كمبيوتر جو

كتب ألبرت ليندسي زوبريست أول برنامج بلغة غو في عام 1968 كجزء من أطروحته حول التعرف على الأنماط . ^{[ 9 ]} وقد قدم دالة تأثير لتقدير المنطقة وتجزئة زوبريست لاكتشاف ko .

في أبريل 1981، نشر جوناثان ك. ميلين مقالًا في مجلة بايت يناقش فيه برنامج والي، وهو برنامج للعبة غو مصمم للوحة بحجم 15×15، ويتناسب مع ذاكرة الوصول العشوائي (RAM) لجهاز الكمبيوتر الصغير KIM-1 بسعة 1 كيلوبايت. ^{[ 10 ]} وفي نوفمبر 1984، نشر بروس ف. ويبستر مقالًا في المجلة نفسها يناقش فيه برنامجًا للعبة غو كان قد كتبه لجهاز أبل ماكنتوش ، بما في ذلك شفرة ماكفورث المصدرية. ^{[ 11 ]} كانت برامج غو ضعيفة؛ إذ قدّر مقال نُشر عام 1983 أنها في أفضل الأحوال تعادل مستوى 20 كيو ، وهو تصنيف اللاعب المبتدئ، وغالبًا ما كانت تقتصر على لوحات أصغر. ^{[ 12 ]} أما برامج الذكاء الاصطناعي التي كانت تلعب على خادم غو عبر الإنترنت (IGS) على لوحات بحجم 19×19، فقد بلغ مستوى قوتها حوالي 20-15 كيو في عام 2003، بعد تحسينات كبيرة في الأجهزة. ^{[ 13 ]}

في عام ١٩٩٨، تمكن لاعبون أقوياء للغاية من التغلب على برامج الكمبيوتر مع منحهم امتيازات تتراوح بين ٢٥ و٣٠ حجرًا، وهي امتيازات هائلة نادرًا ما يقبلها اللاعبون البشريون. وفي بطولة العالم للعبة غو الحاسوبية عام ١٩٩٤، خسر البرنامج الفائز، غو إنتلكت، جميع مبارياته الثلاث أمام اللاعبين الشباب رغم حصوله على امتيازات قدرها ١٥ حجرًا. ^{[ ١٤ ]} وبشكل عام، يستطيع اللاعبون الذين يفهمون نقاط ضعف البرنامج ويستغلونها الفوز حتى مع وجود امتيازات كبيرة. ^{[ ١٥ ]}

في عام 2006 (مع مقال نُشر عام 2007)، ابتكر ريمي كولوم خوارزمية جديدة أطلق عليها اسم " بحث شجرة مونت كارلو" . ^{[ 16 ]} في هذه الخوارزمية، تُنشأ شجرة اللعبة كالمعتاد، وهي عبارة عن مجموعة من الاحتمالات المستقبلية التي تتفرع مع كل حركة. مع ذلك، تقوم الحواسيب "بتقييم" ورقة طرفية من الشجرة من خلال عمليات تشغيل عشوائية متكررة (على غرار استراتيجيات مونت كارلو المستخدمة في مسائل أخرى). وتكمن الميزة في إمكانية تنفيذ عمليات التشغيل العشوائية هذه بسرعة فائقة. أما الاعتراض البديهي - وهو أن عمليات التشغيل العشوائية لا تعكس القيمة الفعلية للموقع - فقد تبين أنه ليس كارثيًا على العملية كما كان متوقعًا؛ إذ أن جانب "بحث الشجرة" في الخوارزمية كان كافيًا لإيجاد أشجار لعبة مستقبلية معقولة لاستكشافها. وقد حققت البرامج القائمة على هذه الطريقة، مثل MoGo وFuego، أداءً أفضل من برامج الذكاء الاصطناعي التقليدية السابقة. واستطاعت أفضل البرامج تحقيق نتائج ممتازة، خاصةً على رقعة اللعب الصغيرة 9x9، التي كانت تحتوي على عدد أقل من الاحتمالات للاستكشاف. في عام 2009، ظهرت أولى هذه البرامج التي يمكنها الوصول إلى رتب دان المنخفضة والحفاظ عليها على خادم KGS Go على لوحة 19x19.

