在將棋人工智慧領域，兩種技術概念正在引發衝突：一種是具有接近人類直覺的全局視角的 GPU 深度學習方法，另一種是擁有壓倒性搜尋能力、每秒可讀取 8000 萬步棋的 CPU 推理方法。
將於2025年12月6日至7日舉行的第六屆世界將棋AI傳龍大賽，將成為這場技術衝突最鮮明的展現舞台。 30支隊伍將角逐文部科學大臣杯，這場較量也將為人工智慧的未來發展指明方向。
非營利組織 AI Denryusen Project（會長：松本博）將於 2025 年 12 月 6 日至 7 日舉辦第六屆世界將棋 AI Denryusen 錦標賽。獲勝者將獲得文部科學大臣杯和文部科學大臣獎。
本次錦標賽將有30支隊伍參賽，比賽將在YouTube上免費直播。直播時間安排如下：12月6日下午1點，由七段高手戶部誠解說；12月7日下午1點30分，由六段高手戶山佑介解說。
本次活動的亮點之一是GPU深度學習將棋AI與CPU推理AI之間的對決。本次活動由日本文部科學省、日本資訊處理學會、電腦將棋協會、電氣通訊大學娛樂與認知科學研究站共同主辦。
從： 
第六屆世界將棋AI傳龍大賽將於2025年12月6日至7日舉行，屆時最先進的將棋AI將進行比賽。
【社論】
在將棋AI領域，兩個技術理念迥異的流派正在展開競爭。第六屆世界將棋AI傳龍大賽正是這場技術衝突最鮮明展現出來的舞台。
2020年，由於新冠疫情的影響，世界電腦將棋錦標賽被迫取消，Denryusen錦標賽應運而生，作為該賽事的線上替代方案。首屆比賽於2020年舉行，自2024年第五屆比賽起，日本文部科學省加入贊助行列，並將比賽更名為「文部科學省大臣盃」。該賽事以非營利組織的形式運營，依靠捐款維持，在向社會傳播將棋人工智慧的發展和資訊科技的進步方面發揮著重要作用。
本次活動的亮點在於新聞稿中提到的「GPU深度學習方法」與「CPU推理方法」之間的對決。這兩種方法並非只是技術選擇上的差異，而是反映了人工智慧設計理念本身的不同。
GPU深度學習的典型例子是dlshogi。它利用GPU強大的平行處理能力，透過深度神經網路評估棋盤狀態。這種方法的特點在於能夠提供開局和中局的全局視角，能夠以接近人類直覺的方式掌握整體局勢，並理解複雜的局面關係。龍王棋手藤井蒼汰自2020年起便開始在研究中使用dlshogi，有研究指出，他在實戰中已經開始下出一些似乎受到dlshogi影響的棋步。
另一方面，CPU推理方法的代表是NNUE（高效可更新神經網路）類型的將棋AI。水翔和兵水都屬於這個範疇。 NNUE是由那須裕設計的評估函數，它並非採用深度學習，而是在CPU上高速運行一個淺層神經網路。透過利用微分計算和SIMD指令，它實現了每秒超過8000萬步的驚人搜尋速度。這種搜尋速度在需要深度解讀殘局的情況下極為有效。
有趣的是這兩個陣營之間的技術交流。過去，基於神經網路非均勻性（NNUE）的訓練主要使用CPU，而現在主流方法是先在GPU上進行訓練，然後在CPU上進行推理。此外，國際象棋AI Stockfish採用了NNUE，其改進版本也被應用於將棋AI，這反映了技術的跨界發展。
硬體發展的速度也決定著勝負。 GPU 的效能大約每兩年翻一番，而 CPU 的時脈頻率已經趨於穩定。儘管核心數量在增加，但將棋 AI 搜尋中使用的 αβ 方法的平行化效率約為 √N，因此即使核心數量翻倍，速度也僅提升約 1.4 倍。從長遠來看，這種差異可能對 GPU 方法更有利。
然而，第五屆電龍大賽的結果卻出乎意料。基於NNUE的Hyosui贏得了冠軍，而基於GPU的dlshogi則位居第二。 Hyosui是一款評估功能顯著改進的軟體，由HEROZ的資深開發者大森雄平開發，他曾為電王大賽開發nozomi。這顯示NNUE系統仍有改進空間，包括搜尋功能的提升。
這場技術競賽為人工智慧發展提供了普遍的啟示。最新的GPU深度學習並非萬能答案，關鍵在於根據問題的本質選擇適當的架構。由於將棋的勝負取決於找到將殺或強制著法，因此有時搜尋深度至關重要。同時，在棋局的早期和中期階段，也需要更廣闊的視野。這種雙重特性使得不同的方法可以共存。
