讓子二子勝AI:申真諦擊敗KataGo，暴露的是圍棋AI的「免疫系統」問題

一場對局，讓整個圍棋界重新討論一個三年前就被提出的問題:AI到底有多脆弱？

據韓國媒體Korea Economic Daily報導（https://www.kedglobal.com/artificial-intelligence/newsView/ked202607210007），並在Hacker News社群引發熱議，韓國圍棋棋士申真諹以讓二子的條件擊敗開源圍棋引擎KataGo。在圍棋的計量文化裡，讓二子代表的不只是「贏」，而是人類在頂尖AI面前取得了實質的起手優勢，而且贏到了終局。

讓二子是什麼概念？

職業棋士之間，讓二子幾乎等於承認雙方有兩個以上段差的實力鴻溝。2016年AlphaGo擊敗李世乭時，輿論的共識是:人類在任何公平條件下都不再有機會。十年後，最強的人類棋士卻證明，只要AI讓出足夠的初始優勢，人類仍能封盤。

關鍵在於「為什麼做得到」。早在2023年，研究人員Far與Kellin Périm Pelrine就已公開示範:不需頂尖棋力，只要透過對局資料分析與對抗性訓練，業餘棋手也能用特定手法穩定擊敗KataGo。這類攻擊不是靠計算力壓過AI，而是找到模型在自我對弈訓練中從未見過、因此系統性誤判的「盲區」。

申真諹的勝局是否屬於同一類攻擊，報導並未完全釐清。但兩件事並列，指向同一個結論:KataGo的失敗模式，極可能源自訓練資料分布的邊界，而非運算能力的上限。

這對台灣為什麼重要？

台灣正在把AI推入半導體產能規劃、金融風控、醫療輔助診斷等高風險場域。圍棋AI的教訓不在圍棋本身，而在它的結構性隱喻:一個在自我對弈中逼近完美的系統，遇到訓練分布之外的策略時，可能出現人類專家一眼就能看穿、模型卻完全失靈的錯誤。

換句話說，問題不是「AI不夠強」，而是「AI的強是有邊界的，而那條邊界沒有標示」。

三種情境

樂觀情境:這類高曝光的失敗案例促使企業在部署AI時強制加入對抗測試與紅隊演練，把「分布外風險」變成採購標準。

基準情境:圍棋界與研究圈繼續累積攻擊案例，模型逐步修補，但商業AI系統的對抗測試仍停留在自願性質。

悲觀情境:行銷話術持續壓倒風險揭露，直到某個高影響力的AI決策系統在真實世界被「讓二子式」的攻擊擊穿。

可能錯在哪裡

申真諹的勝利也可能是KataGo特定版本的配置問題、讓子規則下的評估偏差，甚至是媒體報導簡化了對局條件。在完整棋譜與復現研究出爐前，把這場勝利直接推論為「所有深度學習系統的通病」，跨度確實過大。

但方向上，這局棋值得記住的方式是:人類最強的棋士，用AI自己看不見的語言，跟它說了一次話。AI聽懂了嗎？沒有。這才是問題。