那天下午，我在电脑上打开 KataGo 的界面，准备和 AI 下一盘棋。开局十几手还算正常，但很快我就发现，棋盘上的黑白子不再像传统围棋那样争夺边界、围空占地，而是变成了一场围绕“眼位”的生死缠斗。AI 的每一步几乎都在试探我棋形的弱点，不是为了围更大的空，而是为了破坏我可能做眼的空间，或者逼迫我在局部补棋。一局下来，我虽然只输了十几目，但整盘棋的感觉完全变了——这不再是那个讲究大局观、讲究势地平衡的围棋，而更像是一场“做眼破眼”的贴身肉搏。

这种体验并非偶然。如果你最近用过 KataGo、Leela Zero 或任何基于 AlphaZero 架构的 AI 下过棋，尤其是尝试过 3D 棋盘或复杂规则变体，你可能会发现：围棋的战术重心，正在从“围空游戏”转向“做眼破眼大赛”。这不是因为 AI 不懂围棋的“道”，而是因为它把围棋的底层生存逻辑推到了极致——而这一切，背后是一套完全不同的胜负判断机制。

1. 为什么 AI 会把围棋变成“做眼破眼”的生死游戏？

传统围棋教学中，老师总会强调“金角银边草肚皮”，教我们先占角、再占边，最后向中腹发展。人类棋手对形势的判断，也往往依赖“目数差”——我围了多少空，你围了多少空，再加上厚薄、潜力这些模糊因素。但 AlphaZero 之后的 AI，尤其是 KataGo，引入了一个更底层的判断维度：所有权强度（Ownership Strength）。

1.1 所有权强度：AI 如何“看见”棋盘的生死

所有权强度不是简单的“这块地是谁的”，而是“这块地属于黑棋或白棋的概率有多大”。在 KataGo 的算法里，每一个交叉点都会被赋予一个介于 -1 到 1 之间的数值，表示黑棋或白棋对该点的控制程度。正值越大，黑棋控制力越强；负值绝对值越大，白棋控制力越强。

关键点在于：AI 判断胜负的核心不是围了多少目，而是整个棋盘的所有权强度总和。这意味着，即使一块地还没有完全围实，只要 AI 判断它的控制概率足够高，它就会认为这块地已经是自己的。反过来，如果一块看似围住的地存在被破眼的可能，AI 会大幅降低其所有权概率。

举个例子：人类棋手看到一块棋有两个眼，就觉得它活了。但 AI 可能会计算：“如果对方在这里强行破眼，有 5% 的概率能成功，所以这块棋的所有权强度不是 100%，而是 95%。”这种细微的差异，在人类对局中可能无关紧要，但在 AI 的胜率计算中，却可能影响整个局面的评估。

1.2 做眼破眼成为胜负手：生存权高于一切

在所有权强度的框架下，棋子的生存问题被提到了最高优先级。因为：

• 活棋的所有权强度是稳定的：一块活棋控制的地盘，所有权强度接近 100%，是 AI 最可靠的“资产”。
• 弱棋的所有权强度是波动的：哪怕只有一丝被攻击的风险，AI 也会调低其控制概率，导致整体胜率计算受损。

所以，AI 的落子策略会极度倾向于：

1. 确保自己的棋尽可能干净地活透。
2. 尽可能让对方的棋处于“不活”或“半活”状态。

这就解释了为什么你和 AI 下棋时，它会不停地点、刺、靠，甚至看似“过分”地侵入你的势力范围。它不是在争目数，而是在测试你棋形的弹性——只要你的棋没有两个绝对安全的眼，AI 就会认为这里存在所有权不确定性，从而持续施加压力。

2. 从 2D 到 3D：规则变化如何放大“做眼破眼”效应？

传统围棋是二维平面游戏，但在 3D 围棋或某些变体规则下，棋子的连接、眼的定义、气的计算都发生了变化。这些变化非但没有减弱“做眼破眼”的重要性，反而把它推向了更核心的位置。

2.1 3D 棋盘上的“眼”更难做，也更容易破

在 3D 围棋中，棋子可以在三维空间连接，气的计算变得复杂。一个在 2D 棋盘上看似活透的棋形，在 3D 环境下可能因为某个方向的气被阻断而变得危险。反过来，破眼的手段也更多样——你可以从平面无法触及的方向发起攻击。

KataGo 在处理 3D 棋盘时，会基于同样的所有权强度逻辑进行推演，但计算复杂度呈指数级上升。它需要评估每一个空间点的控制概率，而不仅仅是平面上的交叉点。这时，AI 的算力优势就体现出来了：它能同时计算多个维度的生死问题，而人类棋手很难在脑中构建完整的三维棋形。

