CEDEC2024講演で深堀り — やねうらお・たややん

これまで学んできた 機械学習・ニューラルネット・学習アルゴリズム・CNN・Transformer。 これらすべてが将棋AIに 実装され、プロ棋士を超え、今も進化し続けている 様を、本章で総まとめします。 CEDEC2024 のやねうらお・たややん両氏の講演動画を中核に、サイト全体の知識が「将棋AI」というひとつの実例で繋がります。

この章の全体像

CEDEC2024 講演「将棋AIの過去・現在・未来」

この章は、2024年8月のゲーム業界カンファレンス CEDEC2024 で行われた、 やねうらお（やねうら王 開発者）と たややん（水匠 開発者）による講演動画を中核にしています。

まずは動画を視聴することを 強く推奨します。これまでの章で学んだ概念がすべて、リアルな将棋AI開発の現場でどう使われているかが分かります。

以下、講演の主要内容を整理し、本サイトの他章で学んだ概念との対応を明示しながら、丁寧に解説していきます。

1. 将棋AIの50年史 — 機械学習史と完全パラレル

将棋AIの歴史は、機械学習・AIの歴史そのものと完全に並走してきました。 各章で学んだ概念が、どの時代に将棋AIに導入されたかを追ってみましょう。

1.2 機械学習革命（2005〜）— Bonanzaメソッド

これは 第1章 で説明した、人類史でいうと 「人間が手で決めていた重みを、機械学習で自動決定する」革命。将棋AIで2005年に起きました。

// 🌲 探索部：α-β木探索で「最善手」を見つける（やねうら王が担当）
function search(position, depth) {
  if (depth === 0 || isGameOver(position)) {
    // ★ 葉のノードで「評価関数」を呼んで局面の点数を取得
    return evaluate(position);   // ← ここがNNUE / 水匠 / Háo などの差し替えポイント
  }

  let bestScore = -Infinity;
  for (const move of generateLegalMoves(position)) {
    const nextPos = applyMove(position, move);
    const score = -search(nextPos, depth - 1);   // 相手番は符号反転（負号）
    if (score > bestScore) bestScore = score;
  }
  return bestScore;
}

// 📊 評価関数：1局面 → 1つの数値（NNUE / 水匠 / Háo などが担当）
function evaluate(position) {
  // ここの中身が「水匠」「Háo」「tanuki-」で違う
  // 入力: 盤面 → HalfKP特徴ベクトル
  // 中身: 学習済みの浅いMLP（NNUE）
  // 出力: 評価値（+120 = 先手やや有利、など）
  return nnueEvaluate(position);
}

1.4 NNUE登場（2018〜）— 浅いMLPの革命

1.5 ディープラーニング派の台頭（2017〜）

// AlphaZero の学習サイクル（疑似JS）
let model = randomInit();          // ① 完全にランダムな状態から開始

for (let iter = 0; iter < manyIterations; iter++) {
  // ② 現在のモデル同士で何百万回も自己対局
  const games = playSelfGames(model, model, { count: 1_000_000 });

  // ③ 勝敗（+1/-1/0）を「正解ラベル」として学習
  //    勝った側の手は「良い手」、負けた側の手は「悪い手」
  model = train(model, games);
}

// ④ プロ棋譜なし、ルールだけ。それでも世界最強に至る

2. プロ棋士を超えるまで

2013年はコンピュータ将棋にとって象徴的な年。機械学習で評価関数を作る手法（Bonanzaメソッド）の延長線上で、プロ棋士のレベルを大きく超えた瞬間です（Gikou がレーティング3713を記録、プロ上限3000〜3300を突破）。

3. 現代の2大潮流 — NNUE型 vs DL型

2024年現在、世界トップクラスの将棋AIは 2系統に大別されます。 これは 第2章 で見た「浅いNN vs 深いNN」の対立そのもの。

3.0 図の単語を1つずつ解説

下の比較カードに出てくる単語を、まずは1つずつ噛み砕いておきます。

3.1 NNUE型 vs DL型 — 比較カード

探索部: α-β木探索（やねうら王）
   ↓
評価関数: 浅いMLP（NNUE）
   - 4層程度
   - CPUで動作
   - 量子化（int8/int16）
   - 差分更新で高速

代表例:
- やねうら王 + 水匠
- やねうら王 + Háo
- やねうら王 + tanuki-

長所:
- CPUで秒間数百万局面
- ノートPCでも動く
- 普及性が高い

探索部: モンテカルロ木探索（MCTS）
   ↓
評価+方策: 深いCNN + ResNet
   - 数十〜数百層
   - GPU必須
   - AlphaZero流

代表例:
- dlshogi
- ふかうら王
- AobaZero
- 棋神アナリティクス

長所:
- 深い局面理解
- 「読み抜け」が少ない
- 終盤・複雑局面で強い

3.2 両者の哲学を1行で対比

3.3 なぜ「2大潮流」になったのか

NNUE型とDL型は 哲学が真逆 です：

• NNUE型：「とにかくたくさん読む。1手の評価は雑でも、何百万局面読めば最善手が見つかる」（量で勝つ）
• DL型：「読む手を絞って、1手1手を深く理解する。AlphaZero的な賢さで勝つ」（質で勝つ）

どちらか一方が圧勝するわけではなく、得意な局面が違うので相補的。 将棋ソフト選手権でも、NNUE型と DL型が 互角に競り合うのが現状です。 将来は 両者のハイブリッド（DL型の方策で読む手を絞り、NNUE型の評価で深く読む）も研究されています。

