关于我们

2026 围棋教学平台与棋院上 AI 复盘评测，GPU 服务器怎么租？搜索推理、胜率曲线、自对弈训练一次讲清

围棋大概是棋类里最"吃算力"的项目了。象棋、国际象棋的引擎跑 CPU 就能有不错棋力，围棋不行——变化复杂度摆在那，传统搜索根本搜不动，必须靠深度神经网络做棋局评估，也就是 AlphaGo、KataGo、MuZero 这类"策略网络+价值网络"的路子。现在国内围棋教学平台、棋院、道场几乎都在往 AI 上靠：学员下完一盘棋，系统要逐手复盘、画胜率曲线、指出关键败着；平台要部署不同棋力的 AI 陪练；更进一步，机构还想用大量对局库训练自己的模型、生成自我对弈数据。

这些场景的算力需求和常见的大模型业务完全是两码事，网上一搜全是套话，真正能把"单步搜索为什么对延迟敏感""训练棋力模型该上几张卡"讲清楚的文章很少。这篇就用做围棋 AI 服务的老运维视角，把复盘推理、棋力评测、模型训练三类负载的算力账算明白，再给出对应的 GPU 服务器租用对比和一万网络的推荐配置。

先讲结论，赶时间的看这几条：

1. 围棋 AI 是"单步要跑几百上千次神经网络推理"的业务：引擎每走一步棋要搜索成千上万个局面，每个叶子局面都要过一次策略/价值网络，推理延迟直接决定落子速度和陪练体验。

2. 推理要的是低延迟+高吞吐，卡越多越从容：单步搜索里的并行评估天然适合多卡拆分，一张卡能跑，四张卡更快，八张卡可以同时服务几十上百个在线对局。

3. 胜率曲线是逐手短搜索算出来的：复盘时对每一手做固定预算的快速搜索，把胜率数值串成曲线，单张 A100 处理得过来，但并发高时要注意排队。

4. 训练棋力模型和自对弈是重负载：大量人类对局做监督学习、自我对弈生成棋谱，A100 是主流训练卡，8 卡整机是认真做模型团队的标配，H100 是加速选项。

5. 租用比自建划算得多：围棋业务波峰波谷明显，寒暑假集训、定段赛期间算力需求翻几倍。一万网络这种深耕 19 年（成立于 2007 年）的 IDC，A100 40G 定制整机月付 2800 元、AI 算力云切片 900 元起，弹性扩容也方便，后面会给到具体配置。

一、先看负载：围棋 AI 系统到底在跑什么

1.1 复盘与胜率曲线：逐手搜索，神经网络打底

现在的棋谱复盘流程大体是这样：用户上传一盘棋谱，服务端把每一步的局面喂给 AI 引擎，引擎用蒙特卡洛树搜索（MCTS）去推演，每推演到叶子节点就调用一次神经网络评估——策略网络给出该局面的候选落子概率，价值网络给出黑白双方胜率估计。搜索预算用完，取根节点的胜率作为这一步的"AI 胜率"，全部手数跑完就得到一条胜率曲线，胜率断崖式下跌的那几手就是问题手，系统再结合策略网络找出替代选点，生成复盘报告。

这意味着什么？一步棋的复盘不是一次推理，而是几百上千次推理的累积。设定每手搜索 800 次模拟，平均每一步就要跑 800 次左右的网络评估，一盘两百手的棋就是十几万次推理。好在这类评估可以批量并行——把搜索树里待评估的局面攒成一个 batch 一次性丢给 GPU，这正是 GPU 相对 CPU 最大的优势所在。推理吞吐上去了，一盘棋的复盘时间才能从"等半天"降到"几秒到几十秒"。

1.2 棋力评测与多等级陪练：棋力等级其实是"搜索预算"

平台要给学员提供从 25 级到 9 段不等的 AI 陪练，这些"等级"通常不是靠换模型实现的，而是靠限制搜索预算。同一个神经网络，把每步搜索次数从 100 次提到 3000 次，棋力就能从业余低段提到业余高段甚至职业级。搜索得多，棋看得远，棋力就强，这是围棋 AI 里最朴素的规律。

