企业官网建设流程全解析

这个系列第二篇来了。上一篇我们折腾的是让AI自己学会玩一个游戏，走到哪一步、赢没赢，全靠它自己摸索。这一篇我不打算教AI“会玩”了，我想训练一个神经网络模型，让它回头去教小孩玩——它不上场下棋，只在旁边看着，等孩子落子之后给出一个“全局维度的评价”：这一手看着赚了，实际是往哪个方向亏了，还有哪些位置比这里更急。

说白了，这是一次把“大局观”从玄学变成可量化数字的尝试。模型不负责替小孩赢棋，它负责在每次落子后做一个冷静的“教练点评”：胜率掉了多少、哪个方向更值得走、哪些局部冲突被忽略了。我拿五子棋做的原型，训练过程全部在本地完成，没有用现成的在线服务，模型权重也就几MB，普通笔记本跑得很轻松。这篇文章我会把完整思路、数据怎么造、模型怎么设计、有哪些坑，通通写出来。

1. “会玩的模型”和“会教的模型”，差别到底在哪

1.1 从自弈玩家到旁观教练：任务定义变了

一说到“用神经网络玩游戏”，大家第一反应都是那种自己会下棋、能赢人的AI。这类AI的核心任务是决策：给定当前局面，输出下一步走哪里。围棋上有AlphaGo，象棋上有各种引擎，它们本质上都是“策略网络+价值网络”的组合。策略网络负责生成候选落子，价值网络负责评估局面好坏，最后配合蒙特卡洛树搜索（MCTS）找出最强应对。

但如果目标是当教练，任务定义就完全变了。我不需要模型替我下棋，我需要它回答两个问题：第一，孩子走的这一手，对全局胜负而言到底是加分还是减分；第二，当前盘面上，还有哪些点比孩子下的位置更“急迫”。前者是“单步评价”，后者是“选点推荐”，这跟“自己下出强手”是两码事。

我在实践里发现，最适合当教练的不是策略网络，而是价值网络。策略网络输出的是“每个落子位置的概率”，它只告诉你“AI认为该走哪”，却不告诉你“这一步到底价值多大”。价值网络输出的是一个连续数值，通常是胜率估计，天然适合做“逐手打分”：把某一步落子后的新局面送给价值网络，得到新胜率，再减去落子前的胜率，差值就是这一步对大局的真实贡献。

所以这个项目里的模型训练目标，并不是“下一步怎么走”，而是“这个局面到底谁优势、优势多少”。教练功能是在模型训练好之后，用“胜率差值”这个后处理步骤实现的。

1.2 “大局观”这个玄乎的词，怎么变成模型的损失函数

很多家长会跟孩子说“你下棋没有大局观”。孩子听完基本是懵的，因为他们不知道什么叫“有大局观”，也看不到自己哪一手丢了“大局观”。我的做法是把大局观翻译成一串数字。

定义局面价值函数V(S)，它表示在局面S下，“我方”的预期胜率。孩子下了落子a之后，局面从S_t变成S_{t+1}，那么这一步的价值变化就是：

ΔV = V(S_{t+1}) - V(S_t)

如果ΔV是正的，说明这手棋让局面变得对自己有利；如果ΔV是负的，说明虽然局部可能占了一点便宜，但从全局看是在吃亏。所谓的“贪小便宜吃大亏”，反映到数字上就是：局部吃了一个子，但V从0.58降到了0.44，掉了14个百分点。

这里有一个人容易绕晕的细节：如果价值网络定义的是“当前行动方胜率”，那么孩子落子后轮到对手行动，S_{t+1}的V不能直接和S_t的V比较，因为视角变了。我的处理办法是，网络始终预测“记录方（我方/孩子方）”的胜率，输入张量里用一个额外通道标明当前轮到谁落子。这样不管轮到哪一方，V都在同一个坐标系里，ΔV才能直接相减。

所以“大局观”本质上是价值函数对不同局部特征的敏感程度。一个训练良好的价值网络，必须学会判断“哪块棋更急”“哪边的潜在损失更大”“哪些先手便宜现在不占以后就没机会了”。这些棋理没有一个被我们写进规则里，全是模型从数据里自己学出来的，这就是神经网络做教练最有意思的地方。

