从围棋人机大战看人工智能对现代竞技体育影响研究

摘要：人工智能技术（AI）作为一项现代信息技术，在各行各业中的应用日益广泛。在体育领域，人工智能技术在群众体育参与、运动队训练和竞技体育对抗等方面渗透日益深入，人工智能驱动体育已成为现代体育发展的一项全新课题。2017年，伴随着AlphaGo战胜韩国著名棋手李世石在世界范围内引发轰动，人工智能对现代围棋运动的影响进入到一个新的阶段。围棋作为一项复杂的智力运动，AlphaGo借助人工智能技术对职业棋手和业余高段棋手的棋谱进行学习，并通过直觉获取、搜索验证和优化选择战胜世界顶尖棋手，展示出人工智能技术强大的学习能力和计算能力。本研究运用案例研究法、文献法等研究方法，基于人工智能技术，以促进现代围棋运动发展为目标，通过对AlphaGo核心方法及对弈策略进行分析，探讨人工智能技术在现代围棋运动教学与训练实践中的运用。研究结果表明：人工智能技术在现代竞技体育数据分析和比赛预测、视频分析和辅助裁判、运动员运动表现分析和改善、竞技体育训练和运动康复、比赛直播和娱乐体验等方面均具有涉猎，AlphaGo基于人工智能“深度学习”原理，运用深度神经网络的棋感直觉训练和蒙特卡洛树搜索的搜索验证计算方法对棋局的预判已远超职业围棋选手的思考深度，在人机对弈中具有极大的优势。

关键词：围棋 "人机大战 "人工智能 "竞技体育

中图分类号：G80 文献标识码：A 文章编号：1006-8902-（2024）-07-184-3-ZL

1、人工智能技术概述

人工智能技术（AI），又称为机器智能，它的目标是使计算机能够执行类似于人类的智能任务，是现代信息技术与经济社会各领域深度融合的产物。人工智能技术通过模拟人类智能行为和思维过程的计算机系统和算法，通过训练模型使用大量数据来让计算机自动学习和改进性能。现代信息技术的发展，极大地促进了人工智能技术与经济社会发展的融合，并为海量数据处理、复杂决策制定提供了可行性方案，并在社会经济各个领域得以广泛应用，极大地促进了现代社会的发展和生产生活效率的提升。人工智能技术作为现代信息技术的产物，其与体育领域结合日益紧密，在运动训练、竞技体育、休闲体育等方面不断拓展其功能与应用范围，在提高运动训练的科学性、竞技体育的对抗性和休闲体育的娱乐性等方面产生了巨大影响，对于促进现代体育运动发展，引领健康生活方式具有重要意义。

2、人工智能技术与现代竞技体育的耦合

2021年8月，国家委员会发布《全民健身计划（2021-2025）年》，指出“促进数据赋能智能体育等”，明确提出：“鼓励互联网、区块链、物联网、虚拟现实、人工智能等技术在体育运动方面的创新应用。”人工智能在体育中的研发应用已经上升为国家意志，对于我国体育强国目标的实现具有至关重要的战略意义。

体育作为人类文化的重要组成部分，自人类的产生便应运而生。体育作为一种人类有意识、有目的的文化活动，其产生具有深刻的文化基础和社会物质基础。原始社会人类最基本的走、跑、跳跃、投掷、攀登、爬越等行为便是现代体育运动的萌芽，而其作为原始人类一种最基本的生产劳动和日常生活的技能，也具有深刻的社会物质基础。由此可见，体育作为上层建筑的一种，其依赖于社会物质基础。现代信息技术的发展，在促进竞技社会飞速发展的同时，也对体育的发展具有深刻影响。2014年，美国谷歌公司首先将现代计算机技术与体育相结合，开发AlphaGo计算机程序，旨在将人工智能技术运用于围棋运动。由此开始，人工智能技术开始与体育深度结合，并向诸多领域渗透，“人工智能+体育”便应运而生。竞技体育作为现代体育运动的排头兵，人工智能技术在竞技体育方面的应用主要包括运动员训练辅助、训练及比赛数据采集、人工智能辅助裁判等方面，主要运用方向如下：