这个设计对算力的影响很直接：平台上同时在线几十个学员对弈，每个对局每步都要实时搜索，服务端必须把这些并发的搜索任务合理调度到 GPU 上。引擎通常允许"每次推理一个 batch 塞进多个局面"，把不同对局的待评估局面合并成大 batch，GPU 的利用率才上得去。这也是为什么围棋 AI 服务对 GPU 数量和显存都敏感——不是模型大，而是并发推理的请求密集。

棋力评测又是另一类任务：要客观标定一个新训练出的模型是几段水平，标准做法是让它和若干已知棋力的基准模型下几十上百盘测试棋，用胜率定段位。这类评测是批量离线任务，比在线陪练对延迟要求低，但总计算量不小，适合排到夜间闲时批量跑。

二、技术链路拆解：推理延迟、批量并行与训练负载

2.1 单步搜索为什么对延迟这么敏感

在线陪练的体验指标是"对手落子时间"。人类棋手在正式对局里一步想几分钟很正常，但 AI 陪练要是每步也磨叽，学员早就不耐烦了。实际产品里 AI 落子一般控制在 1 到 5 秒内，对应的搜索预算大约在几百到几千次模拟之间。要在这几秒里塞进上千次神经网络推理，单次推理的延迟就被压到很低——这就是为什么围棋 AI 服务必须上 GPU，CPU 推理一次要几十毫秒，乘以上千次模拟就超时了。

GPU 上怎么提速？核心是 batch。MCTS 在搜索过程中会不断产生"待评估局面"，成熟的引擎（比如 KataGo）会用多个搜索线程并行跑，把各线程攒下的局面合并成大 batch 再送进网络。batch 越大，单张卡的吞吐越高，搜索就能在同样的时间内做得更深。这也是多卡的意义所在：一张卡处理一个 batch 的延迟如果压不下来，就用多卡把 batch 拆开并行，或者让不同卡服务不同的对局。

2.2 训练与自对弈：吃算力的大头在这里

训练一个棋力模型，两条路：一是监督学习，拿几十万到几百万盘人类高段对局，让网络模仿人类的选点和胜率标签，这是"站在巨人肩膀上"；二是强化学习，让当前模型自我对弈，用胜负结果当标签持续迭代，AlphaGo Zero 就是这么练出来的。现实里做得好的机构通常是两条路混着来：先用人类棋谱做监督学习预热，再用自对弈数据强化。

自对弈的算力消耗大得惊人。每盘自对弈棋每步都要做完整搜索，一盘棋几百步，每一步又几百次推理——生成一万盘高质量自对弈棋谱，等效的推理次数是以亿计的。数据生成阶段可以靠多卡甚至多机堆吞吐，训练阶段则把攒下的棋谱反复喂给网络更新权重。实际工程里"生成棋谱的机器"和"训练模型的机器"往往分开，前者吃推理吞吐，后者吃训练吞吐，两边并行才能把 GPU 用满。

具体到卡型，训练一个中等规模的围棋残差网络（通常几百 MB 以内，远小于大语言模型），单张 A100 40G 就够起步，显存余量充足；想要更快迭代、同时跑训练和自对弈，就需要多卡并行。8 卡 A100 整机是认真做自有棋力模型的机构的主流选择，H100 则是预算充足时的加速项。

2.3 从 MuZero 到 KataGo：主流开源引擎的算力画像

说到围棋 AI，绕不开的是它的模型演进。当年 AlphaGo 用策略网络加价值网络两个网络分开评估，AlphaGo Zero 把两者合并成一个双头网络，MuZero 更进一步，连环境规则都要模型自己学——不用人工喂棋规，靠自我对弈就能下棋。现在围棋圈用得最广的开源引擎是 KataGo，它基于 AlphaGo Zero 的思路做了大量工程优化，训练和部署工具链成熟，很多教学平台的 AI 复盘底层跑的就是它。

