簡而言之

  • MistyJungle 是一個以 Rust 寫成的傳統鬥獸棋引擎，對上我能執行的最強開源引擎拿下 W11-L2-D187，約 +16 Elo。
  • 在 800 個局面中有 779 個與精確的四子殘局庫相符，且沒有任何勝／和／負判斷錯誤。
  • 我原本預期有幫助的兩項升級都沒用：學習式評估從未勝過手寫評估，而在搜尋葉節點使用殘局庫則損失約 13 Elo。
  • 已發表的殘局資料庫止步於四子，完整遊戲很可能仍是未解之局。

我做了 MistyJungle，一個以 Rust 寫成的傳統鬥獸棋引擎，棋盤為 7×9，英文通常稱為 Jungle 或 Animal Chess。你可以 在 Mistboard 上與 MistyJungle 對弈。它使用 alpha-beta 搜尋、手工打造的評估、重複局面處理，對弈版本中沒有任何神經網路。

10 月 7 日更新：MistyJungle 已不再是 Mistboard 上最強的鬥獸棋機器人。9 月，自我對弈類神經網路 KataGo-AnimalChess 在 200 局中以 82-0 外加 118 局和棋擊敗了它，奪下最高席位；MistyJungle 現在是排在它下面、較容易對付的機器人。

成果不大，但真實。對上我能執行的最強開源引擎，200 局拿下 W11-L2-D187，在一個偏和棋的遊戲裡約為 +16 Elo，而它的四子殘局下法與精確殘局庫相符，沒有任何勝／和／負判斷錯誤。我原本預期有幫助的兩項升級，學習式評估與搜尋葉節點的殘局庫，都沒有奏效。真正發揮作用的是傳統搜尋。

我做了什麼

一個獨立的 Rust 引擎，附帶小型的 UCI 風格協定，可從命令列使用，也可透過 PyO3 從 Python 使用。棋力取決於節點預算，而不是時鐘，因此同一個局面在任何機器上都會回傳同一著。

技術堆疊很常規：帶迭代加深的 negamax alpha-beta、Zobrist 置換表、對吃子與進獸穴著法的靜態搜尋、killer/history 著法排序搭配 PVS 與後期著法削減，底下是一套手工打造的評估，計算子力、獸穴競速、陷阱、水域與機動性。這些排序與剪枝的打磨，在固定節點預算下實測值得 +49 Elo。

評估必須先做到精確，學習式修正才可能帶來任何增益。鬥獸棋子力權重很重，卻充滿尖銳的例外：鼠制象、落入陷阱的棋子失去階級、一步踏進獸穴就結束比賽。

規格

雙方各有八隻動物在 7×9 的棋盤上，踏進對方獸穴或吃掉對方所有棋子即勝。規則因地區而異，所以採用哪一套很重要。我用的是 2026 年 6 月時的 Mistboard 規則，其中狼大於狗（有些資料把兩者互換）。其中一條規則後來改了：當時虎只能縱向跳河，這個讀法來自英文維基百科，而中文規則（騰訊的 QQ游戏、萊頓的頁面）給虎與獅相同的跳躍能力。Mistboard 與 MistyJungle 0.0.6 在 2026 年 9 月改用中文規則；本文中的棋局是在舊規則下進行的。

吃子順序，由強到弱

象
獅
虎
豹
狼
狗
貓
鼠

每隻動物可吃其右方各子。鼠另可吃象。位於對方陷阱中的棋子階級視為零。

除了單純的按階級吃子之外，還有三條規則造就了這個遊戲的戰術：

  • 鼠可吃象，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，因此游入水中的鼠除了另一隻鼠之外不受任何威脅。
  • 獅與虎可跳河。只有鼠能進入水中。大貓則改為橫向或縱向整條跳過河到對岸，除非有鼠停在水中阻擋跳躍。
  • 落入陷阱的棋子失去階級。每個獸穴周圍的三格為陷阱。站在其上的敵方棋子階級降為零，因此任何棋子，甚至是鼠，都能吃掉它。

完整規則與可對弈棋盤：mistboard.com/rules/jungle。

結果

在一個強引擎多半下成和棋的遊戲中取得的小幅優勢：

測試 結果
開源基準，200 局 W11-L2-D187，約 +16 Elo
搜尋打磨（排序、PVS、LMR） +49 Elo，配對自我對弈，p = 0.008
四子殘局庫核對 779/800 相符，0 次勝／和／負矛盾
五子與六子 對上深度 8 倍的搜尋 >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