2.1、数据分析和比赛预测

因数据挖掘的广度性和深度性，人工智能已被广泛运用于现代竞技比赛数据搜集、分析与预测等方面。通过对大量的比赛数据进行深度挖掘与分析，提取关键信息，可帮助教练和运动员制定训练计划和比赛战术。此外，通过机器学习算法，人工智能还可以预测比赛结果和个人表现。

2.2、视频分析和辅助裁判

人工智能技术具有强大的视频采集和视频传输功能，可通过慢镜头回放和多角度摄像头对比赛进行实时监控，帮助裁判做出正确判罚。同时，人工智能可以通过对比赛视频进行分析，识别和追踪运动员的动作和位置，帮助裁判员判断争议性决定，例如判定足球比赛中的越位和进球是否有效。

2.3、运动员运动表现分析和改善

借助人工智能的数据挖掘功能，可为运动员运动表现提供更精确和全面的分析结果。现阶段，人工智能技术已广泛运用于运动员运动技术分析和运动比赛模拟等方面，通过运动员在训练及比赛中的生物力学数据进行系统监测和分析，如运动姿势、步态和肌肉活动，可帮助运动员提高运动技术和优化运动表现。

2.4、竞技体育训练和运动康复

运用人工智能技术对运动员生理数据和训练负荷进行监控和分析，为运动员提供实时的训练负荷评估，避免过度训练和受伤风险。同时，通过分析运动员的训练历史和生理数据，人工智能可为运动员推荐适当的训练强度和休息周期，设计个性化的训练计划和康复方案。

2.5、比赛直播和娱乐体验

在现代竞技体育比赛中，将人工智能技术运用到竞技体育转播中，可实时提供比赛数据和技术分析，帮助观众更好地理解比赛进程和结果。此外，人工智能还可以根据观众体育兴趣和收视偏好，个性化推荐体育比赛视频和相关定制内容，为观众提供个性化体育赛事服务和丰富体育娱乐体验。

由以上可知，伴随着现代计算机技术的发展，科技与体育结合越来越紧密，人工智能技术已经渗透到运动员选材、训练、比赛等竞技体育这一纵向序列每个环节。人工智能技术依托于现代计算机技术，通过对运动员的能量消耗、速度、跳跃高度等各项数据的抓取、存储、处理、应用，得出运动员/球队技战术选择、战略战术制定等相关信息，并指导教练员有针对性地调整训练策略，改变战略战术，避免教练员或运动员由于主观经验所带来的盲目性；通过计算机的智能算法对运动员的动作进行关键点识别和分析，分析运动员人体运动力学数据和动作优缺点，对运动员技术动作进行评估和改进；通过对运动员能量消耗、速度和心率等数据进行评估和预测，并根据实际情况对模型进行修正，深入挖掘数据背后的规律，用于辅助运动员训练和竞赛，提高运动员/运动队训练质量和训练效果，提高教练员和运动员的决策水平。

3、AlphaGo的产生背景及工作原理

阿尔法围棋（AlphaGo）是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人，由Alphabet Inc.（谷歌的母公司）的子公司DeepMind Technologies开发的计算机程序，旨在将人工智能技术运用于现代围棋竞赛。AlphaGo其主要工作原理是“深度学习”，具体计算方法包括基于深度神经网络的棋感直觉训练和基于蒙特卡洛树搜索的搜索验证。

2016年，AlphaGo与围棋世界冠军李世石进行了5局比赛，并在5局中赢了4局，展现出人工智能技术对于人类智能的挑战，在世界范围内造成轰动。围棋作为一项具有高度状态复杂度与博弈复杂度的智力游戏，其计算方法复杂、棋形变化多样，具有超过10170种状态复杂空间，并涉及逻辑推理、形象思维、优化选择等多种人类智能思维，AlphaGo的此次胜利促使人类对人工智能的作用进行重新审视。