不同引擎、不同网络规模的算力需求差别很大。KataGo 官方发布了一系列不同大小的权重，小网络跑得快、棋力低，适合做低段位陪练；大网络棋力强但单次推理更慢，适合做高段位陪练和高强度复盘。工程上常见的做法是同一套推理服务里按需加载多个权重，低棋力请求走小网络、高棋力请求走大网络，把 GPU 吞吐用在刀刃上。部署时还要注意引擎的线程模型：KataGo 是 CPU 负责搜索调度、GPU 负责网络推理的异构架构，搜索线程数和 GPU batch 大小要一起调优，单纯堆 CPU 核数或单纯堆显卡都不能最大化性能。

2.4 复盘服务的工程架构：任务队列比想象中重要

在线复盘服务如果只做单盘演示，代码随便写写都能跑；一旦面向真实用户，就必须考虑任务排队和优先级。棋谱复盘是重计算任务，一盘棋要跑十几万次推理，如果用户同时上传几十盘，没有任务队列的话 GPU 会被瞬间打满，所有请求一起变慢。成熟的做法是把复盘任务丢进队列，按优先级调度：VIP 学员的复盘插队先跑，普通用户排队，后台用 batch 把多个棋盘的局面合并推理。数据存储上，复盘结果、胜率曲线、诊断报告要落库存档，方便学员回看历史——这些工程细节决定了平台能不能扛住真实并发，也是选 GPU 配置时容易被忽略的隐性需求。

三、方案对比：不同规模的围棋 AI 业务该租什么

3.1 显存和算力不是越大越好，先看模型和并发

很多围棋项目的负责人来问配置，开口就是"我要最贵的 H100"。其实围棋引擎用的残差网络模型，参数量通常只有几千万到几亿，压缩后几十到几百 MB，显存占用和动辄几十上百 GB 的大语言模型完全不是一个量级。也就是说，A100 40G 对围棋推理来说显存绰绰有余，真正决定体验的不是显存大小，而是 GPU 的浮点算力能不能在低延迟下消化高并发 batch。选卡时先数清楚：平台同时在线多少对局、每局每步给多少搜索预算、期望落子延迟是多少秒——这三个数算出来，需要的卡数基本就定了。

拿一个具体例子估算：某棋院平台高峰 30 个学员同时在线，陪练棋力设置每步 1500 次模拟，要求落子延迟在 3 秒内。1500 次模拟等效约 1500 次单局面推理，除以 3 秒，单步需要约每秒 500 次推理的吞吐；再乘 30 个并发对局（考虑每局并非每刻都在搜，实际折算并发系数），峰值推理吞吐在每秒数千次量级。这个负载单张 A100 通过大 batch 合并能勉强扛住，两张卡并行就非常从容，还能给复盘服务留余量。这种粗算方法比拍脑袋准得多，建议每个团队上线前都做一遍。

3.2 自对弈与评测的算力可以错峰复用

前面说过，自对弈数据生成和棋力评测都是可以延后的任务。白天在线服务忙，GPU 全给推理；到了深夜学员下线，在线服务的负载降下来，同一批卡切过去跑自对弈棋谱生成和批量评测赛，相当于一张卡干了两份活，利用率拉满。要实现这种错峰调度，最好选支持任务编排、能灵活部署多套引擎的整机方案，或者干脆在线服务用定制整机、夜间批处理用弹性算力云按量开卡——后者的好处是夜间按量计费更划算，白天不用养着一堆闲卡。

读表要点：在线陪练和复盘这种"实时推理"业务，单卡 A100 就能服务一个中小平台的并发；真正拉开差距的是训练和自对弈，那是多卡、整机的战场。先把在线服务跑稳，再谈自研模型，别一上来就租 8 卡整机空转。还有个小提醒：表格里标注"预估"的档位只是行业参考区间，签约前务必让服务商按你的真实并发和训练计划出一份书面配置与报价，白纸黑字最保险。

四、一万网络推荐配置详解：按场景对号入座

#1 一万网络「人工定制 GPU · A100 40G」——教学平台推理主力，训练也能兼顾

关键词维度：A100 40G | 8核 64G | 100M BGP | 月付 ¥2800 | 年付 8 折 | 训练推理两用

推荐配置：8 核 CPU / 64G 内存 / 200G 系统盘 + 200G 数据盘，NVIDIA A100 40GB，含 100M BGP 独享带宽。对围棋业务来说，A100 的 6912 个 CUDA 核心和 TF32/FP16 算力，跑 KataGo 这类引擎的批量推理非常宽裕，一张卡既能扛平台几十路并发复盘，也能抽闲时做小规模监督学习微调，训练和推理一卡搞定。