في عام 2010، وخلال مؤتمر غو الأوروبي الذي أقيم في فنلندا، لعب موغو تي دبليو مباراة غو 19x19 ضد كاتالين تارانو (5 نقاط). حصل موغو تي دبليو على فارق نقاط قدره سبعة أحجار وفاز. ^{[ 17 ]}

في عام 2011، وصل زين إلى مستوى 5 دان على خادم KGS، حيث كان يلعب مباريات تستغرق 15 ثانية لكل نقلة. يستخدم الحساب الذي وصل إلى هذا المستوى نسخة مُجمّعة من زين تعمل على جهاز ذي 26 نواة. ^{[ 18 ]}

في عام 2012، تغلب زين على تاكيميا ماساكي (9 نقاط) بفارق 11 نقطة في لعبة الجولف ذات نظام التكافؤ بخمسة أحجار، ثم حقق فوزًا بفارق 20 نقطة في لعبة الجولف ذات نظام التكافؤ بأربعة أحجار. ^{[ 19 ]}

في عام 2013، تغلب كريزي ستون على يوشيو إيشيدا (9p) في مباراة 19×19 بأربعة أحجار كإعاقة. ^{[ 20 ]}

أُقيمت بطولة Codecentric Go Challenge لعام 2014، وهي مباراة من خمس جولات في لعبة متكافئة (19x19)، بين كريزي ستون وفرانز-جوزيف ديكهوت (6d). لم يسبق لأي لاعب أقوى من كريزي ستون أن وافق على خوض منافسة جدية ضد برنامج غو على قدم المساواة. فاز فرانز-جوزيف ديكهوت، مع العلم أن كريزي ستون فاز بالمباراة الأولى بفارق 1.5 نقطة. ^{[ 21 ]}

شكّل برنامج AlphaGo ، الذي طوّرته شركة Google DeepMind ، نقلة نوعية في قوة برامج لعبة Go مقارنةً ببرامجها السابقة. فقد استخدم تقنيات تجمع بين التعلّم العميق وخوارزمية مونت كارلو للبحث الشجري . ^{[ 22 ]} في أكتوبر 2015، هزم البرنامج فان هوي ، بطل أوروبا في لعبة Go، خمس مرات متتالية في ظروف البطولة. ^{[ 23 ]} وفي مارس 2016، فاز AlphaGo على لي سيدول في أول ثلاث مباريات من أصل خمس. ^{[ 24 ]} وكانت هذه المرة الأولى التي يلعب فيها لاعب محترف حاصل على الحزام الأسود التاسع (9 دان) مباراة احترافية ضد جهاز كمبيوتر دون أي عوائق. ^{[ 25 ]} فاز لي بالمباراة الرابعة، واصفًا فوزه بأنه "لا يُقدّر بثمن". ^{[ 26 ]} وفاز AlphaGo بالمباراة النهائية بعد يومين. ^{[ 27 ] [ 28 ]} وبهذا الانتصار، أصبح AlphaGo أول برنامج يهزم لاعبًا محترفًا بشريًا حاصلًا على الحزام الأسود التاسع (9 دان) في مباراة دون أي عوائق على رقعة لعب كاملة الحجم.

في مايو 2017، تغلب برنامج AlphaGo على كي جي ، الذي كان يحتل المرتبة الأولى عالميًا في ذلك الوقت، ^{[ 29 ] [ 30 ]} في مباراة من ثلاث جولات خلال قمة مستقبل لعبة غو . ^{[ 31 ]}

في أكتوبر 2017، كشفت شركة ديب مايند عن نسخة جديدة من برنامج ألفا غو، تم تدريبها فقط من خلال اللعب الذاتي، والتي تفوقت على جميع النسخ السابقة، متغلبة على نسخة كي جي في 89 من أصل 100 مباراة. ^{[ 32 ]}