2.2 变体规则下的生存竞赛

除了 3D 围棋，还有一些规则变体，如“允许自杀”“禁全同”等，也会改变做眼破眼的逻辑。例如，在允许自杀的规则下，某些传统意义上的“死形”可能因为能自杀做眼而变活。AI 能够快速适应这些规则变化，并找出最优的生存策略。

本质上，AI 把任何规则下的围棋都还原成了最基础的生存问题：在给定规则下，如何最大化己方棋子的生存概率，最小化对方棋子的生存概率。目数、地势、厚薄，都是生存概率的衍生品。

3. 如何适应这种“做眼破眼”的新围棋？

如果你经常和 AI 对弈，或者想提升在复杂规则下的棋力，可能需要调整一些传统的围棋观念。

3.1 重新理解“厚势”与“实地”的关系

人类棋手常说的“厚势”，在 AI 眼中可能就是“高生存概率区域”。一块厚势的价值不在于它能围多少目，而在于它能为周围的战斗提供稳定的支撑。相反，看似目数很多的“实地”，如果周围棋子生存压力大，其所有权强度可能被 AI 调低。

建议：下棋时，不要只数目，要多问自己：“我的棋真的活透了吗？对方的棋有没有潜在弱点？”即使是在布局阶段，也要有意识地构建易于做眼的棋形。

3.2 学会读取“隐性眼位”

AI 特别擅长发现那些人类容易忽略的“隐性眼位”——即通过后续手段可以做出的眼。例如，某个局部看似没眼，但如果对方不补，可以通过扑、挤等手段造出眼。KataGo 的推荐手功能非常适合训练这种能力。

实操方法：

1. 摆一个你认为已经死透的棋形。
2. 用 KataGo 的 AI 推荐手功能，让它找出可能的做眼手段。
3. 反复练习，直到你能一眼看出这类隐蔽的做眼机会。

3.3 把破眼作为攻击的主要目标

当攻击对方棋块时，不要只想着“能吃掉多少子”，而要把“破坏眼位”作为首要目标。即使最终吃不掉，只要让对方棋块始终处于不活状态，你就掌握了主动权。

攻击优先级：

1. 破眼优先于围空。
2. 制造孤棋优先于扩张模样。
3. 保持压力优先于一击致命。

4. 从 AI 围棋到通用问题解决：生存逻辑的迁移价值

这种“做眼破眼”的思维模式，其实不止适用于围棋。在很多复杂系统里——无论是软件开发、项目管理还是学习规划——都能看到类似的逻辑。

4.1 先确保基本盘存活，再求发展

AI 下棋时，绝不会为了贪图一点目数而让自己的大龙陷入危险。同样，在工程项目中，先确保核心功能稳定、关键路径畅通，比盲目添加新特性更重要。

类比：写代码时，先把异常处理、日志记录、权限校验这些“眼位”做扎实，再实现业务逻辑。否则，看似进度快，实则隐患多。

4.2 持续施加压力，而不是追求完美方案

AI 不会指望一手棋就吃掉对方大龙，而是通过连续的小规模攻击，逐步降低对方的生存概率。这种“积小胜为大胜”的思路，在解决复杂问题时尤其有效。

方法：把大问题拆成多个小问题，每个阶段只解决一个子问题，但保持对整体的持续压力。例如，调试代码时，不要试图一次性修复所有 bug，而是先确保最影响主流程的问题被解决。

4.3 适应规则变化，聚焦底层逻辑

AI 能在 3D 围棋、变体规则下依然强势，是因为它抓住了“生存权”这个底层逻辑，而不是机械套用定式。当我们面对新技术、新工具时，也应该先理解其核心机制，而不是死记硬背操作步骤。

举例：学习一个大模型框架时，先搞懂它的推理机制、上下文管理、资源分配方式，再去看具体 API。这样即使版本更新、接口变化，你也能快速适应。

那天下午的棋局结束后，我复盘了很久。虽然输了，但我想通了一个道理：AI 并没有改变围棋的本质，它只是把围棋最底层的生存逻辑放大到了极致。在 AI 的视角下，围棋从来都是一场“做眼破眼”的生存竞赛，只是人类在过去几千年里，用目数、势地这些概念把它包装得更加优雅而已。

如果你也想体验这种全新的围棋视角，不妨找个 KataGo 之类的 AI 对弈几盘。不用急着赢，重点是观察 AI 如何对待每一个局部的生死问题。你会发现，当围棋褪去文化、艺术的外衣，露出它作为数学游戏、生存游戏的本质时，反而有一种别样的魅力。

而真正有价值的，或许不是学会几招 AI 的破眼技巧，而是把这种“生存优先”的思维模式，迁移到更多需要谨慎决策、长期经营的领域。毕竟，无论是下棋还是做事，活到最后的人，才有资格谈胜利。