编码棋盘并估计策略与价值
状态用当前玩家和对手的两张棋盘平面表示。PyTorch 网络由卷积主干分出策略头与价值头，分别给出落子先验和当前局面的价值估计。
01 / ORIGIN问题起点
研究目标与实验设计
这个实验把策略价值网络、PUCT 搜索与自我对弈连接起来，观察搜索产生的更强策略如何反过来训练网络。
这里整理这项研究的出发点、实现路径、当前观察，以及下一步准备回答的问题。
02 / APPROACH实现路径
↘
用 PUCT 把网络与树搜索结合
文章给出 PUCT 节点结构与选择、扩展、评估、回传流程，并将合法动作的网络先验归一化后用于搜索。
从对局生成训练样本
自我对弈流程以搜索分布作为策略目标，将局面、策略分布和终局结果写入 replay buffer，再用策略与价值损失更新网络。
03 / OBSERVATIONS & NEXT STEP观察与下一步
→
当前进展与验证计划
当前实现梳理了从棋盘编码、树搜索到自我对弈数据回放的核心循环。下一步是补齐稳定训练、基线对手和固定赛制，观察 loss、胜率与搜索预算之间的关系。
04 / A LARGER QUESTION从这个实验继续追问
研究关联与后续问题
自我对弈提供了一个紧凑的改进循环：系统产生行为，从结果中获得反馈，再更新下一轮策略。它让“如何变得更好”成为可以观察和比较的过程。
接下来要回答的问题
翻开智能手记：什么改变了，又怎样判断？ ↗- 补齐环境状态推进与完整训练脚本，让搜索、自我对弈和网络更新可以端到端复现。
- 建立固定基线、对弈赛制和棋力曲线，区分网络学习与搜索预算各自带来的提升。
继续阅读原始记录
打开文章 ↗Alpha Zero算法实现五子棋
MCTS / UCT
动手搜索↗