号？
无法登录？
社交帐号登录
卡耐基梅隆大学机器人系博士，Facebook人工智能组研究员 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
基于扩展Alpha-Beta算法的中国象棋软件实现的研究
下载积分：880
内容提示：基于扩展Alpha-Beta算法的中国象棋软件实现的研究
文档格式：PDF|
浏览次数：36|
上传日期： 10:34:59|
文档星级：
该用户还上传了这些文档
基于扩展Alpha-Beta算法的中国象棋软件实现的研究
官方公共微信