بعد نشر المبادئ الأساسية لبرنامج ألفا غو في مجلة نيتشر ، تمكنت فرق أخرى من إنتاج برامج متطورة. ومنذ ذلك الحين، انصبّ العمل على تطوير الذكاء الاصطناعي في لعبة غو بشكل كبير على محاكاة التقنيات المستخدمة في بناء ألفا غو، الذي أثبت تفوقه الواضح على جميع البرامج الأخرى. وبحلول عام ٢٠١٧، كان كل من زين ومشروع فاين آرت التابع لشركة تينسنت قادرين على هزيمة محترفين ذوي مستوى عالٍ في بعض الأحيان. كما تم تطوير محرك ليلا زيرو مفتوح المصدر.

إحدى تقنيات الذكاء الاصطناعي التقليدية لإنشاء برامج ألعاب الفيديو هي استخدام بحث شجرة مينيمكس . تتضمن هذه التقنية تجربة جميع النقلات الافتراضية على رقعة الشطرنج حتى نقطة معينة، ثم استخدام دالة تقييم لتقدير قيمة تلك الوضعية للاعب الحالي. يتم اختيار النقلة التي تؤدي إلى أفضل رقعة افتراضية، وتُكرر العملية في كل دور. على الرغم من فعالية بحث الشجرة في شطرنج الحاسوب ، إلا أنه لم يحقق نجاحًا كبيرًا في برامج لعبة غو. يُعزى ذلك جزئيًا إلى صعوبة إنشاء دالة تقييم فعالة لرقعة غو، وجزئيًا إلى العدد الكبير من النقلات الممكنة لكل جانب، مما يؤدي إلى عامل تفرع عالٍ . هذا يجعل هذه التقنية مكلفة حسابيًا للغاية. ولهذا السبب، فإن العديد من البرامج التي تستخدم أشجار البحث بكثافة لا يمكنها اللعب إلا على رقعة 9×9 الصغيرة، بدلًا من رقعة 19×19 الكاملة.

توجد عدة تقنيات تُحسّن أداء أشجار البحث بشكل كبير من حيث السرعة واستهلاك الذاكرة. تُقلّل تقنيات التقليم، مثل تقليم ألفا-بيتا ، وبحث التباين الرئيسي ، و MTD(f)، من عامل التفرع الفعال دون التأثير على قوة الشجرة. في المواقف الحرجة، مثل البقاء أو الموت، تُعدّ لعبة غو مناسبةً جدًا لتقنيات التخزين المؤقت، مثل جداول النقل . تُقلّل هذه التقنيات من الجهد المُكرّر، خاصةً عند دمجها مع أسلوب التعميق التكراري . لتخزين لوحة غو كاملة الحجم بسرعة في جدول نقل، عادةً ما تكون تقنية التجزئة ضرورية لتلخيص البيانات رياضيًا. تحظى تجزئة زوبريست بشعبية كبيرة في برامج غو نظرًا لانخفاض معدلات التصادم فيها، وإمكانية تحديثها تكراريًا في كل حركة باستخدام عمليتي XOR فقط ، بدلًا من حسابها من الصفر. مع ذلك، حتى مع استخدام هذه التقنيات المُحسّنة للأداء، تظل عمليات البحث في الشجرة الكاملة على لوحة كاملة الحجم بطيئة للغاية. يمكن تسريع عمليات البحث باستخدام تقنيات تقليم خاصة بالمجال، مثل استبعاد الحركات التي يكون فيها الخصم قويًا بالفعل، والتوسعات الانتقائية مثل مراعاة الحركات المجاورة لمجموعات الأحجار التي على وشك أن تُؤخذ . مع ذلك، ينطوي كلا الخيارين على خطر كبير يتمثل في إغفال حركة حاسمة كان من شأنها تغيير مجرى اللعبة.

تُظهر نتائج مسابقات الحاسوب أن تقنيات مطابقة الأنماط لاختيار عدد قليل من الحركات المناسبة، بالإضافة إلى عمليات البحث التكتيكي السريع والموضعي (الموضحة أعلاه)، كانت كافية في السابق لإنتاج برنامج تنافسي. على سبيل المثال، كانت لعبة GNU Go تنافسية حتى عام 2008.