1.3 为什么这种教练任务不能直接套一个大语言模型

你可能会有疑问：现在大语言模型这么强，为什么不直接把棋盘状态描述成文字，让大模型来当教练？我在动手之前还真试过这条路，结论是现阶段不太靠谱，原因有三个。

第一，棋盘状态用文字描述会产生严重的语义丢失。15×15的棋盘点位、黑白分布、最近几手落子，转成长文本后信息密度太低，模型很难从一串坐标里感受到“右边的白棋还有一口气、左边的黑棋马上要成龙”这种空间关系。

第二，大模型给不了稳定的数值反馈。教练需要的是经过标定的胜率估计，我宁可面对一个卷积神经网络输出的0.532，也不想知道大模型“感觉”这步棋“还可以”。没有精准的量化，复盘就落不到实处。

第三，可解释性差。卷积神经网络的输出可以配合梯度热力图，直接可视化“模型认为当前哪个区域最影响胜率”，这是实打实的大局观展示。大模型通常只能给一段模棱两可的话，价值网络的大局观是看得见摸得着的。

所以我选择了轻量卷积神经网络方案。它不需要海量显存，不需要在线API，训练完还能导出成ONNX跑到普通CPU上，对孩子来说也足够直观。

2. 没有现成“教练棋谱”，数据就用自对弈造出来

2.1 自对弈生成带全局结果的对局

严格来说，市面上没有“教练棋谱”这种数据集——没有人会系统地标注“这步棋让胜率掉了多少”。想训练价值网络，最直接的办法是自对弈：让AI自己跟自己下很多局，每局结束以后我们只知道最终胜负，但可以把过程中每一个局面都保存下来，用终局结果作为这个局面的标签。

听起来简单，但怎么自对弈很讲究。如果用两个随机策略AI互下，生成的数据噪声太大，价值网络学出来的基本都是“谁先手谁赢”这种粗浅规律。如果直接上最强的开源棋类引擎自对弈，生成的棋局水平太高，又跟小孩的真实水平脱节。

我的做法是构造两个“有性格”的AI。一方模拟小孩，我叫它“小孩AI”，策略是70%的随机落子加30%的局部贪心——局部贪心就是哪里能吃子就走哪，这跟很多小孩下棋时“哪里有子吃就下哪里”的行为很像。另一方是“稳健AI”，策略是50%的局部贪心加若干步简单的威胁搜索。我们只记录“小孩AI”视角的胜负，最后这个模型学会的就是“在稳健全局策略下，当前局面对小孩方有多有利”。

我跑了8万局自对弈，每局大概30到80手不等，总共积攒了约400万个局面样本。每个样本包含棋盘状态、轮到谁走、以及终局结果z∈{+1,-1}。如果“小孩AI”最终赢了，整局所有的局面标签都是+1；输了就是-1。数据量听起来很大，但去重后再做旋转镜像增强，真正有效的独立局面大约在100万级别，训练一个小价值网络完全够用。

2.2 从终局胜负到每一步的指导信号

用终局胜负当局面标签，乍一看非常粗糙：第5手的局面和第50手的局面都用同一个+1标注，模型能学出东西吗？答案是能，这正是价值网络的核心训练方法。

模型的任务是在给定局面下预测“这局最终谁赢”。为了把数百万个局面和最终胜负对应起来，模型被迫学习大量中间规律，比如“某个方向已经形成双三，等于胜利在望”“某块棋被包围且没有做眼空间，等于慢性死亡”。这些规律不是任何代码写死的，而是从数据中涌现出来的隐式棋理，也就是我们说的“大局感”。

模型训练好之后，我再把终局胜负标签“翻译”成单步指导信号。对于每一步落子a，我计算ΔV = V(S_{t+1}) - V(S_t)，这个差值就是这一手的“大局评分”。我发现一个很有用的规律：在中盘阶段，好的棋手之间对弈时，ΔV的绝对值一般不大，谁先走出一个明显的掉胜率招法，谁就开始慢性落后。教练模型要盯的就是这些“掉点招”。

