你知道AlphaGo或「星陣」下圍棋時，「腦子」裡是怎麼盤算的嗎？它會考慮哪些因素呢？為什麼劉校長提到人工智能只能選擇「最佳」的策略，而不是「必勝」的策略呢？

前幾周劉校長為我們介紹了極大極小搜索算法、評估函數，今天他要告訴我們這兩者不同的使用時機。當遊戲的複雜程度較低，人工智能可以使用極大極小搜索算法，預想整局的賽局樹，然後從代表最後一層結果的「葉」，往前推到第一層「根」，決定第一步要怎麼走；然而，當遊戲的複雜程度升高時，人工智能只能從其電腦資源所能把握的層級往回推，給與每一層每個圖板位置相對的分數，也就是評估函數，來決定要走哪條「最佳」（雖然可能不是「必勝」）的路徑，但後續的層級就不在電腦的預算範疇裡。

之後，劉校長也提到，不同的遊戲對評估函數的計算方式也不同。以五子棋為例，人工智能在計算評估函數時，需要考量的因素為：1.棋子數目不影響函數值；2.棋子位置不同，函數值也不同，以中心位置最高；3.棋子的連續性與否將影響函數值。再以中國象棋為例：1.每個棋子所代表的價值因其名稱而異；2. 棋子位置不同，價值也不同，中間價值大、過「楚河漢界」後，棋子價值也會變大；3. 棋子的靈活度與攻擊力將影響函數值；4. 棋子在某個位置上對內的保護力、對外的攻擊力，也會影響函數值；5. 棋子間相互呼應的能力，會影響函數值；6.將帥安全的評估，亦為函數值影響因素。人工智能在計算象棋的函數值時，會將上述這些評分因子「加權」計算。劉校長最後還提到，評分函數不一定是平順的曲線，因著複雜程度，可能出現不同的加權效果，例如圍棋。

經由劉校長的清楚解說，你是不是更清楚AlphaGo或星陣「腦子」裡打的如意算盤了呢！