很多人对 AlphaGo 的印象停留在"2016 年那场人机大战"，但真要自己动手写一个能下棋的围棋程序，才会发现卡点根本不在"知不知道深度学习"这件事上——而是棋盘状态怎么表示、策略网络和价值网络各自输出什么、自我对弈的数据怎么回灌进训练循环，这些环节没有一个能靠看新闻补上。

这门课面向的是已经有 Python 基础、但没真正跑通过一个完整强化学习项目的人。它不打算把你送进 AI 研究岗，只是把 AlphaGo 这条技术路线拆成可以动手实现的阶段，缺哪块补哪块。

先确认你缺的是哪一块

如果你已经能熟练用 Python 写类、处理数组、读懂基本的 numpy 张量操作，那门槛是够的。但如果你对"神经网络训练"的理解还停在调 model.fit()，或者对"强化学习"只记得 Q-learning 的表格形式，那这门课会有一段不适应期——因为 AlphaGo 用的是深度网络加自我对弈，不是查表。

具体来说，下面几种情况都能在这门课里找到对应的落点：

知道卷积网络能处理图像，但没想过棋盘也能当成多通道输入喂进去；
看过多篇介绍 MCTS（蒙特卡洛树搜索）的文章，却说不清它和神经网络在一步棋里到底谁先谁后；
能写监督学习训练脚本，但不知道自我对弈产生的胜负标签该怎么定义、怎么用；
想验证自己写的东西是否真的"变强了"，却没有一套对弈测试的流程。

课程会把哪几段路走完

内容沿着一条完整的工程链路推进：先把围棋数据和棋盘状态的表达方式定下来，再训练一个能给出落子倾向的神经网络，然后进入强化学习阶段，让程序通过自我对弈不断收集经验、调整策略。最后是对弈测试环节——不是随便下几盘看看，而是用可量化的方式判断训练前后的差距。

这条链路的价值在于它把"深度学习"和"强化学习"从两个孤立的词，变成同一个循环里的两个环节：网络给出初步判断，搜索负责在实战中做修正，对弈结果又反过来成为下一轮训练的素材。走完一遍，你会对"策略网络""价值网络""自我对弈""树搜索"这些概念的相互关系有具体的体感，而不是背定义。

配套练习该盯住什么

这类项目最容易出现的情况是"照着写能跑，改一点就崩"。所以练习环节值得关注的是那些需要你自己做决定的地方：棋盘状态的维度怎么定、训练轮次和自对弈局数怎么配比、对弈测试用什么样的对手来当基准。这些参数没有唯一正确答案，但改了之后结果会不一样，这正是检验你是否真的理解流程的方式。

建议在跟随实现的同时，留一份自己的记录：每一步改动之后，程序的胜率或落子质量有没有变化。这比单纯把代码跑通更有用。

学完之后应该能回答的问题

给定一个围棋棋盘局面，输入神经网络的张量具体长什么样？
策略网络的输出和价值网络的输出，在一步落子决策中分别起什么作用？
自我对弈产生的数据，标签从哪来，怎么进入训练？
如果去掉搜索环节只用网络直接下棋，棋力大概会掉到什么程度，为什么？
怎么设计一个简单的对弈测试，说明训练确实让程序变强了？

如果这几个问题你现在答不上来，那这门课的定位就很清楚：不是让你"了解 AlphaGo"，而是让你能把这条链路自己走一遍。