如果你想让每步的标签更平滑，还有一个进阶做法是使用时间差分（TD）方法，用“本步的即时收益+后续局面的折现值”作为标签，而不是用最终胜负。但对于我们这种教练场景，直接用最终结果训练出来的价值网络已经足够了，没必要过度设计。

2.3 数据增强与噪音控制：别让模型把对手的毛病学进去

自对弈造数据最大的风险是：模型不光学到了局面的客观好坏，还把自对弈AI的毛病也学进去了。

我踩到的第一个坑就是“对手太弱导致一切看起来都能赢”。当我用“小孩AI vs 随机AI”对弈时，模型很快学会了一个错误的规律：只要随便围住一片空，胜率就接近100%。因为随机AI根本不会反击。后来我把对手固定为有一定威胁搜索能力的“稳健AI”，数据可靠性一下子提高了。

第二个坑是视角混乱。黑白双方在五子棋里是完全对称的，但从某一方视角看，棋局完全不同。我在生成数据时坚持“记录方视角”：始终把“小孩AI”方的棋子放第一个通道，把对手棋子放第二个通道，标签z也始终是“小孩AI”的胜负。这样训练时不需要把每个样本做黑白翻转，模型学到的是“无论我是黑还是白，我该怎么评估”。

数据增强方面，旋转和镜像对五子棋来说都是合法变换，一张棋盘能扩出8个方向，直接提升样本多样性。另外我建议剔除开局前3手和终局前3手附近的数据。开局前几手谁胜率有明显先后手差异，价值网络容易记住“轮到我下就优势”这种低质量特征；终局前几手标签充满“一步杀”的极端信息，会让模型的输出过于尖锐。去掉这些区间之后，训练出来的价值网络更平滑，更适合当中盘教练。

3. 模型设计：给神经网络装一只“大局眼”

3.1 棋盘状态怎么编码成张量

价值网络的输入是棋盘状态，必须编码成张量。以五子棋15×15棋盘为例，我用6个通道：

通道1和通道2是核心，把黑白分布完整送给模型。通道3和通道4提供“时序感”，让模型知道棋局是刚刚开始还是已经进入中盘，也帮它理解“刚下的这一手改变了什么”。通道5是关键设计，因为我们的价值网络始终预测“我方胜率”，必须告诉模型“现在该谁走”。常值通道等于给网络一个可学习的坐标偏置，在很多棋盘游戏里都能稳定提升效果。

整个张量形状是(6, 15, 15)，对网络来说非常轻量。不需要额外写规则，不需要标注“哪块棋有气、哪块棋是活三”，这些特征全部由卷积网络自己从原始棋盘中提取。

3.2 小残差网络加价值头，规模不大但够用

模型结构我没有搞得很复杂，就是一个带价值头的残差网络。给一小段核心代码：

import torch import torch.nn as nn class ResBlock(nn.Module): def __init__(self, channels): super().__init__() self.conv1 = nn.Conv2d(channels, channels, 3, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(channels) self.conv2 = nn.Conv2d(channels, channels, 3, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(channels) self.act = nn.ReLU(inplace=True) def forward(self, x): out = self.act(self.bn1(self.conv1(x))) out = self.bn2(self.conv2(out)) return self.act(x + out) class ValueNet(nn.Module): def __init__(self, channels=64, blocks=4): super().__init__() self.head = nn.Sequential( nn.Conv2d(6, channels, 3, padding=1, bias=False), nn.BatchNorm2d(channels), nn.ReLU(inplace=True), ) self.blocks = nn.Sequential(*[ResBlock(channels) for _ in range(blocks)]) self.pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Linear(channels, 32), nn.ReLU(inplace=True), nn.Linear(32, 1), nn.Tanh(), ) def forward(self, x): x = self.head(x) x = self.blocks(x) x = self.pool(x).flatten(1) return self.fc(x)

