閱讀來源：Schut 2025

核心論點

我們通常把 AI 系統當成解決問題的機器：它做人做得到的事，只是更有效率。作者提出另一個目標：把 AI 當成「學習機器」，要它把決策背後的原理教給我們（Schut et al. 2025: §1）。

他們的主張分三步（Schut et al. 2025: §1.4）：首先，AlphaZero（AZ）編碼了人類沒有的西洋棋知識；其次，有方法能從 AZ 的內部表徵中抽出新穎而可教的概念；最後，這些概念能傳給人類的頂尖專家。實驗中，四位前任或現任世界冠軍級的特級大師研究過 AZ 的解法後，在沒看過的題目上表現提升（Schut et al. 2025: §4.1）。

機器獨有的知識

作者以 M 代表機器知道的，H 代表人類知道的（Schut et al. 2025: §1.1）。兩者都知道的是 M∩H，只有機器知道的是 M−H。既有的可解釋性研究，大多試著把 M 硬塞進 M∩H；作者認為，能增強人類的是 M−H。他們舉 AlphaGo 對李世乭第二局的第 37 手為例：這手棋出乎評論者和李世乭本人的意料，至今人們仍拿它當超人知識的代表。

作者選擇西洋棋，有幾個理由（Schut et al. 2025: §1.2）。人類累積了很長時間的西洋棋知識，H 的範圍相對清楚；Elo 等級分也能量化人與機器的能力。而且，自從 Deep Blue 與 Kasparov 對局以來，引擎早已超越人類，M−H 很可能存在。但作者指出，人類至今利用引擎的方式，主要是請它評估某個局面或著法，或者研究它的對局、自己整理出模式；這仍是透過 H 的眼光看 M。

作者的假說是，M−H 存在而且可教（Schut et al. 2025: §1.3）。對特級大師而言，M−H 也許正落在 Vygotsky 所說的近側發展區（zone of proximal development）：學習者獨立做不到、但在指導下做得到的範圍。在其他領域，傳達 M−H 可能需要新的語言；在西洋棋，作者不需要新語言，因為冠軍棋手能從最佳著法的範例中辨認、學會新概念。

概念是什麼

作者把概念定義為「知識的單位」（unit of knowledge）（Schut et al. 2025: §2.1）。這個定義有兩個要點：概念含有知識，也就是對解決某個任務有用的資訊；「單位」則表示它是精簡的，去掉了無關的資訊。他們用鳥喙當例子：學會鳥喙這個概念的人，能用它辨認鳥的喙。這個定義有很多種操作化的方式，作者選的是：概念要能傳給另一個行動者，幫它解決任務。

技術上，作者假設概念以線性方式編碼在神經網路的內部表徵空間中（Schut et al. 2025: §2.2）。他們找的是動態概念（dynamic concept）：會引出計畫的概念，而計畫是有理由的一連串行動（Schut et al. 2025: §2.3）。所有計畫的最終目標都一樣，是贏或和；但在特定局面中，計畫會有特定的工具性目標，例如在有利的位置吃掉某個子，或擴大對棋盤的控制。

篩選：可教性與新穎性

這套方法會找出大量候選概念，作者再以兩道篩選，留下可教而新穎的（Schut et al. 2025: §3.2）。

可教性。 作者要的學生，是懂西洋棋、卻還不懂這個概念的行動者。從零訓練一個學生太難，他們便從 AZ 的訓練存檔中挑：在這個概念的原型（prototype，即題目與 AZ 的解答）上，和完整 AZ 選同一個最佳著法的比例低於兩成的存檔中，最晚的那一個（Schut et al. 2025: §3.2.1.2）。教的方式，是用一部分原型調整學生的參數，讓它的著法分布貼近老師的；再拿學生沒看過的原型測試，看它和老師選同一手的比例（Schut et al. 2025: §3.2.1.3）。老師比學生強，教什麼學生都可能進步，所以作者另用隨機抽出的 AZ 局面訓練學生，當作對照（Schut et al. 2025: §3.2.1.4）。結果，用概念原型訓練的學生進步更多；測試題目既然是學生沒看過的，作者認為可以排除死記（Schut et al. 2025: §3.2.1.5）。作者說，依上述條件選學生，結果濾掉了 97.6% 的候選概念，但沒有說明這些概念是怎麼被濾掉的（Schut et al. 2025: §3.2.1.5）。

