4 月底，在 2018 世界人工智慧圍棋大賽上，PhoenixGo 取得冠軍。參賽隊伍包括絕藝，LeelaZero、TSGo、石子旋風、Golois，HEROZ Kishi、Baduki 等來自中、日、韓、歐美等國家和地區的人工智慧圍棋高手。
5 月 11 日，PhoenixGo 在 Github 上正式開源，以下是技術細節：
專案地址：https://github.com/Tencent/PhoenixGo
如果你在研究中使用 PhoenixGo，請按以下方式引用庫：
@misc{PhoenixGo2018,
author = {Qinsong Zeng and Jianchang Zhang and Zhanpeng Zeng and Yongsheng Li and Ming Chen and Sifan Liu}
title = {PhoenixGo},
year = {2018},
journal = {GitHub repository},
howpublished = {\url{https://github.com/Tencent/PhoenixGo}}
}構建和執行
在 Linux 上
1 要求
支援 C++11 的 GCC；
Bazel（0.11.1）；
（可選）CUDA 和 cuDNN（支援 GPU）；
（可選）TensorRT（加速 GPU 上的計算，建議使用 3.0.4 版本）。
2 構建
複製庫，並進行構建配置：
git clone https://github.com/Tencent/PhoenixGo.git
cd PhoenixGo
./configure./configure 將詢問 CUDA 和 TensorRT 的安裝位置，如果必要指定二者的位置。
然後使用 bazel 進行構建：
bazel build //mcts:mcts_mainTensorFlow 等依賴項將會自動下載。構建過程可能需要很長時間。
3 執行
下載和提取訓練好的網路：
wget https://github.com/Tencent/PhoenixGo/releases/download/trained-network-20b-v1/trained-network-20b-v1.tar.gz
tar xvzf trained-network-20b-v1.tar.gz以 gtp 模式執行，使用配置檔案（取決於 GPU 的數量和是否使用 TensorRT）：
bazel-bin/mcts/mcts_main --config_path=etc/{config} --gtp --logtostderr --v=1該引擎支援 GTP 協議，這意味著它可以和具備 GTP 能力的 GUI 一起使用，如 Sabaki。
--logtostderr 使 mcts_main 向 stderr 寫入日誌訊息，如果你想將訊息寫入檔案，將 --logtostderr 改成 --log_dir={log_dir} 即可。
你可以按照此說明更改配置檔案：https://github.com/Tencent/PhoenixGo#configure-guide
4 分佈模式
如果不同的機器上有 GPU，PhoenixGo 支援分散式 worker。
構建分散式 worker：
bazel build //dist:dist_zero_model_server在分散式 worker 上執行 dist_zero_model_server，每個 worker 對應一個 GPU：
CUDA_VISIBLE_DEVICES={gpu} bazel-bin/dist/dist_zero_model_server --server_address="0.0.0.0:{port}" --logtostderr在 config 檔案中填充 worker 的 ip:port（etc/mcts_dist.conf 是 32 個 worker 的配置示例），並執行分散式 master：
bazel-bin/mcts/mcts_main --config_path=etc/{config} --gtp --logtostderr --v=1在 macOS 上
注意：TensorFlow 在 1.2.0 版本之後停止支援 macOS 上的 GPU，因此在 macOS 上的操作只能在 CPU 上執行。
1 要求 & 構建
同 Linux。
2 執行
首先新增 libtensorflow_framework.so 到 LD_LIBRARY_PATH 中：
$ export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:{project_root}/bazel-bin/external/org_tensorflow/tensorflow"
在 Windows 上
正在進行。
配置指南
以下是 config 檔案中的一些重要選項：
num_eval_threads：應與 GPU 的數量一致；
num_search_threads：應比 num_eval_threads * eval_batch_size 大一些；
timeout_ms_per_step：每步使用的時間；
max_simulations_per_step：每步要做多少模擬；
gpu_list：使用哪塊 GPU，用逗號隔開；
model_config -> train_dir：訓練好的網路的儲存目錄；
model_config -> checkpoint_path：使用哪個檢查點，如果沒設定，則從 train_dir/checkpoint 中獲取；
model_config -> enable_tensorrt：是否使用 TensorRT；
model_config -> tensorrt_model_path：如果 enable_tensorrt，使用哪個 TensorRT 模型；
max_search_tree_size：樹節點的最大數量，根據儲存容量進行更改；
max_children_per_node：每個節點的子節點的最大數量，根據儲存容量進行更改；
enable_background_search：在對手下棋的時候思考；
early_stop：如果結果不再更改，則 genmove 可能在 timeout_ms_per_step 之前返回；
unstable_overtime：如果結果仍然不穩定，則更多地考慮 timeout_ms_per_step * time_factor；
behind_overtime：如果贏率低於 act_threshold，則更多地考慮 timeout_ms_per_step * time_factor。
分佈模式的選項：
enable_dist：啟動分佈模式；
dist_svr_addrs：分散式 worker 的 ip:port，多條線，每條線中有一個 ip:port；
dist_config -> timeout_ms：RPC 超時。
async 分佈模式的選項：
Async 模式是在有大量分散式 worker 的時候使用的（多餘 200），而在 sync 模式中需要過多的 eval 執行緒和搜尋執行緒。
etc/mcts_async_dist.conf 是 256 個 worker 模式的 config 示例。
enable_async：開啟 async 模式
enable_dist：開啟分佈模式
dist_svr_addrs：每個命令列 ip:port 的多行、用逗號分開的列表
eval_task_queue_size:根據分佈 worker 的數量調整
num_search_threads：根據分散式 worker 的數量調整
參看 mcts/mcts_config.proto 更詳細的瞭解 config 選項。
命令列選項
mcts_main 接受以下命令列選項：
--config_path：配置檔案路徑；
--gtp：作為 GTP 引擎來執行，如果停用，則只能進行 genmove；
--init_moves：圍棋棋盤上最初的落子；
--gpu_list：覆寫配置檔案中的 gpu_list；
--listen_port：與 --gtp 一起使用，在 TCP 協議埠上執行 gtp 引擎；
--allow_ip：與 --listen_port 一起使用，是允許連線的客戶端 ip 列表；
--fork_per_request：與 --listen_port 一起使用，表示是否 fork 每個請求。
Glog 選項還支援：
--logtostderr：向 stderr 寫入日誌訊息；
--log_dir：向該資料夾中的檔案寫入日誌訊息；
--minloglevel：記錄級別：0 - INFO、1 - WARNING、2 - ERROR；
--v：詳細記錄，--v=1 即記錄除錯日誌，--v=0 即關閉記錄。
mcts_main --help 支援更多命令列選項。