本次比賽將有三十支隊伍參賽。除了水翔、dlshogi 和冰水等強大的隊伍外，還有許多隊名獨特的隊伍也加入了競爭。比賽將在 YouTube 上進行直播，並由職業棋手進行解說，即使是不熟悉人工智慧的將棋愛好者也能從中獲得樂趣。
將棋AI的發展從根本上改變了職業棋手的學習環境。像藤井龍男和渡邊名人這樣的頂尖棋手會購買價值數百萬日元的電腦，並結合使用多個將棋AI進行研究。此外，像HEROZ的「棋神分析」這樣的服務也應運而生，使用戶能夠在瀏覽器中輕鬆進行頂級的AI分析。
第六屆Denryu-sen是個難得的機會，讓您一窺這項技術競賽的前沿成果。 GPU方案能否捲土重來？ CPU方案能否更進一步？還是會出現一種全新的方案？本次盛會將帶您體驗人工智慧技術的多樣性和無限潛力。
[術語]
GPU（圖形處理單元）
圖形處理器（GPU）。最初是為影像處理（例如 3D 繪圖）而開發的，但由於其能夠大規模並行處理簡單的計算，因此已被廣泛應用於深度學習領域。它被用於諸如 DLSHoGI 之類的將棋 AI 中。
NNUE（高效率可更新神經網路）
一個高效率更新的神經網路。其評估函數由 Yu Nasu 設計，無需 GPU 即可在 CPU 上快速運行。利用微分運算和 SIMD 指令，淺層神經網路實現了快速的位置評估。
αβ 法（alpha beta 法）
這是一個用於博弈樹搜尋的基本演算法。它是對極小極大演算法的改進，透過剪除明顯不必要的分支來提高搜尋效率。該演算法發明於1950年代，至今仍被許多將棋人工智慧系統所採用。
深度學習
一種利用多層神經網路自動從大量資料中學習特徵的機器學習方法。隨著AlphaGo的成功，它在棋類遊戲人工智慧領域迅速普及。
[參考連結]
AI電動龍戰鬥計畫官方網站（外部連結）
由非營利組織舉辦的將棋AI世界錦標賽。賽事資訊及過往比賽紀錄均已公佈。
Denryusen官方YouTube頻道（外部連結）
官方頻道，您可以在這裡觀看賽事直播和往場比賽影片。
HEROZ公司（外部）
一家人工智慧公司，致力於將源自將棋人工智慧研究的技術應用於各行業。提供將棋戰爭遊戲。
Kishin Analytics （外部）
一款可在瀏覽器中使用的將棋AI分析服務。支援dlshogi和Suisho兩種棋譜的分析。
Yaneuraou 官方網站（外部連結）
這是將棋AI開發者Yaneuraou的技術博客，主要介紹將棋AI開發的最新趨勢。
[參考文章]
電龍之戰 - 維基百科（外部）
一篇百科全書式的文章，解釋了傳龍傳的概況、歷史、比賽形式等。
由 HEROZ AI 工程師大森開發的「Hyousui」贏得了第五屆世界將棋 AI 傳龍大賽（外部）
第五屆傳龍大賽結果：兵水隊奪冠，dlshogi隊獲得亞軍。
WCSC34 技術摘要 – Yaneuraou 官方網站（外部連結）
詳細解釋GPU和CPU方法之間的技術差異以及硬體演進速度的差異
第五屆將棋AI傳龍大賽的冠軍翡翠是誰？ （外部連結）
發現Hyousui的開發者是大森雄平，以及NNUE系統的技術創新
dlshogi – 維基百科（外部連結）
本文概述了將棋，闡述了其發展理念，以及藤井龍夫如何運用將棋。
NNUE – 維基百科（外部連結）
NNUE 的技術細節、其概念由 Yu Nasu 提出，以及 Stockfish 如何採用它。
第四屆世界將棋AI傳龍錦標賽決賽獲勝者報告（外部連結）
瑞商的勝利故事：NNUE 與深度學習的較量，以及搜尋部分的改進細節
[編者註]
在將棋AI的世界裡，不同的技術理念並存又相互競爭。是GPU深度學習的宏觀視角，還是CPU高速搜尋的深度洞察？這個問題似乎揭示了AI發展的本質：沒有萬能的解決方案。 12月6日開始的直播將邀請職業將棋棋手進行解說，讓觀眾得以一窺不同AI如何看待棋局。即使是沒有技術背景的人，也能藉此機會體驗AI的個性和思考方式的差異。哪一種方法比較吸引你？或許在第六集中，一種全新的方法將會脫穎而出。