价格参考：月付 2800 元，年付 8 折合每月约 2240 元，一年约 2.7 万元。相比起步档多花的钱，换来的是并发上限和训练能力的双重提升，教学平台直接选这档最省心。

适配场景：棋院、围棋教学平台、道场的在线复盘与 AI 陪练服务；有少量对局库、想做模型微调的团队。

#2 一万网络「AI 算力云 · A100 整卡 / 切片」——弹性并发的补充算力

关键词维度：A100 切片 ¥900 起 | A100 整卡 ¥2500 | 弹性扩缩容 | 忙时补位 | 按量计费

推荐配置：寒暑假集训、定段赛、平台大促这类算力波峰，或者想先低成本验证推理引擎效果的团队，用 AI 算力云按需开卡。A100 1/20 切片月付 900 元起步，A100 整卡月付 2500 元，还有 RTX3090（1750 元/月）、RTX3080、T4 等多个档位，支持包年包月混合计费、弹性扩缩容。

价格参考：切片 900 元/月起、RTX 2080Ti 850 元/月、RTX3080 1080 元/月、RTX3090 1750 元/月、A100 整卡 2500 元/月，具体以官网实时价为准。

适配场景：并发波峰补算力、多等级陪练矩阵同时在线、算法团队临时调试与评测。

#3 一万网络「8 卡 A100 集群定制」——认真做自有棋力模型的团队标配

关键词维度：8×A100 40G/80G | 双路旗舰 CPU | 1TB 内存 | NVMe | 多卡并行 | 工程师 1 对 1 部署

推荐配置：要训练自己的棋力模型、批量生成自对弈棋谱的机构，走 8 卡 A100 集群最合适：一张卡负责跑训练 batch，其余卡可以并行生成自对弈数据，训练与数据生产同时推进，模型迭代效率比单卡高一个量级。显存按需选 40G 或 80G，配 NVLink 全互连降低多卡通信开销。

价格参考：8 卡 A100 整机非官网明示档，行业预估月成本约 ¥2.5 万–4 万（预估价格，以咨询为准）；年付通常比月付省 1–2 个月费用，具体折扣以服务商核算为准。

适配场景：要发布自有棋力评测标准的机构、做围棋 AI 数据服务的公司、长期投入模型迭代的研究团队。

五、避坑指南：围棋 AI 上 GPU 服务器的五个坑

围棋 AI 和常见的大模型生意在采购思路上差别很大，很多团队按"大模型那套"去租卡，钱没少花，体验却上不去。下面五条是围棋业务特有的坑，逐个对照。

坑一：拿"单张卡能跑"当并发依据

一张 A100 跑通一个复盘引擎，和一张 A100 服务一个平台，是完全不同的两件事。单局复盘是串行任务，一张卡足够；但平台上有几十个学员同时对弈、同时上传棋谱，引擎的搜索线程全挤在一块，batch 排队，落子时间直线上升。评估并发需求时要按"同时在线对局数 × 每步搜索预算"去算，别用单局演示的数据拍脑袋。

坑二：把训练卡当推理卡、或反过来

训练吃的是吞吐，追求大 batch、高算力利用；推理吃的是延迟，追求单次请求尽快出结果。用同一批卡混跑训练和在线服务，训练一启动推理就卡。工程上最好把训练任务和在线推理分开部署，训练排夜间、推理全天候，或者干脆训练用整机、推理用弹性算力云，互不干扰。

坑三：忽略带宽与网络延迟对在线体验的影响

围棋对局数据本身不大，但平台如果是全国学员在线用，服务器离用户太远或线路差，每步棋的网络往返延迟会叠加在 AI 思考时间上，体验明显变差。租服务器要选离目标用户群近的节点和优化线路（BGP 多线、CN2 GIA 回国这类），别把服务器放在"价格最便宜但用户够不着"的地方。