我最终的配置是64通道、4个ResBlock，参数量在70万左右。这个规模对“评估局面胜率”这个任务来说绰绰有余。AlphaZero那种几百层的大网络是为了从零训练出超越人类的棋力，我们只需要一个判断力的“鉴赏家”，深度太深反而容易在几百万样本上过拟合。

这里再补充一个观点：残差连接对价值网络特别重要。因为价值网络的训练目标只有一个数值，信息必须从底层棋盘特征一直传到输出层，中间不能有明显的信息衰减。残差块让梯度和特征都能顺畅流动，这是我对比过“普通卷积堆叠”和“残差结构”之后的结论，同样是4层网络，残差结构在验证集上的校准误差低了大约30%。

3.3 损失函数、优化器与真正的“大局观”来源

价值网络的输出层我用了tanh，把输出压到-1到1之间，对应终端标签z∈{+1,-1}。损失函数用最简单的均方误差：

loss = mean((v - z)^2)

实践中我发现MSE比交叉熵在五子棋上更稳，因为标签z不是0/1二分类，而是“胜平负”式的连续语义，MSE的梯度更平缓，不容易出现早期震荡。

优化器我选了Adam，初始学习率1e-3，配合权重衰减1e-4。Batch size取256，跑30个epoch。训练时按局文件切分训练集和验证集，比例9:1，这一点很关键——千万不能按局面随机切分，否则同一局的内容同时存在于训练集和验证集，验证指标会虚高，模型真正拿到新对局上就露馅。

那“大局观”到底从哪里来？我倾向于这样理解：一个700万参数的价值网络，要记住约100万个有效局面的胜负标签，是不可能的。它只能选择压缩信息，把局面抽象成少数几个影响胜负的全局特征。在这个过程中，网络被迫学会识别“哪些局部冲突是急所”“哪些位置的子力对全局有辐射作用”。它不是记住了棋谱，而是形成了自己的“棋感”。人类小孩下棋也是类似的过程：下的局数多了，慢慢就知道不能只顾眼前，哪里更急、哪里有潜在危险，会形成一种直觉。神经网络管这个叫隐式特征学习，我们管它叫大局观。

3.4 一组直接可用的训练关键参数速查

这套参数在普通配置的笔记本上就能训练。没有独立显卡也能跑，就是慢一些，一个epoch大概十几分钟，睡一觉起来正好。

4. 训练与调优实测记录

4.1 训练流程与超参数选择

我实际的训练流程是这样走的。先把自对弈产生的JSONL对局文件解析成样本，每一条样本是“棋盘张量+标签z”，然后按对局文件编号切分训练集和验证集。加载数据的时候，我在线做旋转镜像增强，每张棋盘随机选一个对称变换再送进网络，相当于把有效样本量扩大了8倍。

训练过程中我同时监控两个指标：验证集的MSE loss和校准曲线。单纯看loss下降是不够的，价值网络很容易出现一种假健康状态：训练loss和验证loss都在降，但预测的胜率过于极端，永远输出0.95或者-0.95。这种模型看起来“很自信”，实际在教练场景里毫无用处，因为它区分不出一手好棋和一手坏棋之间的微妙差别。

为了对抗极端输出，我做了一个非常关键的处理：标签平滑。终端标签z原本是±1，我把它改成±0.8。这样一来，模型知道胜利并不是板上钉钉，总是留了一点不确定性。效果很明显，模型的胜率估计从“两极分化”变成了“中间有过渡”，用起来舒服多了。

4.2 怎么判断模型学到的是大局，还是记住了棋谱

这是这个项目最核心的质量检验环节。我用了三种方法交叉验证。

第一种是校准曲线。把验证集中的所有局面按模型预测胜率分桶，比如预测0.1-0.2的放一桶，0.2-0.3的放一桶，以此类推，然后统计每个桶里实际的胜率。如果模型预测0.3-0.4的桶实际胜率恰好也在0.3-0.4附近，说明模型输出是可信的。我的模型在0.2-0.8这个区间表现不错，极值区间偏差稍大，这也是标签平滑的副作用，可以接受。

