上周我和朱岩去日本电气通信大学（University of Electro-Communications, UEC)参加了第9届UEC杯计算机围棋比赛，获得了第二名的成绩和与小林光一九段下让3子棋的资格，由我代替DarkForest摆子体会“肉臂”的感觉，开局稍缓，中盘战斗非常有力，但打劫还是有问题，最后在赢棋的情况下认输了，有点可惜。而Zen同样被让3子赢了五目左右。
这次收获还挺大的，主要是能和诸位做计算机围棋的前辈进行面对面的交流。Zen的作者加藤英树和CrazyStone的作者Remi Coulom给了我很多建议和意见。他们毕竟做了很多年的计算机围棋，经验是非常丰富的，而且非常愿意分享。
DarkForest目前为止的主要问题还在快速走子上，快速走子有误，则最后盘面和初始盘面会天差地别，对最后的胜者估计错误，统计上对胜率的估计也就不准。这样在选定下一招的时候就会有错。UEC的比赛分为两天，第一天我们输给了Zen和CrazyStone，全是快速走子的问题，对Zen的这盘将左边的死棋下成活棋，对CrazyStone的这盘则是在模拟时，未能在每次都让对手点上死活的关键点，导致对大龙的死活判断出了问题，一半模拟认为对手大优，另一半模拟认为己方大优，最后平均下来反而是己方略好，但事实上对手早就赢定了。晚上复盘发现了这个问题，终于在凌晨一点修好了一部分，不过说实在离完全修好，还有很长的路要走。所谓Devil is in the details，就是这个意思，虽然AlphaGo的大框架很简单，但要做到它这个水平，还是要花大量时间，两位一作在计算机围棋上多年的功力在此展现。
快速走子因为是需要快（速度达到微秒级别），神经网络目前还是使不上劲的。至少在Zen和CrazyStone看来，在通过模拟对盘面进行估计这一方面，围棋仍然需要大量的手工规则去解决各种特殊情况。作者们花了五至十年的时间一点一点地收集各种特殊情况，不停地积累和调试规则，并且感叹目前为止都没有好的系统性的解决方案。AlphaGo的文章说的是用大量局部模式加上多类Logistics回归，然而我这里实现出来并不是这样，一些死活和对杀的情况必须要百分之百做对，而Logistics回归输出的则是概率，所以经常有下错的时候。我猜测AlphaGo可能也会有类似的规则，但是文章中似乎并未提及。如果他们的估值网络非常厉害，那这些规则都可以去掉了。但是看他们最新在UCI的演讲，由快速走子和估值网络分别得到的两类胜率似乎都比较重要。
第一天台湾团队的CGI Intelligence在小组赛中七战全胜，最后一局还赢了Zen，但在第二天的淘汰赛中输给了我们。我猜测他们也是基于相似框架的算法，但是DCNN或者说大局观可能有所不及，在模拟盘面方面，则同样有一些特殊情况未能处理。所以导致一开始布局就落后，然后为了获胜而冒险侵入对方领地，却因为计算不够精确而失败。
===========================
棋谱：
电圣战网上还没有官方的，这个是DF输给小林的一局：http://yuandong-tian.com/densei4_1_en.sgf