يتعلم المبتدئون في لعبة غو غالبًا من سجلات المباريات القديمة التي لعبها اللاعبون المحترفون. وقد انصبّ اهتمام الذكاء الاصطناعي في التسعينيات على محاولة "تعليم" الذكاء الاصطناعي أساليب الاستدلال البشري في لعبة غو. في عام ١٩٩٦، أقرّ تيم كلينجر وديفيد ميكنر بقوة أفضل برامج الذكاء الاصطناعي في مستوى المبتدئين، وأكدا أنه "من المعتقد أنه باستخدام أدوات أفضل لتمثيل وحفظ معرفة غو، سيصبح من الممكن تطوير برامج غو أقوى". ^{[ ٣٤ ]} واقترحا طريقتين: التعرف على التكوينات الشائعة للأحجار ومواقعها، والتركيز على المعارك المحلية. في عام ٢٠٠١، خلصت إحدى الدراسات إلى أن "برامج غو لا تزال تفتقر إلى كل من جودة وكمية المعرفة"، وأن معالجة هذا النقص من شأنه أن يحسن أداء الذكاء الاصطناعي في لعبة غو. ^{[ ٣٥ ]}

نظريًا، من شأن استخدام خبرة الخبراء تحسين برمجيات لعبة غو. فقد صاغ هواة ومحترفون رفيعو المستوى مئات الإرشادات والقواعد العامة للعب الفعّال. وتتمثل مهمة المبرمج في أخذ هذه الإرشادات ، وصياغتها في شفرة برمجية، واستخدام خوارزميات مطابقة الأنماط والتعرف عليها لتحديد متى تنطبق هذه القواعد. ومن المهم أيضًا تقييم هذه الإرشادات بحيث يتمكن النظام، عند تقديمها نصائح متضاربة، من تحديد أيها أكثر أهمية وملاءمة للموقف. وتعود معظم النتائج الناجحة نسبيًا إلى مهارات المبرمجين الفردية في لعبة غو وتخميناتهم الشخصية حولها، وليس إلى ادعاءات رياضية رسمية؛ فهم يحاولون جعل الحاسوب يحاكي طريقة لعبهم. وقد احتوت البرامج التنافسية في عام 2001 تقريبًا على ما بين 50 و100 وحدة برمجية تتناول جوانب واستراتيجيات مختلفة من اللعبة، مثل نظام جوسيكي. ^{[ 35 ]}

من أمثلة البرامج التي اعتمدت بشكل كبير على خبرة الخبراء: Handtalk (المعروف لاحقًا باسم Goemate)، وThe Many Faces of Go، وGo Intellect، وGo++، والتي اعتُبر كل منها في وقت ما أفضل برنامج للعبة Go في العالم. مع ذلك، أظهرت هذه الأساليب في نهاية المطاف نتائج متناقصة، ولم تتجاوز في أفضل الأحوال المستوى المتوسط ​​على رقعة كاملة الحجم. تمثلت إحدى المشكلات الرئيسية في استراتيجية اللعبة الشاملة. فحتى لو تعرف نظام خبير على نمط معين وعرف كيفية إدارة مناوشة محلية، فقد يغفل عن مشكلة استراتيجية أعمق تلوح في الأفق. والنتيجة هي برنامج تكون قوته أقل من مجموع أجزائه؛ فبينما قد تكون الحركات جيدة على المستوى التكتيكي الفردي، يمكن خداع البرنامج والتلاعب به ليقدم تنازلات كبيرة في المقابل، ويجد نفسه في موقف خاسر في المجمل. وكما ورد في استطلاع عام 2001: "حركة واحدة سيئة كفيلة بإفساد لعبة جيدة. وقد يكون أداء البرنامج خلال لعبة كاملة أقل بكثير من مستوى المحترفين." ^{[ 35 ]}