新穎性。 作者先找出兩個相差 75 Elo 的 AZ 版本選擇不同著法的局面，因為訓練後期才學會的概念比較可能複雜（Schut et al. 2025: §3.2.2.1）。接著，分別以 AZ 對局與人類對局的表徵為基底重建概念向量，只留下 AZ 基底重建誤差較小的概念（Schut et al. 2025: §3.2.2.3）。這一步再濾掉 27.1%。

作者也承認，新穎性很難用質性方式確立（Schut et al. 2025: §3.2.2.2）。新的複雜概念，可能和犧牲子力、動態補償這些既有的一般概念有關。任何自然語言描述都會像既有概念，因為字詞本來就連著既有的觀念；真正新的概念，可能需要新的詞。他們的方法也不提供文字描述，所以改用量化指標，避開主觀判斷。

特級大師實驗

實驗分三個階段（Schut et al. 2025: §4）：

1. 建立基準：棋手解一組對應某些概念的題目。
2. 向 AZ 的計算學習：棋手再看同一組題目，以及 AZ 依 MCTS 算出的最佳延續。作者說這是最簡單的教法，也避開了自動產生解說可能出錯的地方。
3. 評估：棋手解同一批概念中沒看過的題目，和基準比較。

全程不告訴棋手題目背後是哪個概念，但請他們寫下自己的思考過程。每位棋手看 3 到 4 個概念、每個概念 4 題，而且每人拿到的概念不同；作者說這是為了探索更多概念，因為事先很難知道哪些概念人類學得會。

結果，四位棋手都進步了（Schut et al. 2025: §4.1）。表 2 的數字分別是：0/12 到 5/12、4/12 到 7/12、3/12 到 5/12、6/16 到 7/15。「解對」的標準，是與 AZ 的解法一致。以概念計算，平均每個概念多解對 0.85 題，標準誤 0.12；13 個概念中，8 個進步，3 個不變，2 個退步。

棋手在質性回饋中說這些想法「聰明」「很有趣」，也常說它們「是新東西」「不自然」（Schut et al. 2025: §4.2.1）。他們覺得題目「很複雜，不容易看出該做什麼」；看過解答後，仍說這是「很好的想法，但很難發現」。

作者舉了一題為例（Schut et al. 2025: §4.2.3）。特級大師下了 9.Be3，這是合乎發展子力、控制中心等一般原則的自然一手。 AZ 則下 9.Bg5，先逼黑方走出 h6 這個弱點，再退回 e3；之後的變化裡，AZ 犧牲了后。依一般原則，不該用價值 9 分的后換價值合計 6 分的馬和象；但 AZ 的犧牲是為了長期利益，犧牲之後白方繼續發展子力。作者指出，關鍵在黑方 h6 那個兵：兵在 h6，黑王就容易受攻擊，白方占優；兵不在 h6，白方就輸了。

作者承認的限制

樣本很小。 受試者是世界頂尖棋手，人數很少，結果只能當作概念驗證（Schut et al. 2025: §4.1.1）。

干擾因素。 題目難度不一、概念本身的可教性、想太多，都可能影響表現（Schut et al. 2025: §4.1.2）。進步也可能部分來自實驗讓棋手傾向尋找更複雜、更反直覺的模式，而不是他們理解了特定的概念。作者認為頂尖棋手平時就會尋找不明顯的想法，所以比較不容易受這種影響，但影響有多大並不清楚。

概念說不清楚。 作者坦言，他們對概念的描述只是盡力而為；這些概念很複雜，描述未必完全掌握它們的深度（Schut et al. 2025: §4.2.2）。從 AZ 的角度看，同一個概念的幾個例子究竟有什麼共同點、是什麼讓它們成為一個獨立的概念，作者說「也許並不清楚」（Schut et al. 2025: §4.2.3）。他們提出圖論分析作為起點，找出新概念和「空間」「回吃」等既有概念的關係（Schut et al. 2025: §4.2.4）。

人與 AZ 的差異

作者推測，人與 AZ 的內部表徵不同，有兩個來源（Schut et al. 2025: §6）。一是對概念的先入之見：哪些概念適用、多重要、怎麼和其他概念組合；例如 AZ 比較不看重子力價值，也更能靈活地在棋盤兩側之間轉換。二是下棋的動機與目標：AZ 受訓練是為了下出最佳著法，不是為了競爭；人類棋手則會利用對手在棋力、時間或體力上的弱點。

作者最後提議，未來可以加入互動：讓人類自己走棋，並詢問 AZ 會怎麼應（Schut et al. 2025: §6）。這能讓人類探究反事實情境，更深入地理解 AZ 為什麼不選他們的解法。