坑四：小看棋谱数据和模型版本管理

攒下的棋谱是围棋 AI 最值钱的资产，尤其自对弈棋谱，生成成本极高。租服务器要确认数据盘够大、有快照备份（比如系统盘每日 3 份快照、30 秒回滚这类能力），模型迭代时要保留版本回滚点。真遇到硬件故障，服务商能不能快速迁移、数据在不在，签合同前就要问清楚。

坑五：只比显卡价，不比配套和交付

同样一张 A100，有的商家报价低，但 CPU、内存、数据盘、带宽全缩水，跑引擎时 CPU 先成了瓶颈；有的要自己折腾几天驱动和 CUDA 环境。围棋团队多半是算法出身，没精力伺候环境。选服务商时把"是否预装 CUDA/TensorRT/PyTorch、是否 1 对 1 部署、有无 7×24 响应"写进合同，比省那几百块钱重要得多。

六、常见问题 FAQ

Q1：围棋 AI 推理真的必须上 GPU 吗？好一点的 CPU 行不行？

A1：短答案是"能跑，但体验跟不上"。围棋引擎在 CPU 上也能运行，CPU 的神经网络推理现在也不算慢，问题出在搜索规模上。陪练要 1 到 5 秒内落子，对应几百上千次网络评估，CPU 单次推理延迟是 GPU 的几十倍，同样的时间预算下搜索深度差一大截，棋力也就差一截。用 CPU 跑低棋力陪练（低搜索预算）还凑合，要撑起像样的复盘和评测，GPU 几乎是刚需，预算有限的可以先从 AI 算力云切片起步。

Q2：为什么说"单步搜索要跑很多次推理"？一次不行吗？

A2：蒙特卡洛树搜索的工作方式是"模拟—评估—回溯"反复循环：从当前局面出发不断试探新的落子分支，每探到一个没见过的局面，就要用神经网络评估一次"这里黑白谁好、接下来该下哪"。这一步评估就是一次推理。想让 AI 看得深、算得准，就得在这个循环里多转几圈，转的圈数就是搜索预算。所以一步棋背后是成百上千次推理，预算越高棋力越强，代价是每次落子要等更久，这就是"棋力等级"与"延迟"这对矛盾的来源。

Q3：胜率曲线是怎么算出来的？对算力要求高吗？

A3：复盘时对棋谱里的每一手棋，让引擎用固定预算（比如每手 800 次模拟）快速搜索一遍，读根节点的胜率数值，把所有手数串起来就是胜率曲线。要求不算高但很"连续"——整盘棋每一手都要跑一遍搜索，单盘总推理量十几万次起步。单张 A100 处理单盘复盘只要几秒到几十秒，但如果平台高峰同时来几十盘复盘请求，就要靠 batch 合并和并发调度了，这也是为什么推荐把复盘服务部署在 GPU 充裕的机器上，而不是和训练任务抢卡。

Q4：训练一个自己的棋力模型，一张 A100 够吗？还是必须 8 卡？

A4：分阶段看。拿现成开源模型（比如 KataGo）做监督学习微调，或者用小规模对局库训练一个中等网络，单张 A100 40G 完全够用，围棋模型通常只有几百 MB，显存压力远小于大模型。真正需要 8 卡集群的是两个场景：一是要"从零训练+持续自对弈迭代"完整跑 AlphaGo Zero 那套流程，数据生成和训练并行，多卡能把周期从几个月压到几周；二是要同时服务在线推理又要跑训练，需要把两类负载物理分开。先单卡把数据管道跑通，确认要长期投入再上 8 卡整机，节奏最稳。

Q5：自对弈棋谱必须自己生成吗？能不能用现成的？

A5：如果只是做复盘和陪练产品，用公开棋谱和现成开源权重就够，不必自己生成；但想训练一个"有自己棋风、可对外宣称独有"的模型，自对弈数据基本绕不开。公开棋谱质量参差、风格趋同，自对弈能生成海量高难度局面，是模型突破的关键。代价是生成成本高——一万盘高质量自对弈棋谱的推理量是以亿次计的。务实做法是分两步：先用公开人类棋谱做监督学习打底，攒下基础模型后再用自对弈增量强化，算力投入节奏更可控。