يُعدّ استخدام أساليب مونت كارلو بديلاً رئيسياً لاستخدام المعرفة والبحث المُبرمجين يدويًا . ويتم ذلك عن طريق توليد قائمة بالحركات المُحتملة، ثمّ لعب آلاف المباريات عشوائيًا على اللوحة الناتجة لكل حركة. تُختار الحركة التي تُؤدي إلى أفضل مجموعة من المباريات العشوائية للاعب الحالي كأفضل حركة. لا يتطلب هذا أي نظام قائم على المعرفة قابل للخطأ. مع ذلك، نظرًا لأنّ الحركات المُستخدمة في التقييم تُولّد عشوائيًا، فمن المُحتمل أن تُقيّم حركة ممتازة لولا رد فعل مُحدد من الخصم خطأً على أنّها حركة جيدة. ينتج عن ذلك برامج قوية من الناحية الاستراتيجية العامة، ولكنها غير مثالية من الناحية التكتيكية. يُمكن التخفيف من هذه المشكلة بإضافة بعض المعرفة المُتخصصة في توليد الحركات، وزيادة عمق البحث فوق التطور العشوائي. بعض البرامج التي تستخدم تقنيات مونت كارلو هي Fuego، ^{[ 36 ]} The Many Faces of Go v12، ^{[ 37 ]} Leela، ^{[ 38 ]} MoGo، ^{[ 39 ]} Crazy Stone ، MyGoFriend، ^{[ 40 ]} و Zen.

في عام 2006، طُوِّرت تقنية بحث جديدة، هي حدود الثقة العليا المطبقة على الأشجار (UCT)، ^{[ 41 ]} وطُبِّقت على العديد من برامج لعبة غو مونت كارلو 9x9 بنتائج ممتازة. تستخدم UCT نتائج عمليات اللعب التي جُمعت حتى الآن لتوجيه البحث على طول مسارات اللعب الأكثر نجاحًا، مع السماح في الوقت نفسه باستكشاف مسارات بديلة. وقد أدت تقنية UCT، إلى جانب العديد من التحسينات الأخرى للعب على رقعة 19x19 الأكبر حجمًا، إلى جعل MoGo أحد أقوى برامج البحث. ومن بين التطبيقات المبكرة الناجحة لأساليب UCT على لعبة غو 19x19، MoGo وCrazy Stone وMango. ^{[ 42 ]} فاز MoGo بأولمبياد الحاسوب لعام 2007، وفاز بمباراة واحدة (من أصل ثلاث) في لعبة بليتز ضد غو جوان، الحاصل على الحزام الأسود الخامس دان، في لعبة غو 9x9 الأقل تعقيدًا. وفاز برنامج The Many Faces of Go ^{[ 43 ]} بأولمبياد الحاسوب لعام 2008 بعد إضافة بحث UCT إلى محركه التقليدي القائم على المعرفة.

تُعرف محركات لعبة غو القائمة على محاكاة مونت كارلو بأنها أكثر ميلاً إلى لعب "تينوكي" (أي نقلات في أماكن أخرى على الرقعة) بدلاً من مواصلة القتال المحلي، مقارنةً باللاعبين البشريين. وقد اعتُبر هذا الأمر نقطة ضعف في بدايات هذه البرامج. ^{[ 44 ]} ومع ذلك، فقد استمر هذا الميل في أسلوب لعب ألفا غو محققاً نتائج باهرة، لذا قد يكون هذا أقرب إلى "سمة مميزة" منه إلى "نقطة ضعف". ^{[ 45 ]}

يرتبط مستوى مهارة الأنظمة القائمة على المعرفة ارتباطًا وثيقًا بمعرفة مبرمجيها وخبراء المجال المعنيين. وقد صعّب هذا القيد برمجة أنظمة ذكاء اصطناعي قوية حقًا. يتمثل أحد البدائل في استخدام تقنيات التعلم الآلي . في هذه التقنيات، كل ما يحتاجه المبرمجون هو برمجة القواعد وخوارزميات التقييم البسيطة لتحليل قيمة أي مركز. من الناحية النظرية، سيقوم البرنامج تلقائيًا بتوليد أنماطه الخاصة، وأساليبه الاستدلالية، واستراتيجياته.