4. これまでの章の概念が、将棋AIで全部実装されている

動画を見ながら、次の対応表を意識してみてください。 抽象的だった機械学習の概念が、すべて実在する将棋AIに実装されていることが見えてきます。

5. 現在の最強ソフト（2024 → 2025 → 2026）

将棋AIの最強争いは 毎年塗り替えられる ハイペース。最近3年間の優勝ソフトと、その技術的特徴を追います。

5.1 2024年 — WCSC34 優勝

技術的特徴

• 系統：NNUE型（やねうら王ベース + 自前NNUE評価関数）
• 探索部：やねうら王（α-β木探索 + LMR + Null Move Pruning + 並列）
• 評価関数：NNUE ベース、独自にチューニング
• 学習データ：強豪エンジン同士の自己対局で生成した数十億局面
• 特徴：オープンソース化された 水匠・Háo 由来の技術を発展させたチーム作品

5.2 2025年 — WCSC35 の動向

2025年のトレンド

• NNUE型の進化：HalfKP の派生（HalfKAv2_hm など）が広がり、評価精度がさらに向上
• 定跡データベースの大型化：強化学習＋自動生成で定跡が爆発的に成長。序盤の事故が激減
• 互角局面集の改善：教師データの偏りを修正する研究が進展
• DL型勢の追い上げ：dlshogi系（dlshogi・ふかうら王）が NNUE型に肉薄

5.3 2026年 — 注目の技術トレンド

2026年現在、将棋AI界では 「もう人間にはかなわない」を前提に、内部技術の革新フェーズに入っています。

① Transformer / Attention の評価関数への導入

NNUE が HalfKP特徴 → MLP という古典的な構造を採用しているのに対し、 第5章で見た Self-Attention を組み込んだ評価関数の研究が活発化。 「玉と他駒のペア」だけでなく、「盤面上のあらゆる駒同士の関係性」を同時に評価できる可能性があります。

② ハイブリッド型エンジン（NNUE + DL）

「NNUE型の速さ」と「DL型の深い理解」を 同一エンジン内で切り替える 研究が進行中。

• 序盤・中盤の力技局面 → NNUE型で大量読み
• 終盤の複雑局面 → DL型に切り替えて深い読み
• 2026年時点で実用化に向けた競争段階

③ AlphaZero 後継の純粋強化学習

dlshogi 系統では、人間データを一切使わない自己対局のみで学習させた AobaZero や、それを商用化レベルまで高めた 棋神アナリティクス が進化を続けています。

④ 計算資源での差別化

GPUクラスタを用いた長期間の強化学習で他者を引き離す戦略。AlphaZero が示した「計算資源 = 強さ」の方程式は今も健在。 クラウドGPU の安価化で個人開発者でも参戦しやすくなってきています。

5.4 人類との実力差

参考までに、人間最強でも R3000 程度。「人間 vs AI」はもはや勝負にならず、AIは 人間が分からない領域での自己対局 で進化を続けています。

6. 未来 — 「ワン・アイデア」で世界最強になれる

講演で最も印象的だったのが、講演者の 「ワン・アイデアで最強の将棋AIが作れる可能性がある」 という発言。

その理由は、現代の将棋AI開発が完全な オープンソース・エコシステム として成立していること：

• やねうら王のソースコード公開（2015年〜）
• dlshogiのソースコード公開
• 水匠の評価関数（過去バージョン）の公開
• nnue-pytorch による学習コードの公開
• 互角局面集、教師データの公開

これらすべてを土台に、1点だけ改良できれば、世界最強の将棋AIになれる可能性があります。

改善の余地 — 5つのフロンティア

これら5つすべてで既存ソフトを上回る必要はない。どれか1つで突破口を開けば、世界最強になれる。 これがやねうらお・たややん両氏の主張です。

7. 必勝法は存在するか

講演の質疑応答で出た面白い問い：

たややん氏の答えは：理論的にはある。しかし現実的には到達不可能。よって将棋AIは終着点には到達せず、永遠に進化し続けます。

まとめ

1. 将棋AIの50年史は、機械学習・AIの歴史と完全に並走している
2. 2005年 Bonanzaメソッドで機械学習革命、2013年に プロ超え、2018年 NNUEでCPU上の革命
3. 現代は NNUE型（CPU + 浅いMLP）と DL型（GPU + 深いCNN）の2大潮流
4. これまでサイトで学んだ概念は すべて将棋AIで実装され、闘い、進化している
5. 2024年最強ソフトの レーティング 4914。人間限界を1600以上引き離す
6. 未来：5つのフロンティアのうち 1つで突破口を開ければ、世界最強になれる
7. 必勝法は理論的に存在するが、現実的には到達不可能。研究は永遠に続く

次の章

第8章は 「AIを作る側」 の開発者視点でしたが、次の 第9章 は プロ棋士視点 で将棋AIを学べます。 中村太地八段が水匠開発者・たややん氏と対談した動画を中核に、推定選択率・実質勝率の新指標、棋風を真似るクローンAIなどの最先端トピックを扱います。

→ 第9章「棋士視点で学ぶ将棋AIの最先端」へ進む

参考リンク

• CEDEC2024 講演動画 「将棋AIの過去・現在・未来」
• CEDEC2024 公式セッションページ
• 4Gamer.net 講演レポート
• やねうら王 GitHub
• dlshogi GitHub