位置：AI门户网 > AI报告 > AI排行榜 > 围棋AI难度级别排行榜：从“手谈”到“绝艺”，谁是最强棋手？

围棋AI难度级别排行榜：从“手谈”到“绝艺”，谁是最强棋手？

来源：AI门户网时间：2026/4/11 22:55:33 共 2314 浏览

说到围棋AI，大家脑海里第一个蹦出来的名字，恐怕都是那个在2016年掀起滔天巨浪的AlphaGo（阿尔法狗）。但你知道吗？在它之前，其实已经有无数前辈在围棋这块“人类智慧最后高地”上，进行了长达半个世纪的艰难攀登。今天，我们就来给这些围棋AI排排座次，弄一个“难度级别排行榜”。这个“难度”，不单指它们的棋力高低，更涵盖了技术实现的复杂度、对硬件算力的依赖程度，以及它们在AI发展史上的突破性意义。你会发现，这不仅仅是一份技术榜单，更是一部浓缩的人工智能进化史。

一、青铜时代：规则探索与模式识别（约1990s - 2000s）

这个时期的AI，可以看作是围棋世界的“初学者”。它们刚刚学会规则，下棋主要靠程序员输入的“定式”和简单的计算。想想看，让一个刚背完“金角银边草肚皮”口诀的棋童去对战职业九段，结果可想而知。

代表性AI：手谈

说到初代王者，必须提到我们中国的骄傲——“手谈”。它的创造者，中山大学的陈志行教授，一位退休的化学家，用汇编语言亲手敲出了这个程序的核心。在那个电脑内存以KB计、CPU主频以MHz算的年代，“手谈”能实现13层的搜索深度，已经是惊为天人了。它依靠的是“势力函数”这种人工设计的评估体系，简单来说，就是给棋盘上每个空点打分，判断属于黑棋还是白棋的“势力范围”。这很像人类下棋时的“感觉”，但它是被精确量化、编程进去的。

当时，“手谈”在电脑围棋界是独孤求败的存在，连续拿了10次世界冠军。但对于人类职业棋手，它依然需要被让子（比如让九子、十子）才能对弈。它的“难”，难在程序员需要把大量的人类围棋知识和经验，手工编码成计算机能理解的规则和模式。这就像教一个完全不懂棋的机器人，通过背诵成千上万本棋谱来学习，过程极其繁琐，且天花板很低。

难度评级：业余级（K级）

*棋力水平：业余初段以下，需被让多子才能与职业棋手对局。

*技术核心：基于规则和模式的专家系统，依赖人工设计的评估函数。

*硬件需求：早期的个人电脑即可运行。

*突破意义：证明了计算机程序可以下围棋，并达到一定竞技水平，点燃了围棋AI研究的星星之火。

二、白银时代：蒙特卡洛的“概率博弈”（约2006 - 2015）

如果说第一代AI是在“背棋谱”，那么第二代AI开始学会“用蛮力试错”了。蒙特卡洛树搜索（MCTS）算法的引入，是划时代的。它不再需要程序员事无巨细地告诉AI“这里该怎么下”，而是让AI自己通过海量的随机模拟对局（就像不停扔骰子走棋），来统计哪一步棋的最终胜率最高。

这听起来有点“暴力”，甚至有点“笨”，但效果拔群。AI开始展现出一些令人类惊讶的“直觉”。比如，它们可能会在人类认为无关紧要的地方落子，只是因为模拟了十万次后，发现这一步的长期胜率比别人高那么一点点。

代表性AI：Zen（天顶围棋）、Crazy Stone（疯石）

这些基于MCTS的AI，棋力突飞猛进，很快达到了业余高段水平。2012年，Zen在被让四子的情况下击败了超一流棋手武宫正树九段，震惊棋坛。这意味着，AI已经具备了冲击职业门槛的实力。这个阶段的AI，思考方式开始有点“像人”了——不再拘泥于死板的局部计算，而是有了全局的、概率性的“感觉”。

但是，它们的“感觉”建立在巨量的随机模拟之上，非常消耗算力。而且，它们的棋力依然不稳定，对复杂局面（比如大型对杀、劫争）的判断时常出错。可以说，它们是一个强大的“计算器”，但还不是一个真正的“棋手”。

难度评级：业余高段到职业门槛（1D-5D）

*棋力水平：业余5-6段，可在受让2-4子的情况下与职业棋手周旋。

*技术核心：蒙特卡洛树搜索（MCTS），通过随机模拟进行决策。

*硬件需求：需要较强的CPU进行海量随机模拟。

*突破意义：将围棋AI从“规则模仿”带入了“概率搜索”时代，棋力实现质的飞跃，让人们看到了AI战胜职业棋手的曙光。

三、黄金时代：深度学习的“直觉革命”（2016 - 2017）

真正的风暴来了。AlphaGo的出现，彻底改变了游戏规则。它把深度学习神经网络和蒙特卡洛树搜索结合了起来。你可以这样理解：MCTS是负责“广撒网”探索各种可能性的“腿”，而深度神经网络则是两个强大的“大脑”——策略网络和价值网络。