يتم ذلك عادةً من خلال السماح لشبكة عصبية أو خوارزمية جينية بمراجعة قاعدة بيانات ضخمة من مباريات احترافية، أو لعب العديد من المباريات ضد نفسها أو ضد أشخاص أو برامج أخرى. وبذلك، تستطيع هذه الخوارزميات استخدام هذه البيانات كوسيلة لتحسين أدائها. كما يمكن استخدام تقنيات التعلّم الآلي في سياق أقل طموحًا لضبط معايير محددة للبرامج التي تعتمد بشكل أساسي على تقنيات أخرى. على سبيل المثال، يتعلم برنامج Crazy Stone أنماط توليد الحركات من مئات المباريات التجريبية، باستخدام تعميم لنظام تصنيف Elo . ^{[ 46 ]}

يُعدّ برنامج AlphaGo أشهر مثال على هذا النهج، وقد أثبت فعاليته بشكلٍ يفوق بكثير برامج الذكاء الاصطناعي السابقة. في نسخته الأولى، احتوى على طبقة تُحلّل ملايين الوضعيات الموجودة لتحديد النقلات المُحتملة التي تستحق المزيد من التحليل، وطبقة أخرى تُحاول تحسين فرص فوزه باستخدام النقلات المُحتملة المُقترحة من الطبقة الأولى. استخدم AlphaGo خوارزمية مونت كارلو للبحث الشجري لتقييم الوضعيات الناتجة. أما النسخة اللاحقة من AlphaGo، AlphaGoZero، فقد تخلّت عن التعلّم من مباريات Go الموجودة، واعتمدت بدلاً من ذلك على التعلّم من خلال لعبها بشكلٍ مُتكرر. ومن البرامج السابقة الأخرى التي استخدمت الشبكات العصبية NeuroGo وWinHonte.

كانت أول مسابقة حاسوبية للعبة غو برعاية شركة أكورنسوفت ، ^{[ 62 ]} وأولى المسابقات المنتظمة برعاية شركة يو إس إنيكس . وقد استمرت هذه المسابقات من عام 1984 إلى عام 1988. وقد قدمت هذه المسابقات برنامج نيميسيس، وهو أول برنامج تنافسي للعبة غو من تطوير بروس ويلكوكس ، وبرنامج جي 2.5 من تطوير ديفيد فوتلاند، والذي تطور لاحقًا إلى برنامجي كوزموس وذا ماني فيسز أوف غو.

كانت جائزة إنغ، وهي جائزة مالية كبيرة نسبياً برعاية المصرفي التايواني إنغ تشانغ كي ، من أوائل المحفزات لأبحاث لعبة غو الحاسوبية. وكانت تُمنح سنوياً بين عامي 1985 و2000 في المؤتمر العالمي للعبة غو الحاسوبية (أو كأس إنغ). وكان يُسمح للفائز في هذه البطولة بتحدي اللاعبين الشباب بفارق نقاط في مباراة قصيرة. وإذا فاز الحاسوب بالمباراة، تُمنح الجائزة ويُعلن عن جائزة جديدة: جائزة أكبر لمن يتغلب على اللاعبين بفارق نقاط أقل. وكان من المقرر أن تنتهي سلسلة جوائز إنغ إما 1) في عام 2000 أو 2) عندما يتمكن برنامج من التغلب على محترف حاصل على الحزام الأسود الأول (1 دان) بدون أي فارق نقاط، ليحصل على 40 مليون دولار تايواني جديد . وكان آخر فائز هو برنامج هاند توك عام 1997، حيث حصل على 250 ألف دولار تايواني جديد لفوزه بمباراة بفارق نقاط 11 حجراً ضد ثلاثة لاعبين هواة تتراوح أعمارهم بين 11 و13 عاماً، حاصلين على رتب دان من 2 إلى 6. عندما انتهت صلاحية الجائزة في عام 2000، كانت الجائزة غير المطالب بها 400,000 دولار تايواني جديد للفوز بمباراة إعاقة تسعة أحجار. ^{[ 63 ]}

تضمنت العديد من بطولات غو الإقليمية الكبرى الأخرى ("المؤتمرات") حدثًا خاصًا بلعبة غو الحاسوبية. وقد رعى مؤتمر غو الأوروبي بطولة حاسوبية منذ عام 1987، وتطور حدث USENIX ليصبح بطولة الولايات المتحدة/أمريكا الشمالية للعبة غو الحاسوبية، التي أقيمت سنويًا من عام 1988 إلى عام 2000 في مؤتمر غو الأمريكي.