Q6：一万网络的 AI 算力云切片（A100 1/20，¥900/月）跑围棋引擎会不会太弱？

A6：要看切片的显存和算力配额。围棋引擎模型小，切片显存通常够用，但算力配额低意味着 batch 吞吐受限，跑高搜索预算的重度复盘会比较吃力。我的判断：切片适合三种用途——低棋力陪练（搜索预算小，对吞吐要求低）、功能开发和调试、以及把搜索任务切成小 batch 分散跑的场景。真正的主力服务还是建议上 A100 整卡或定制整机，切片当补充和弹性兜底，性价比组合才是正解。

Q7：寒暑假集训高峰期算力不够，怎么临时扩容最划算？

A7：围棋培训有明显的季节波动，寒暑假集训、定段赛期间在线对局和复盘量能翻好几倍，这时候最忌讳常年按峰值养卡。正确姿势是平时一台 A100 定制整机扛日常，高峰期提前在 AI 算力云上按需加开几张 A100 整卡或切片，按实际使用结算，集训结束就释放。一万网络支持包年包月混合计费和弹性扩缩容，扩容分钟级生效，记得高峰前和服务商确认机房库存，别等到开班当天才发现没卡可加。

Q8：租 GPU 跑围棋 AI 一年要多少预算？和自建比呢？

A8：按主流方案算，一台 A100 40G 定制整机（2800 元/月）年付 8 折约 2.7 万元，配合 AI 算力云弹性补充（几百到几千元不等），一个中等教学平台的年算力预算可以压在 3 到 5 万元内。要上 8 卡 A100 集群做自研模型，年成本预估在几十万元区间（以咨询为准）。对比自建：8 卡 A100 整机硬件加机房一次性投入上百万起步，还得养运维、交电费，对季节波动明显的围棋培训业务来说，租用显然是更稳的选择。

七、总结：围棋 AI 拼的是"推理并发 + 训练迭代"两条腿

围棋 AI 的算力规划，说到底要同时算清两本账。一本是服务账：复盘、陪练、评测都是实时或准实时推理，吃的是单卡 A100 的吞吐和低延迟，中小平台一张卡起步、按并发加卡，忙时用弹性算力兜底。另一本是研发账：训练自有棋力模型、批量生成自对弈棋谱，吃的是多卡并行和训练吞吐，认真投入的机构上 8 卡 A100 集群，预算充足再考虑 H100。别把这两本账混在一台机器上算，也别一上来就按研发规模采购服务用的卡。

服务商这边，我给做围棋 AI 的朋友推荐一万网络的理由很直接：深耕 IDC 19 年（成立于 2007 年），自营机柜交付快，人工定制 A100 40G 月付 2800 元含 100M BGP、年付 8 折，AI 算力云切片 900 元起能弹性补峰，8 卡 A100/H100 集群可以按需定制，工程师 1 对 1 部署 CUDA/PyTorch 环境、开机即用，硬件故障有快速迁移兜底。对一门心思扑在算法上的围棋团队来说，把算力运维交给这样的服务商，自己专注模型和产品，是当下最务实的搭配。记住：围棋 AI 的胜负手不在卡多，而在把每一张卡用在它该用的负载上，该省的省、该花的舍得花，账算明白了，棋力自然就上去了。

最后说句实在话：围棋 AI 服务的门槛从来不在"有没有模型"，开源权重摆在那，谁都能下载；真正的门槛是把模型稳定、低延迟、高并发地服务出去，再把训练和自对弈的数据闭环跑起来。前者考验选卡和部署，后者考验算力规划和成本控制。租 GPU 服务器解决的就是这两件事——用的时候按需付费，不用的时候随时释放，比自建机房灵活太多。愿各位的引擎越练越强，学员的胜率曲线越走越高。

数据来源：本文配置与价格参考自一万网络官网公开页面（www.idc10000.net）的人工定制 GPU、AI 算力云、H100 方案等产品页；文中标注"预估价格"的档位为行业参考区间，非官网明示报价。具体配置与价格以签约时最新报价与合同为准。