+49 是最難量測的一項。兩個實力相當的鬥獸棋引擎和棋太多，無法用勝率作為門檻，所以我採用配對、交換先後手的自我對弈（每個開局都下正反兩遍，新搜尋對舊搜尋），再對決勝局做符號檢定。

資料

殘局與求解進度的現況

小型殘局可用逆向分析攻克，而且它們是極佳的裁判。Van Rijn 與 Vis 於 2013 年在萊頓解出四子（依萊頓慣例，狗與狼互換），此後我找不到更大的已發表結果。我的引擎在 800 個局面中有 779 個與精確的四子下法相符，沒有勝／和／負矛盾，並在五子與六子上與深度 8 倍的搜尋吻合超過 99%。

四子資料庫仍是前沿，而擋在其後的牆是儲存空間，不是求解技術。問題出在棋盤：63 格對上翻棋鬥獸棋的 16 格，因此每多一子就有大約 60 個空格可站，而不是十來個，每一層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，也就是初始子力的一半，以資料庫形式已不可及，也沒有人對完整十六子的遊戲做出正向證明。鬥獸棋已解到四子，之上仍未解，而且很可能維持這樣。

2026 年 9 月 27 日更正：本文先前的版本稱前沿為七子。這個數字來自一篇 2019 年論文中的引用，查證後發現它指向萊頓一篇關於 Jungle Checkers 的論文，那是另一種遊戲。

在搜尋葉節點載入殘局庫對棋力也毫無助益（約 -13 Elo）：在容得下的規模上搜尋本來就能找到答案，而真正需要幫助的規模則根本做不出來。來自翻棋鬥獸棋版本的一點提醒是，同一個實驗一開始也顯示為無效，後來才發現藏著一個錯誤：那些表只儲存勝／和／負而沒有距離，而只有勝／和／負的葉節點會讓引擎在已勝的殘局裡無限拖延而不收官，因為每一著獲勝著法的分數都一樣。把 DTM（將死距離）加進表裡就修好了那邊的收官問題。我的鬥獸棋葉節點探查同樣只有勝／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真的沒用。未經測試；無論如何，出貨的傳統引擎都不帶這個探查。

學習式評估

這部分卡在資料，而不是架構。一個殘差網路（手寫分數加上有界修正）隨著我修正標籤，從 -470 Elo 爬到約 -70 Elo，但始終沒能勝過手寫評估。標籤最弱的地方恰好正是網路最需要幫助的地方：和棋偏多的自我對弈對子力擺盪的呈現不足，精確的殘局庫標籤只涵蓋小型殘局，而搜尋評估值的標籤大多只是教網路模仿它本來就有的搜尋。

AlphaZero

仍是未完成的工作。我沒有跑完整的鬥獸棋 AZ 攀升。鄰近的暗棋 AZ 風險驗證沒過門檻，但那是不同的遊戲，並不能否定 AZ 在鬥獸棋上的可行性，而鬥獸棋是更友善的場地：決定性且完全資訊，沒有機率節點的揭示。我把它擱置，是因為便宜的那一階是負面的，而傳統引擎已經勝過基準了。

對局範例

這場對抗賽大多是和棋，但決勝的棋局顯示了優勢的形狀：先施加獸穴壓力，子力其次。棋盤是從接近轉化的位置開始呈現的，想看開局請往前回放；全部六局都收在 Mistboard 上的一份研究裡。它們是在 Mistboard 到 2026 年 9 月前使用的「虎只能縱向跳河」規則下進行的。

MistyJungle（黑方）建立子力優勢，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，在陷阱周圍的兌子之後，最後一子抵達 d1：

一局紅方獲勝，說明為什麼不能只算子力：MistyJungle 子力落後，卻贏下獸穴競速：

保存下來最長的一場勝局，紅方磨了 283 著才抵達獸穴：

引擎以每著 800 萬節點自我對弈，大約各五秒：一場漫長的均勢對抗，紅方守著一子的優勢四十個回合，然後完成轉化，把獅走進黑方獸穴：

更戲劇性的一局，同樣是 800 萬節點的自我對弈：紅方讓黑方保住象、獅、虎，子力落後十六點，卻仍靠著在子力發揮作用之前把鼠搶進獸穴而獲勝。這最清楚地說明了引擎實際在最佳化什麼：

結論

MistyJungle 是一個傳統搜尋引擎，對我能執行的最強開源引擎握有幅度不大但可量測的優勢。真正推動棋力的工作都不華麗：正確的規則、固定預算的量測、交換先後手的測試、搜尋打磨，以及殘局驗證。殘局庫很擅長當裁判，但在葉節點沒有幫助，第一階的神經嘗試輸給手寫評估，而真正的 AlphaZero 攀升仍是未完成的工作。

資源：