对AlphaGo计算与学习方法进行分析可知，AlphaGo使用先进的机器学习技术，通过对人类数千年围棋棋谱进行分析，以及与自己对弈以进一步提高其技能。并运用包括深度神经网络和蒙特卡洛树搜索，用于评估和制定对弈的战略行动。通过对AlphaGo棋形进行分析可知，AlphaGo展现了独特的围棋风格，并具有优秀的大局观和强大的总体把握能力，其简明直接的局部定型，在最大限度地降低棋形复杂性的同时，也将计算机强大的计算能力得到最大化。

AlphaGo的成功对人工智能和机器学习领域产生了重大影响。它展示出深度学习技术在解决复杂问题方面的巨大潜力，并为人工智能系统在竞技体育等多个领域超越人类开辟了新的可能性。

4、AlphaGo计算方法分析

4.1、基于深度神经网络的棋感直觉训练

棋感直觉，是高水平围棋棋手对弈的首要要素，其反映出职业棋手长期学习、训练、对弈的经验积累。通过对围棋对弈软件进行分析可知，虽然目前软件市场围棋对弈软件众多，但是否具有棋感直觉是区分围棋软件棋力是否具有竞争力的核心所在。部分围棋软件通过计算机算法将每一步走法通过适配围棋规则进行模式化设置，导致围棋棋形模式化严重，竞争力较低，不具备围棋的棋感直觉。AlphaGo通过深度神经网络机器学习，获得围棋棋感直觉，并且通过高强度训练以获得远超专业棋手的个人能力。

（1）策略网络：落子棋感。

策略网络是一种基于神经网络的人工智能模型，通过学习历史数据和棋局特征，能够预测并选择最佳的落子位置。AlphaGo借助深度神经网络的监督学习功能，在数据采集阶段获取大量的棋局数据，通过学习职业棋手和业余高段棋手的棋谱的数十万份棋谱和上亿数量级的落子方式，通过大规模数据的迭代训练，不断优化使策略网络。通过策略网络的训练，可使模型对不同棋局的落子情况进行准确预测，并根据当前的棋局状态和历史数据，通过模型的并行计算，评估每个落子位置的胜率和潜在价值，为棋手提供最优的决策建议，快速地进行棋盘评估并使棋手能够即刻做出决策。这种训练方式类似于专业棋手在日常围棋训练中的打谱和复盘练习，通过高强度和高重复性的打谱与棋形练习，获得在围棋棋盘上落子的棋感。

（2）价值网络：胜负棋感。

胜负棋感是指在棋类对弈中，玩家通过推演、策略和决策，获得胜利或者遭受失败时所产生的一种独特感受。胜负感作为运动员对于参与竞技体育运动所产生的的一种获得成功与失败主观体验，对于运动员激发自我潜能，修正比赛策略，积累比赛信心具有重要作用。AlphaGo通过价值网络模拟人类决策过程，实现在棋类对弈中达到对人工智能胜负棋感培养的目标，其作为一种深度神经网络的增强型学习工具，是人工智能领域的重要研究方向。基于胜负棋感的价值网络运行逻辑是通过计算机的自我博弈，对计算机的每一次落子在不同盘面下的胜负情况进行估算，并通过计算机深度学习的方法对胜负棋感模拟，从而获取在围棋盘面的胜负棋感，并通过对每一次落子的胜负棋感进行积累，使计算机在每一次落子时都可模拟人类决策过程，对每一次落子的胜负棋感进行评估，从而形成类似于人类的胜负棋感，使计算机具有人类的思维感知和对于棋局的判断能力，从而提高计算机的决策质量和效率。

4.2、基于蒙特卡洛树搜索的搜索验证

在围棋对弈中，没有棋感直觉不行，完全依赖棋感直觉也不行。而棋感直觉的形成需要通过严格的数学模型和计算方法，对棋感直觉进行验证。随着互联网的快速发展，采用蒙特卡洛树搜索对落子棋感和胜负感进行计算验证，在搜索验证中展现出巨大潜力和优势。蒙特卡洛树搜索作为一种用于找到最优解的算法，它在许多棋类游戏中表现出色，包括围棋、五子棋等。它基于模拟游戏的方式来评估每个落子位置的价值，并通过多次模拟游戏来确定最佳的落子策略。在使用蒙特卡洛树搜索进行计算验证时，通常采用以下步骤：

