AI能否仅凭规则成为围棋大师?一个问题的提出是否可能创造一种特别聪明的AI,只需输入围棋规则,它就能成为围棋大师,而不需要学习人类棋谱,也不需要自我对弈?这个问题看似简单,实则触及了智能的本质:纯粹的聪明和逻辑推理,能否替代经验积累?已经实现的部分:抛开人类经验AlphaGo Zero 已经证明,不依赖人类棋谱是可行的。它只用围棋规则从零开始,通过自我对弈(self-play)从随机落子练到超越人类顶尖棋手,只用了大约40天。但这道题问的更进一步:连自我对弈也不需要,是否可行?复杂度的墙围棋的合法局面数约为10^170,比宇宙中原子的数量还多。它不像井字棋或某些残局那样可以被穷举求解。到目前为止,没有任何已知的数学方法能一步到位推导出围棋的最优策略,而不需要评估大量局面。也就是说,哪怕AI特别聪明,只要面对的是这种指数级复杂度的问题,它仍然需要通过某种方式去探索和评估可能的局面——无论这个过程被称为自我对弈“内部模拟还是搜索”,本质上都是同一件事:生成假设性的局面并评估好坏。反例:人类的直觉推理一个自然的反驳随之而来——人类得知围棋规则后,即使没有任何其他知识,也能想到一些基本策略,比如围角是高效的。这是否说明,足够聪明的AI也能仅凭规则领悟出精深的策略?这个反驳值得认真对待。仔细分析会发现,人类之所以能想到围角高效,其实是在调用其他领域已有的知识做迁移:几何直觉:边角处需要更少的子就能围住空间,这来自现实世界的空间经验,而非围棋本身教的资源效率的一般概念:用更少成本换取更大收益,这是人类在很多情境中习得的通用原则对称性、边界效应等抽象模式识别能力换句话说,人脑并非零知识状态,而是带着大量领域外的知识和推理能力去面对围棋规则的。这是一种迁移学习,而非真正意义上从零开始的纯逻辑推导。而且,光凭围角效率高这类直觉,也只能达到新手水平,远够不上大师。“厚薄如何评估”棋子如何联络这些更深层的判断,单靠几何直觉推不出来;这些直觉本身也需要在实践中被验证和精细化——比如围角是否总是最优,取决于对手怎么下,这个发现的过程本质上仍是一种试错评估。重新审视:领悟到底是什么如果把问题推向更普遍的主张——“聪明本身是否可能让AI从规则直接领悟出成为大师的策略——关键在于如何定义领悟”:如果领悟指纯粹的演绎推理,像证明数学定理那样从公理不断推导,不需要看看会发生什么,那么围棋目前不存在已知的这种捷径。围棋的博弈树没有被证明存在可以直接演绎出的封闭解。如果领悟允许AI在头脑中进行任意多次假设推演——“如果我这样下,对方那样应,结果会怎样”——这本质上就是探索-评估循环,只是发生得极快、完全内部化。再聪明的AI,只要面对指数级复杂的博弈树,理论上仍然绕不开这个环节,区别只在于效率和速度,而非是否需要它。一个更诚实的结论自我对弈和逻辑推理之间的界限,或许没有想象中那么泾渭分明。一个极端聪明的系统,如果具备强大的抽象推理能力——比如能提炼出控制角部用更少资源换更大控制权这类通用博弈论原理,再结合围棋具体规则做推导——或许确实可以不需要打成千上万盘棋,而是通过少量、高质量的内部推演就领悟出接近大师水平的策略框架。这跟AlphaZero自我对弈几十万盘不同,更像是人类高手的顿悟过程被极致压缩和加速。但即便如此,围棋最终的大师水平体现在极其具体的局部战斗计算和全局判断上——比如某个复杂的死活题、某种特定的定式变化。这些具体结论,目前没有证据表明存在逻辑推导捷径,几乎肯定需要具体验证,哪怕这种验证是AI在脑内极快完成的。结语聪明程度可以大幅减少所需的试错量,甚至让整个过程看起来像是纯粹的领悟。但完全消除某种形式的假设检验过程——无论我们称之为自我对弈、内部模拟还是别的什么——目前看不到实现路径。真正的边界不在于AI够不够聪明,而在于围棋本身的复杂度是否存在一条绕过探索的数学捷径。到目前为止,没有证据表明这条捷径存在。