Euclidean Go：一个能在任意欧几里得铺砖上运行的几何盲围棋引擎

介绍Euclidean Go项目——一个革命性的围棋引擎，通过图神经网络实现几何盲设计，可在正方形、六边形、三角形、阿基米德铺砖甚至非周期性彭罗斯铺砖上运行，无需重新训练。项目由Alexandre Dufour-Richard开发，2026年6月发布于GitHub。

围棋数千年来局限于19×19方格棋盘。Euclidean Go提出核心问题：围棋本质是几何形状还是图结构关系？其答案是后者——围棋本质为图游戏（棋子为节点，连线为边，规则不依赖网格形状）。

关键技术包括：

1. 规则引擎：基于图结构处理提子、禁止自杀、超级劫（Tromp-Taylor规则+Zobrist哈希）及区域计分；
2. MCTS：AlphaZero风格的PUCT搜索（Python/C++实现），在图结构上展开；
3. 神经网络：几何盲设计，仅操作BoardGraph，采用拉普拉斯特征向量位置编码（无坐标信息），特征含游戏状态、节点度数、边界距离等；
4. 铺砖编译器：将11种欧几里得均匀铺砖、矩形、彭罗斯铺砖转为统一图表示；
5. 训练：纯自对弈（无人类棋谱），混合铺砖训练数据。

实验显示：

• 正方形棋盘：达到业余级水平；
• 非正方形铺砖：混合训练网络优于仅正方形训练的专家网络；
• 零样本迁移：对未见过的铺砖（如部分阿基米德铺砖、更大彭罗斯区域）无需微调即可推理，证明学习了铺砖无关概念而非网格记忆。

1. Python服务器：完整功能（领地估计），需Python/PyTorch，命令：uv run python scripts/play.py；
2. 纯网页应用：离线可用，打开webapp/tilinggo.html；
3. 原生macOS应用：高性能（C++/Accelerate优化，每步约0.3秒，适配Apple Silicon），构建命令：python scripts/build_native.py。

学术价值：深度学习泛化能力的试验场，探索图神经网络在策略游戏、零样本迁移、几何不变性学习等方向；开源：Apache-2.0许可证，含自对弈权重，为研究者提供平台。

Euclidean Go代表AI游戏研究新方向——将棋盘视为可塑图结构而非固定几何，实现真正泛化。作者名言：“棋盘是数据，不是架构”。项目链接：GitHub（https://github.com/vonduffen/euclidean-go）、在线体验（https://vonduffen.github.io/euclidean-go/）。