《围棋人工智能后人类决策质量跃迁、新颖着法率与棋经十三篇策略熵母典》各章定量结论
AlphaGo 之后,人会不会因为依赖 AI 而变笨,围棋会不会变得千篇一律?本书以 Shin、Kim、van Opheusden 与 Griffiths 二〇二三年在《美国国家科学院院刊》上的研究为起点:他们用 KataGo 给一九五〇到二〇二一年职业棋手的 5,857,513 个决策逐一打分,发现 AI 出现后决策质量与新颖度都明显上升。本书把论文的数字原样摆出,再逐项追问它们在什么条件下成立。书中除论文数字外的参数均为示意,全部计算由书中程序生成;本书是非个人化经营建议,不针对任何个人决定。
DOI 待发布 · 专著页正式发布后上线(本站暂无专著页) · 5DL-B-230 · English version
- 第 1 章 · 断点上的跃迁:KataGo 量尺下的决策质量指数
第一章把论文表 1 换算成效应量:AI 后普通着法的决策质量指数高出 0.59754 个百分点,新着高出 1.11258 个点,新着原有的代价缩小了 0.848;并说明匹配率超过一半时中位数汇总会碰到上限。 - 第 2 章 · 时间上的断点:二〇一六年三月的回归不连续设计
第二章在模拟数据上演示时间断点回归:真实跳变为 0.30 时,12 个月带宽的检出率只有 0.685,而一个只有斜坡的世界在 36 个月带宽下有 0.258 的机会被判为显著。 - 第 3 章 · 新颖着法率:首个历史新着、数据库膨胀与背谱检验
第三章说明新颖指数随历史库膨胀而机械漂移,并检验插入 AI 对局的反背谱检验:照抄棋谱会被完全识破,学会 AI 的开局分布却仍保留 0.860 的增益。 - 第 4 章 · 策略熵:定式集中度、局部最优与从众锁定
第四章用香农熵度量定式集中度,示意角部局面的策略熵从 1.608 升到 2.360 比特,从众学习模型显示外部评估者让群体提早约 12 年离开局部最优。 - 第 5 章 · 机制之争:内化、背谱与构成偏差
第五章区分内化、背谱与构成偏差,说明棋手固定效应能把虚假交互项从 0.831 压到 -0.053,却对背谱无效。 - 第 6 章 · 量尺的边界:评估噪声、引擎版本与胜率天花板
第六章检验量尺:评估噪声在大样本中被平均掉,同一个 3 目错误在均势与大优局面中的胜率代价是 14.566 对 1.431。 - 第 7 章 · 东西方原典考辨:《棋经十三篇》与富兰克林《下棋的道德》
第七章考辨张拟《棋经十三篇》与富兰克林《下棋的道德》,算出「宁输数子,勿失一先」的盈亏平衡点从开局的 7.00 颗子降到终局的 0.79 颗。 - 第 8 章 · 实证闭环:团队 AI 复盘流程与出版局决策质量审计
第八章给出团队 AI 复盘的七条规则、出版方 AI 写作的决策质量审计、蒸馏小工具「复盘质量评分器」与预注册方案。书中以标注框区分已发表的证据、可运行的 Python 计算(17 段程序)、原典与作者的假说。
模型示意算例,非实时报价