بدأت اليابان برعاية مسابقات لعبة غو الحاسوبية عام ١٩٩٥. أُقيمت بطولة كأس فوست سنوياً في طوكيو من عام ١٩٩٥ إلى عام ١٩٩٩. ثم حلت محلها بطولة تحدي غيفو، التي أُقيمت سنوياً من عام ٢٠٠٣ إلى عام ٢٠٠٦ في أوغاكي، غيفو. ومنذ عام ٢٠٠٧، تُقام بطولة كأس غو الحاسوبية UEC سنوياً.

عندما يلعب جهازان حاسوب لعبة غو ضد بعضهما البعض، فإن الوضع الأمثل هو التعامل مع اللعبة بنفس طريقة لعب شخصين بشريين مع تجنب أي تدخل بشري. ومع ذلك، قد يكون هذا صعبًا خلال مرحلة احتساب النقاط في نهاية اللعبة. تكمن المشكلة الرئيسية في أن برامج لعب غو، التي تتواصل عادةً باستخدام بروتوكول نص غو القياسي (GTP)، لا تتفق دائمًا فيما يتعلق بحالة الأحجار (حية أو ميتة).

على الرغم من عدم وجود طريقة عامة لحلّ النزاع بين برنامجين مختلفين عن طريق الحوار، إلا أنه يتم تجنب هذه المشكلة في أغلب الأحيان باستخدام قواعد لعبة غو الصينية ، أو قواعد ترومب-تايلور ، أو قواعد جمعية غو الأمريكية (AGA)، حيث يُشترط استمرار اللعب (دون عقوبة) حتى زوال أي خلاف حول حالة الأحجار على اللوحة. عمليًا، كما هو الحال في خادم KGS Go، يستطيع الخادم التوسط في النزاع عن طريق إرسال أمر GTP خاص إلى البرنامجين العميلين، يُشير إلى ضرورة استمرارهما في وضع الأحجار حتى زوال أي شك حول حالة أي مجموعة معينة (أي حتى يتم أسر جميع الأحجار الميتة). عادةً ما يشهد خادم CGOS Go انسحاب البرامج قبل حتى وصول اللعبة إلى مرحلة احتساب النقاط، ولكنه مع ذلك يدعم نسخة معدلة من قواعد ترومب-تايلور التي تتطلب استكمال اللعب بالكامل.

تعني مجموعات القواعد هذه أن البرنامج الذي كان في وضع الفوز في نهاية اللعبة بموجب القواعد اليابانية (عندما يمرر كلا اللاعبين) يمكن نظريًا أن يخسر بسبب سوء اللعب في مرحلة الحسم، ولكن هذا أمر غير مرجح للغاية ويعتبر جزءًا طبيعيًا من اللعبة بموجب جميع مجموعات قواعد المنطقة.

يتمثل العيب الرئيسي للنظام المذكور أعلاه في أن بعض قواعد اللعبة (مثل القواعد اليابانية التقليدية) تُعاقب اللاعبين على القيام بهذه النقلات الإضافية، مما يحول دون استخدام اللعب الإضافي في حال وجود جهازَي كمبيوتر. ومع ذلك، تدعم معظم برامج لعبة غو الحديثة القواعد اليابانية ضد البشر.

تاريخياً، كانت إحدى الطرق الأخرى لحل هذه المشكلة هي تكليف خبير بشري بتقييم اللجنة النهائية. إلا أن هذا يُدخل عنصر الذاتية في النتائج، ويزيد من خطر إغفال الخبير لأمرٍ رصده البرنامج.