我打造了 MistyJungle，一個用 Rust 寫的古典鬥獸棋引擎，棋盤為 7×9，這個遊戲通常被稱為 Jungle 或 Animal Chess。你可以 在 Mistboard 上與 MistyJungle 對戰。它使用 alpha-beta 搜尋、手工評估、重複局面處理，而對戰版本中沒有任何神經網路。

成果範圍不大，但確實存在。對上我能執行的最強開源引擎，200 局中取得 W11-L2-D187，在一個偏和棋的遊戲裡約為 +16 Elo，而它的四子殘局著法與精確殘局庫一致，沒有任何勝／和／負的錯誤。我原本預期會有幫助的兩項升級，也就是學習式評估與搜尋葉節點的殘局庫，都沒有效果。是古典搜尋完成了工作。

我做了什麼

一個獨立的 Rust 引擎，帶有小型的 UCI 風格協定，可從命令列使用，也可透過 PyO3 從 Python 使用。強度由節點預算決定，而不是時鐘，所以同一個局面在任何機器上都會回傳同樣的著法。

技術堆疊很常規：帶迭代加深的 negamax alpha-beta、Zobrist 置換表、對吃子與進獸穴的靜態搜尋，以及搭配 PVS 與後期著法削減的 killer／history 著法排序，底下是評估子力、獸穴競速、陷阱、水域與機動性的手工評估。這些排序與剪枝的打磨，在固定節點預算下實測價值 +49 Elo。

在學習式修正能帶來任何東西之前，評估本身必須先精確。鬥獸棋子力權重很重，卻充滿尖銳的例外：鼠能制象、落入陷阱的棋子失去等級、踏進獸穴一步就結束棋局。

規格

雙方各有八隻動物在 7×9 的棋盤上，踏進對手獸穴或吃掉對方所有棋子即獲勝。規則因地區而異，所以確切的規則集很重要。我採用 2026 年 6 月版的 Mistboard／維基百科規則，其中狗高於狼（有些來源把兩者互換）。

吃子等級，由強到弱

象
獅
虎
豹
狼
狗
貓
鼠

每種動物可以吃掉右邊的動物。鼠另外還能吃象。位於對手陷阱中的棋子等級視為零。

除了單純依等級吃子之外，還有三條規則賦予這個遊戲戰術性：

  • 鼠能吃象，但只限陸上。最弱的棋子能吃掉最強的棋子。不過吃子不能跨越岸邊，所以游進水中的鼠除了另一隻鼠之外誰都吃不到。
  • 獅與虎可以跳河。只有鼠能進入水域。大型貓科動物則可整條河跳到對岸，獅可橫向或縱向跳，虎只能縱向跳，除非有鼠待在水中阻擋跳躍。
  • 落入陷阱的棋子失去等級。每個獸穴周圍的三格是陷阱。站在其中的敵方棋子等級降為零，因此任何棋子，甚至是鼠，都能吃掉它。

完整規則與可下的棋盤：mistboard.com/rules/jungle。

結果

在一個強引擎多半互相和棋的遊戲裡，取得了小幅優勢：

測試 結果
開源基準對局，200 局 W11-L2-D187，約 +16 Elo
搜尋打磨（排序、PVS、LMR） +49 Elo，成對自我對戰，p = 0.008
四子殘局庫檢驗 779/800 相符，0 個勝和負矛盾
五子與六子 對上深 8 倍的搜尋達 >99%（代理指標，非證明）
搜尋葉節點的殘局庫 W37-L40-D3，約 -13 Elo
殘差式神經評估 最佳約 -70 Elo

那 +49 是最難測的一項。兩個實力相當的鬥獸棋引擎和棋太多，無法用勝率門檻判定，所以我採用成對、換邊的自我對戰（每個開局兩邊都下一次，新搜尋對舊搜尋），並對有勝負的對局做符號檢定。

資料

殘局與求解進度現況

小型殘局可以用逆向分析攻破，而它們是絕佳的評判者。Van Rijn 與 Vis 於 2013 年在萊頓解出四子，Bohrweg 在 2016 年達到七子（採用萊頓慣例，狗與狼互換）。我的引擎在 800 個局面中有 779 個與精確的四子著法相符，沒有任何勝和負矛盾，並在五子與六子時與深 8 倍的搜尋一致度超過 99%。