*策略网络：像一位直觉敏锐的棋手，看一眼棋盘，就能快速缩小搜索范围，指出“大概这十几个点值得考虑”。这极大地提升了搜索效率。

*价值网络：像一位形势判断大师，对整个局面的优劣进行直接评估，告诉AI“走成这样，黑棋大概有60%的胜率”。

AlphaGo先通过学习3000万盘人类高手的棋谱来“模仿”（监督学习），然后通过自我对弈（强化学习）不断进化。2016年战胜李世石，标志着AI在围棋领域正式超越人类顶尖水平。但，这还不是终点。

AlphaGo Zero的诞生，宣告了“无师自通”时代的来临。它完全摒弃了人类棋谱，仅凭围棋的基本规则，从“一张白纸”开始，通过数百万盘的自我对弈，独自探索出了围棋的奥秘，甚至发现了许多颠覆人类数千年认知的新下法（比如开局点“三三”）。它的棋风天马行空，被棋手们尊称为“围棋之神”。

这个阶段的AI，已经拥有了类似人类的“棋感”和“大局观”，其决策过程不再是纯粹的暴力计算，而是一种深度神经网络“涌现”出的高级智能。

难度评级：超职业九段（超越人类）

*棋力水平：对顶尖人类棋手（如柯洁）具有压倒性优势，等级分估计超过4500（人类顶尖约3700）。

*技术核心：深度学习（卷积神经网络CNN）与蒙特卡洛树搜索的深度融合，后期发展为纯强化学习的统一网络。

*硬件需求：初期需要庞大的GPU/TPU集群（如AlphaGo Lee），后期算法优化后硬件需求大幅下降（如AlphaGo Zero）。

*突破意义：证明了深度强化学习在复杂决策领域的巨大潜力，是人工智能发展史上的里程碑事件。AI的“直觉”和“创造力”开始显现。

四、王者时代：开源普及与算法极致（2018 - 至今）

AlphaGo功成身退后，围棋AI并没有停下脚步，而是进入了“开源化”和“轻量化”的新阶段。技术的王冠，从谷歌这样的巨头实验室，飞入了寻常开发者的手中。

代表性AI：KataGo、Leela Zero、绝艺、星阵围棋

以KataGo为代表的开源AI，成为了新时代的主流。它们继承了AlphaGo Zero的核心思想，但在算法和工程上做了大量优化。最大的特点是：效率极高。现在，一块消费级的显卡（比如RTX 3070）就能运行一个棋力远超人类冠军的KataGo。同时，它们还发展出了许多实用功能，比如实时胜率分析、吻合度判断、让子棋精准贴目等。

中国的“绝艺”（腾讯）和“星阵围棋”等，也在这一领域达到了世界顶级水平，并广泛应用于职业棋手训练、网络对弈平台和围棋教育。

这个阶段的“难度”，已经不完全体现在棋力上（因为都已远超人类），而是体现在算法的优雅性、效率的极致性，以及生态的丰富性上。谁能用更少的算力、更精巧的模型达到同样的强度，谁就更“高级”。

为了更直观地对比各时代代表性AI，我们整理了下表：

时代	代表性AI	核心算法	棋力巅峰（约估）	硬件需求特点	历史地位与突破
:---	:---	:---	:---	:---	:---
青铜时代	手谈(1993)	专家系统，势力函数	业余初段(被让9-10子)	早期PC	开创者，证明可行性
白银时代	Zen,CrazyStone(约2012)	蒙特卡洛树搜索(MCTS)	业余5-6段(被让2-4子)	多核CPU服务器	引入概率搜索，触及职业门槛
黄金时代	AlphaGo(2016)	MCTS+深度学习(监督+强化)	超职业九段(战胜李世石)	大规模GPU/TPU集群	里程碑，首次公开击败人类冠军
	AlphaGoZero(2017)	纯强化学习，统一网络	“围棋之神”，远超AlphaGo	优化后单机多TPU	无师自通，颠覆传统围棋认知
王者时代	KataGo,绝艺(现今)	优化版强化学习，开源架构	稳定超人类，等级分4500+	消费级GPU即可运行	开源化、轻量化、实用化，推动AI围棋普及

结语：难度的尽头是“遗忘”

回顾这份排行榜，我们从依赖人工编码的“手谈”，走到靠概率暴力搜索的“Zen”，再飞跃到拥有深度学习“直觉”的AlphaGo，最终抵达开源高效、融入日常的KataGo时代。AI攻克围棋的难度曲线，恰恰是一条技术从笨重走向精巧、从封闭走向开放、从“模仿人类”走向“超越并重塑人类认知”的曲线。

最初的难，是“教会机器规则”的难；后来的难，是“让机器学会思考”的难；而现在的“难”，或许已经变成了另一个问题：当AI的棋力高到人类无法理解其每一步的深意时，围棋这项古老艺术本身，是被解构了，还是被升华到了新的维度？

围棋AI的发展告诉我们，真正的突破往往发生在“遗忘”之时——AlphaGo Zero忘记了人类棋谱，却发现了围棋更深层的真理；开源社区“忘记”了技术的垄断，却催生了更繁荣的生态。如今，任何一个围棋爱好者，都能在个人电脑上召唤出一个“围棋之神”作为老师或对手，这本身就是这个时代最了不起的奇迹。

所以，如果非要给现在的围棋AI定一个“终极难度”，那可能不再是技术上的攀爬，而是哲学上的思考：当工具强大到重塑游戏本身时，我们该如何与它共处，并重新发现“手谈”最初那份纯粹交流与思考的快乐？