第二种是“单步评估测试”。我从真实对局里挑出一些有代表性的局面，人为构造“好手”和“坏手”各一手，让模型分别计算ΔV。比如某个局面下，正确的全局要点在中腹连成势力，但在右下角可以吃到一个子。模型应该给出：吃子的ΔV明显为负，连势的ΔV明显为正。如果它能稳定区分这两种走法，说明它真正理解了这个局面的急所。

第三种是大局热力图。对当前局面，我计算价值网络输出对棋盘输入每个位置的梯度，把梯度绝对值叠加成一张热力图。这张图上最亮的位置，就是模型认为“当前对胜率影响最大”的区域。我拿几个典型中盘局面做了可视化，发现热力图确实会集中在冲突激烈、尚未定型的区域，而不是平均分布在整个棋盘上。这就很像人类棋手“盯着急所看”的感觉了。

4.3 实测效果：模型给出的“一步掉胜率”是否靠谱

我用5万局数据训练了一版模型，验证集上的Brier分数大约0.16，对于胜负预测来说属于可接受范围。然后我把家里小孩真实下的几盘棋导进去做复盘。

有一盘棋让我印象很深。孩子在一个局部连续吃掉了对手两个子，他自己很得意，但模型显示每次吃子之后，胜率都在往下掉，从开局60%一路掉到42%。原因很典型：他在吃子的过程中，无论从速度还是方向上，都把主力棋子堆到了棋盘右侧，而左侧对手趁机形成了一条已经无法阻止的长连。从局部看他赚了，从全局看他输了。

模型给出的建议选点全部集中在左侧防守和反制区域，和稍微高等级的棋软给出的推荐高度吻合。这种“局部吃子但全局亏”的典型场景被模型精准捕捉到了，那一刻我知道这套“大局观教练”的思路是通的。整套模型跑一次完整对局复盘的耗时在一两秒内，已经能达到“孩子下完棋马上就能复盘”的产品级体验。

5. 把教练接到小孩的棋局中：使用形态与部署

5.1 三步走：算胜率、算落子差值、输出建议

模型训练好之后，教练功能的核心流程分为三步。

第一步，对当前局面S_t编码，让价值网络输出V(S_t)，得到当前胜率。第二步，遍历当前所有合法空点，把每个空点分别落子到棋盘上得到临时局面S_{t+1}，再送进价值网络算出V(S_{t+1})，计算ΔV = V(S_{t+1}) - V(S_t)。对所有空点的ΔV排序，取前三个作为推荐选点。第三步，把孩子实际下的落子也单独过一遍，计算出孩子这步棋的ΔV，和推荐选点做对比。

如果给模型加上策略头（Policy Head），还能更高效：先用策略网络把落子概率最高的前10个点筛出来，再只对这10个点做价值网络细评，全程耗时可以从几百毫秒降到几十毫秒。但我个人觉得对教练场景来说，全点评估的完整ΔV分布更有价值，因为它能被直接叠加到棋盘上，形成一张“局面价值地图”：每个空点都有一个数字，颜色从红到绿，孩子一眼就能看到哪里值得走、哪里是价值洼地。

5.2 把数字翻译成小孩听得懂的话

模型输出的是一堆胜率数字，但孩子要的是有温度的反馈。我总结了一套翻译模板，核心逻辑是：先给结果，再点原因，最后给方向。

举两个实际例子。如果孩子下了一手“局部赚但全局亏”的棋，模型计算出ΔV=-14%，我的翻译是这样的：“这一手之后，你的胜率从58%降到了44%。你刚刚在右下角吃了对方一个子，局部确实赚了，但问题的关键是左上角已经被对手抢先动手了，那里比右下要急得多。”

如果孩子下了一手中规中矩但偏缓的棋，模型发现有一个更好的急所，ΔV=+12%，我的翻译是这样：“这手棋没有明显的错，但它是在一个不紧急的位置落子。现在盘面上最急的地方在中间偏左，如果先下那里，你的胜率还能再涨12个百分点。”