那個七子資料庫就是前沿，而再往上的牆是儲存空間，不是求解技術。問題出在棋盤：63 格對上翻棋鬥獸棋的 16 格，因此每多一個棋子就有約 60 個空格可站，而不是十來個，各層級的大小成長速度約快五倍。五子的翻棋鬥獸棋在我的筆電上只要 2.8 GB；五子的鬥獸棋則約需 7 TB。八子以上，也就是開局子力的一半，作為資料庫是遙不可及的，而完整十六子遊戲也沒有人做出前向證明。鬥獸棋已解到七子，之上仍未解決，而且很可能會維持這樣。

在搜尋葉節點載入殘局庫對棋力同樣沒有幫助（約 -13 Elo）：在能塞得下的規模，搜尋本來就找得到答案；而真正會有幫助的規模則無法交付。翻棋鬥獸棋那次建置留下一個警示，同樣的實驗一開始讀起來是零效果，後來卻發現藏著一個錯誤：那些表只存勝／和／負而沒有距離，而只有勝和負的葉節點會讓引擎永遠守著已勝的殘局卻不把它下完，因為每個獲勝著法評分都一樣。把將死距離加進表中修好了那邊的收官。我的鬥獸棋葉節點探測同樣只有勝和負，所以那 -13 有一部分可能是同樣的效應，而不是殘局庫在葉節點沒用。這點未經測試；無論如何，交付的古典引擎都不含這個探測。

學習式評估

這一項卡在資料上，不是架構。一個殘差網路（手工評分加上有界的修正）隨著我修正標籤，從 -470 Elo 爬到約 -70 Elo，但始終沒贏過手工評估。標籤最弱的地方，正好就是網路最需要幫助的地方：和棋偏多的自我對戰對子力變化取樣不足，精確的殘局庫標籤只涵蓋小型殘局，而搜尋分數標籤大多只是教網路模仿它已經有的搜尋。

AlphaZero

仍是未完成的工作。我沒有跑完整的鬥獸棋 AZ 攀升。相鄰的暗棋 AZ 風險驗證未通過門檻，但那是不同的遊戲，並不能推翻 AZ 在鬥獸棋上的可行性，鬥獸棋其實是更友善的環境：確定性、完全資訊，沒有機率節點的揭示。我把它擱下，是因為便宜的那一階是負面結果，而古典引擎已經打贏了基準。

對局範例

這場比賽大多是和棋，但有勝負的對局顯示出優勢的形狀：先是獸穴壓力，子力其次。這些重播從接近轉化的地方開始，想看開局請往左拖。用 Tab 鍵切到棋盤，再用左右方向鍵逐著瀏覽。

MistyJungle（黑方）建立子力領先，最後以獅進入紅方獸穴收官：

另一局黑方獲勝，是較短的擠壓，在陷阱附近交換後最後一枚棋子抵達 d1：

一局紅方獲勝，顯示為什麼不能只數子力：MistyJungle 損失子力，卻贏得獸穴競速：

存下來最長的一勝，紅方磨了 283 著才抵達獸穴：

引擎每著 8M 節點的自我對戰，約每著五秒：一場長時間的均勢鬥爭，紅方守著一子優勢達四十著，然後轉化並把獅走進黑方獸穴：

更戲劇化的一局，同樣是 8M 節點的鏡像對局：紅方讓黑方保有象、獅、虎，子力落後十六點，卻仍然獲勝，靠的是在子力差距發揮作用之前先把鼠送進獸穴。這最清楚地說明了引擎實際在最佳化什麼：

結論

MistyJungle 是一個古典搜尋引擎，對我能執行的最強開源引擎擁有小幅、已實測的優勢。真正提升棋力的工作並不光鮮：正確的規則、固定預算的量測、換邊測試、搜尋打磨，以及殘局驗證。殘局庫是好的評判者，但在葉節點沒有幫助；神經網路的第一階輸給手工評估；而真正的 AlphaZero 攀升仍是未完成的工作。

資源：