18日的预选赛中，绝艺首先轻取了来自日本的两个围棋AI。其中第二场的对手naiver1的“填子大法”令观者大跌眼镜，完全像一个初学者进行对弈，被绝艺杀得全局没有一块活棋。有网友调侃道：这对局者的棋力差异，比我和李世石的差距还大。好戏从第三场开始，法国里尔第三大学（Université Lille 3）的计算机科学教授Rémi Coulom独自研制的疯石（第1、2、6、8届UEC杯冠军）给绝艺制造了一些麻烦，且体现出了布局上的巧思，但行至中盘，大公司和个人开发在计算力上的差距就显现了出来。疯石因为计算力薄弱，一杀就死，最终中盘认输。不过从及时认输这一点上，也能看出疯石相较于前面的对手更加智能。

　　在又连胜了三个日本AI棋手后，绝艺终于迎来了“宿命”中的对手——DeepZenGo。由日本东京大学研发、以超越AlphaGo为目标的DeepZenGo，在AlphaGo升级版——Master碾压世界顶级职业高手、豪取60连胜时，一直也在围棋网络平台上对战9D高手，不停训练，不停涨棋，9天时间对弈了300多盘，胜率达到90%。

　　得益于腾讯强大的计算资源，绝艺迅速崛起

　　DeepZenGo的作者之一尾岛阳儿曾经说过，Zen的蒙特卡洛树搜索(MCTS)以及一些其他的部分是优于AlphaGo的,因为AlphaGo两位主要的作者的程序Erica和RLGO在计算机围棋比赛上都比不过Zen(日本)和Crazystone(法国)。

　　但他也表示，因为用大量棋谱训练深度卷积神经网络(DCNN)需要异常强大的计算机硬件,而他们手上并没有这种条件。AlphaGo有1920个CPU、280个GPU，而DeepZenGo据说是44个CPU，4个GPU。在CPU上差了43倍，atv，在GPU上差了70倍。在计算力与搜索深度上完全是天壤之别。

　　在和绝艺的比赛过程中，DeepZenGo果然体现出硬件配置不足导致的计算能力薄弱的问题，在左下角首先出现误算，大块棋筋被执白的绝艺无条件杀掉，随后在右上角遭遇重创，最终中盘不敌绝艺。

　　纵观和绝艺比赛的各Al，普遍输于计算力薄弱，且大多都有填子、送吃的情况。而反观绝艺，它的背后是腾讯强大的资源和技术实力，从诞生之初就有“国产AlphaGo”的称号。有知乎网友曾评论：当前的绝艺应该相当于对战李世石的V18版，而其他公开见到的大多只有赢樊麾的V13的水平，DeepZenGo强一些，但从跟赵志勋的对战来看肯定不如V18。

　　同时，本届UEC杯对硬件配置也没有强制性要求，虽然要求参赛者必须报告机器功耗，但特别说明1000W以上的，可以通过特别许可。我们目前还不太清楚此次参赛的绝艺的硬件配置，但从之前野狐网一段时间内绝艺多个版本轮番测试的情况来看，腾讯在这方面无疑是花费了心思的。

　　DeepZenGo此前被认为相比于AlphaGo，最大的劣势之一是它是单机版的。本次比赛对参赛AI是单机作战还是联网没有限制。主办方提供服务器和以太网接口，参赛者将自己的机器接入选定接口进行对局，IP由DHCP自动分配。也就是说虽然不能远程接入服务器参赛，但只要机器到达现场，通过现场单机转接服务器是不禁止的。不知道这次DeepZenGo是否还是单机作战，但这对于绝艺来说无疑是利好消息。

　　AlphaGo转型，计算机下围棋意义何在？

　　棋类AI最早基本都是基于蒙特卡洛树搜索（Monte Calro Tree Search， MCTS）来构建的，诸如Crazay Stone、DeepZenGo这样的围棋AI也不例外。研发者“将游戏中所有的可能性表示成一棵树，树的第N层就代表着游戏中的第N步。树的node数是随着树的深度成指数增长的，不考虑剪枝，每个node都需要进行估值。”

　　新智元在去年AlphaG与李世石的人机大战时曾介绍过，围棋属于所有完全信息（perfect information）博弈。所有完全信息（perfect information）博弈都有一个最优值函数（optimalvalue function），它决定了在所有参与博弈的玩家都做出了完美表现的情况下，博弈的结果是什么：无论你在棋盘的哪个位置落子（或者说是状态s）。这些博弈游戏是可能通过在含有大约个可能行动序列（其中b是博弈的宽度，也就是在每个位置能够移动的步数，开奖，而d是博弈的深度）的搜索树（search tree）上反复计算最优值函数来解决的。在象棋和围棋之类的大型博弈游戏中，穷尽地搜索是不合适的，但是有效搜索空间是可以通过2种普遍规则得到降低的。首先，搜索的深度可能通过位置估计（position evaluation）来降低：在状态s时截取搜索树，将随后的子树部分（subtree）替换为根据状态s来预测结果的近似的值函数。这种方法使程序在象棋、跳棋、翻转棋（Othello）的游戏中表现超越了人类，但人们认为它无法应用于围棋，因为围棋极其复杂。其次，搜索的宽度可能通过从策略概率——一种在位置s时表示出所有可能的行动的概率分布——中抽样行动来降低。比如，蒙特卡洛法通过从策略概率p中为博弈游戏双方抽样长序列的行动来让搜索达到深度的极限、没有任何分支树。将这些模拟结果进行平均，能够提供有效的位置估计，让程序在西洋双陆棋（backgammon）和拼字棋（Scrabble）的游戏中展现出超越人类的表现，在围棋方面也能达到低级业余爱好者水平。