这套话术不需要大语言模型生成，用模板填充就能拐出来。关键在于两点：第一，所有数字都来自模型真实的胜率差值，不胡编；第二，每次点评都要落到“哪个方向、哪片区域”，而不是只说“你下得不好”。我把这个功能做成了命令行小工具，也在Jupyter Notebook里做了简单的可视化，棋盘上每个点用颜色深浅标出ΔV高低。孩子自己就能看懂哪里是“大局热的区域”。

5.3 部署资源与提速方案

整套系统的资源需求非常亲民。训练阶段，6GB显存的显卡就能跑得很舒服，没有显卡的话纯CPU也能训练，只是慢一些。推理阶段就完全无所谓了，普通笔记本CPU单次前向大约1到3毫秒，全盘225个空点逐点跑一圈也就半秒上下。

我还把模型导出成ONNX，顺手做了int8量化，模型文件从几MB压缩到两三MB，推理速度比PyTorch原始模型快了两三倍。如果以后想移植到平板上给小孩用，这条路也已经铺好了。

有一点需要提醒：终局阶段模型对“一步杀”极度敏感，因为这种情况下胜率变化很剧烈，模型会输出“强烈推荐去杀棋”的结果。如果你希望教练聚焦在大局观训练上，可以在中前盘阶段隐藏掉直接连杀类的推荐，等局面进入终局再开启“胜负手模式”。这个设计不是技术问题，而是产品取舍问题，我的做法是默认在中盘隐藏杀棋提示，避免孩子过度关注局部攻击。

6. 踩坑记录与几个独家体会

6.1 常见问题排查速查表

最值得说的是第二行这个“黑白胜率不对称”问题。我第一次训练出来的模型，黑棋胜率明显高于白棋，我还以为这是数据里有先手偏差。后来排查发现，是数据生成时没有统一“我方”视角定义，一部分样本里“我方”是黑，另一部分“我方”是白，但网络不知道自己该预测谁，结果学成了一个“谁黑谁赢”的坏模型。加了“当前行动方”通道后，这个问题立刻消失。这个细节如果没注意到，教练模型根本没法用。

6.2 我的几点实操体会

整个项目做下来，我有几个非常明确的感受。

第一，当教练这件事，价值网络比策略网络合适得多。策略网络擅长“找一步好棋”，但它的输出是一个相对概率，没法告诉你“你这手到底比最优差了多少”。价值网络输出的是胜率，天然带量纲，差出来的每一个百分点都可以直接当作“大局亏损”。这个特性是教练场景最需要的。

第二，数据质量远大于网络规模。我中间试过一次把网络加到128通道、8个ResBlock，参数量翻了几倍，结果验证集上的校准误差几乎没有好转。反而是把自对弈数据里“对手太弱”的问题修正之后，模型效果飙升。很多同学做AI项目第一反应是堆模型，我的建议是先把训练数据的问题想清楚：对手是谁、标签怎么定义、视角是否统一，这些才是决定上限的地方。

第三，“给孩子做教练”和“找AI虐人”是两种完全不同的体验。AI自己会下棋时，我们关注的是“它赢没赢”；当它变成教练时，我们关注的是“孩子能不能理解为什么”。我在复盘界面里花的时间，一点都不比训练模型少。数字要展示，但更要用孩子能接受的方式讲出来。

6.3 后续还能怎么玩

这套东西的扩展空间比我想象中大。同一套“自对弈产生数据、价值网络做评估、ΔV做单步点评”的框架，稍微改改棋盘的通道定义，就能迁移到中国象棋、国际象棋、甚至一些简单的回合制战棋游戏上。

另一个方向是把热点图和语音点评接进来。我现在的版本只是命令行加简单可视化，如果做成一个像样的App，孩子下棋时旁边有个声音实时念叨“这一手太缓了”“那边快顶不住了”，沉浸感会强很多。我自己现在还在用这套模型陪孩子做每周复盘，每周末挑两盘棋，把胜率曲线打出来，看看这一周“掉胜率手数”有没有变少。这件事比家长在旁边说一百遍“你下棋要多想想全局”都有用。