3.8 Leela Chess Zero 概念（进阶）
国象的最后一条路线（进阶）。第二章我们在五子棋上亲手训了 AlphaZero；同样的思想搬到国象，就是 Leela Chess Zero（Lc0）。这一节讲清它和 NNUE 路线的区别，并诚实地谈一谈：用你这一张 5070 Ti，到底能做到哪一步、不能做到哪一步。
一、Lc0：AlphaZero 思想在国象的化身
还记得 1.1 说过 AlphaGo 没开源、但社区把它复现并超越了吗？Leela Chess Zero 就是国象版的同类故事：它把 AlphaZero 那套“策略/价值网络 + MCTS + 自对弈”原样用到国象上，完全开源、社区用海量分布式算力从零训练，棋力已达世界顶级。它和你第二章造的五子棋 AlphaZero 是同一个飞轮，只是棋种换成了国象、规模大了无数倍。
这样国象就有了两条并行的神经网络路线，正好对照：
| NNUE（如 Stockfish） | Lc0（AlphaZero 式） | |
|---|---|---|
| 网络角色 | 小网络当评估函数 | 大网络当策略+价值 |
| 搜索 | 经典 α-β（每秒千万局面） | MCTS（每秒少量、但每个更准） |
| 跑在 | CPU 很快 | 偏爱 GPU |
| 对应本课 | 3.5 / 五子棋 2.8 混合 | 五子棋 2.7 AlphaZero |
有意思的是，这正是 2.8 末尾埋下的呼应：“神经网络评估 + 经典搜索”（NNUE）和“神经网络 + MCTS 自对弈”（Lc0）是当今最强的两种范式——在五子棋和国象上，它们都各有化身，且互相竞争、不分伯仲。
二、5070 Ti 的现实边界：诚实地说
这里必须给你一句大实话，免得你设定不切实际的目标：从零训练一个世界级的 Lc0，不是单卡能做到的事。真正的 Lc0 用的是全球志愿者贡献的、成千上万张 GPU 累计数年的分布式自对弈算力。你的 5070 Ti 虽然很强，但和那个量级差着好几个数量级。
那单卡能做什么？很多，而且足够有价值：
- 直接跑现成的 Lc0 权重：下载社区训练好的网络，在你的卡上推理、对弈、分析——立刻拥有一个顶级 AZ 式国象引擎，零训练成本。
- 做缩小版的“概念验证”训练：在小棋盘变体、或限定开局/残局上，从零跑通整个自对弈飞轮——目标是理解并验证流程，而非追求棋力。这和第二章井字棋迷你 AlphaZero 的教学定位一脉相承。
- 微调（fine-tune）：在现成权重上用自己的数据做小幅调整，远比从零训练省算力。
一个贯穿全课的判断在这里再次成立：认清算力边界，是工程能力的一部分。与其在单卡上幻想复刻 Lc0 而徒劳，不如“跑现成权重 + 小规模验证流程”——把算力花在能产出结果的地方。这也呼应 1.7 的提醒：训练前先想清楚“这台机器能干到哪一步”。
三、小结与下一节
- Lc0：AlphaZero 思想的国象开源化身，与你第二章造的五子棋 AZ 同一飞轮。
- 两条神经网络路线：NNUE（小网络当评估 + α-β）vs Lc0（大网络 + MCTS），对照五子棋的混合引擎 vs 纯 AlphaZero。
- 5070 Ti 边界：从零训世界级 Lc0 不现实；但跑现成权重、缩小版验证流程、微调都可行且有价值——认清边界是工程能力。
国象的所有路线都讲完了。下一节 3.9 Capstone 是整门课的终章：国象人机对弈、多引擎评测，并把三个棋种的引擎统一成 ANIMA 可调用的“下棋技能”集合，给全课画上句号。