（1）构建游戏树。

根据当前的棋局状态，构建一个游戏树。游戏树的根节点代表当前的棋局状态，每个节点表示一个可能的落子位置，通过节点模拟棋手落子的位置，构建游戏树。

（2）模拟游戏。

从根节点开始，使用随机策略进行多次模拟游戏。在每次模拟中，通过选择一个未被访问过的节点，然后随机选择一个合法的落子位置进行扩展，直到模拟游戏结束，得到最终的胜负结果。

（3）更新节点价值。

根据模拟游戏的结果，对游戏树每个节点的价值进行评估。例如，将胜利的模拟游戏分数加“1”，将失败的模拟游戏分数减“1”，将平局的模拟游戏分数置为“0”。

（4）选择最佳落子位置。

在对节点价值进行评估的基础上，模拟棋局对弈，根据节点的价值选择最佳的落子位置，选择在合法位置上价值最高的节点作为最佳落子位置，从而确定最佳落子点。

通过多次模拟游戏和对节点价值的验证，蒙特卡洛树搜索可以通过对棋局胜负进行数学验证和建立胜负评估模型，根据最佳落子位置的准确度、胜率等指标，逐渐找到最佳的落子策略。在实际运用中，相较于其他算法，蒙特卡洛树搜索能够运用平衡探索和信息利用在未知的状态中进行主动探索，又能够根据已知的信息进行利用与加工，可最大限度地平衡计算机在学习过程中探索与利用之间的矛盾，通过搜索最优的落子点，即搜索次数最多的、信心最大的、胜率最高的落子点，对落子棋感进行验证。在一般情况下，基于蒙特卡洛树搜索可对未来28步落子序列进行搜索，其对棋局的预判已远远超出围棋职业选手的搜索深度，在人机对弈中具有极大的优势。

5、围棋人机大战之后的人工智能展望

围棋人机大战的结果展示出人工智能在复杂智力运动中的巨大潜力，也引发人们对于人工智能在其他竞技体育领域的展望。围棋作为一种非常复杂的棋类游戏，要求玩家具备极高的智力和战略思维能力。AlphaGo作为一个基于深度学习的人工智能系统，AlphaGo在围棋人机大战中的胜利表明，人工智能具备超越人类的决策能力。这将促使人工智能在其他智力运动中的使用，如国际象棋、五子棋、围棋等，人工智能在体育领域的应用将进一步得到拓展。

虽然人工智能技术与体育联系越来越紧密，但人工智能技术与现代竞技体育的结合仍有待进一步提升。一方面，人工智能技术依赖于海量数据，但现代竞技体育对抗瞬息万变，难以对比赛对抗全部数据进行采集，且所采集数据的信度与效度仍有待进一步提升；另一方面，现代竞技体育比赛分工越来越细化，不同球员在场上的定位与职责不同，其球场表现难以以统一标准进行衡量。上述问题也对人工智能在现代竞技体育中的运用提出了更高的要求，迫切需要人工智能技术与现代竞技体育进行深度融合。

参考文献：

[1]谢标祎.客观功效·现实问题·国内对策：人工智能在足球运动领域应用的研究[D].江西师范大学，2022.

[2]吕兆峰，宋思萱.融合与创新：“人工智能+”体育产业的发展策略研究[J].体育科技，2020，41（02）.

[3]孙立.体育应用人工智能的价值、困境与对策研究——李世石完败于AlphaGo的启示[J].南京体育学院学报（社会科学版），2017，31（05）.

[4]苏宴锋，赵生辉，李文浩，等.人工智能提升运动表现的前沿进展、困境反思与优化策略[J].上海体育学院学报，2023，47（02）.

[5]李帅帅，杨尚剑.数字体育、智能体育与智慧体育的概念特征、关系厘正及应用探析[J].西安体育学院学报，2023，40（03）.

[6]刘正统，马进.基于人工智能的智慧体育训练辅助系统设计[J].文体用品与科技，2024（03）.