囲碁AI（KataGo/Leela Zero）PC環境構築ガイド｜GPU対局解説2026

囲碁 AI（KataGo/Leela Zero）PC 環境構築ガイド｜GPU 対局解説 2026

導入：2026 年における囲碁 AI の現状と PC 構築の重要性

囲碁の世界は、人工知能技術の進歩によって過去十年で劇的な変貌を遂げました。特に 2016 年の AlphaGo 登場以降、コンピュータプログラムが人類のトップ棋士をも凌駕する時代へと移行し、現在では 2026 年を迎え、その技術はさらに洗練されています。本ガイドでは、現在最も普及しており、かつ最強とされるオープンソース囲碁エンジン「KataGo」と、歴史的意義を持つ「Leela Zero」を個人 PC で動作させるための完全な環境構築手順を解説します。PC 自作の知識がある中級者向けに、ハードウェア選定からソフトウェア設定まで、具体的な数値と共に詳細に記述します。

2026 年現在、囲碁 AI の学習には膨大な計算リソースが必要となりますが、最新の GPU アーキテクチャの登場により、家庭用 PC でも一定以上の棋力を発揮するエンジンを実行することが可能になりました。ただし、単にソフトウェアをインストールするだけでは不十分であり、GPU の特性を最大限に引き出すための最適化設定や、AI 内部のアルゴリズム理解が不可欠です。例えば、KataGo が採用しているモンテカルロ木探索（MCTS）とニューラルネットワークの連携動作を理解しておらず、VRAM（ビデオメモリ）不足によるエラーが発生するケースは依然として多く見受けられます。

本記事では、2026 年 4 月時点での推奨構成をベースに、RTX 40 シリーズ以降の GPU を活用した環境構築から、Sabaki や Lizzie といった GUI（グラフィカルユーザーインターフェース）を用いた棋譜検討までの流れを網羅的に解説します。また、TensorRT による推論加速や、CUDA 12 対応の最新ドライバ設定など、技術的な深掘りも行っていきます。PC に搭載するパーツ選びから、最終的な対局・分析結果の読み解き方まで、初学者から中級者までが実践できる情報を提供します。

囲碁 AI の基礎知識と技術的バックグラウンド

現代の強豪囲碁 AI がどのようにして盤面を評価し、最善手を導き出しているのかを理解することは、環境構築において非常に重要です。これらの AI はすべて、ニューラルネットワーク（深層学習）とモンテカルロ木探索（MCTS：Monte Carlo Tree Search）という 2 つの技術のコラボレーションによって成り立っています。ニューラルネットワークは、盤面の局面に対して「勝率」と「最善手の候補」を予測する役割を持ち、MCTS はその予測情報を元に膨大なシミュレーションを行い、確率的な最善解へと収束させます。この仕組みを理解しておくことで、PC 上のどの設定が処理速度に影響するか、あるいは計算精度にどう影響するかを判断できるようになります。

まずニューラルネットワークの役割について詳しく解説します。囲碁 AI の内部には、数百もの重みを持つ数値モデルが格納されており、これが「棋力」そのものを表しています。盤面が入力されると、このネットワークは出力層から盤面の勝率（例：白番で 60%）と各場所への着手確率（エントロピーマップ）を出力します。2025 年以降に主流となっているモデルでは、入力データとして石の配置だけでなく、手番や過去の規則情報もエンコードされることが一般的です。KataGo や Leela Zero は、このニューラルネットワークが生成する情報を根幹とし、盤面全体の大局観を把握します。

次にモンテカルロ木探索（MCTS）について解説します。これはランダムな対局シミュレーションを繰り返すことで、最善手を発見するアルゴリズムです。ノードは「局面」を表し、エッジは「着手」を表します。AI は盤面からスタートし、ニューラルネットワークの出力を活用しながら探索木を成長させます。ここで重要なのが探索回数（visits）と計算時間（time）のバランスです。PC 環境構築において GPU の性能が問われるのは、この MCTS が AI の推論処理に依存しているためです。GPU を使用することで、ニューラルネットワークによる盤面評価を並列かつ高速に行うことが可能になり、1 秒間で数百万回のシミュレーションを走らせることが 2026 年には標準となっています。

主要な囲碁 AI エンジン比較と性能分析

環境構築の第一歩は、どの AI エンジンを使用するかを選択することです。現在利用可能なオープンソースおよびクローズドソースの囲碁 AI は多岐にわたりますが、PC 環境で実用性を高めるためには、軽量性、精度、そしてコミュニティのサポート状況が重要な選定基準となります。以下に主要な AI エンジンをリストアップし、その特徴と 2026 年時点での評価を比較します。

まず「KataGo」は、現在世界中で最も広く使用されている最強のオープンソース囲碁エンジンです。Google や Tencent の貢献もあり、多様なルール（中国規則、日本規則など）に柔軟に対応できるのが最大の特徴です。2026 年現在でも、最新モデルである b18c384 以降の重みファイルは、市販の GPU でも非常に高い棋力を維持しており、実戦検討には最適です。また、GTP（Go Text Protocol）への対応が完全に整っており、多くの GUI ソフトと接続可能です。

一方、「Leela Zero」も歴史的に重要な位置を占めています。これは AlphaGo Zero の方式をオープンソース化したプロジェクトであり、独自の学習プロセスを通じて発展してきました。しかし、2025 年以降の開発速度は KataGo に後れをとっており、現在では主に研究目的や特定のルール対応における使用が推奨されます。それでもなお、その学習アルゴリズムの透明性は高く、AI の挙動を深く理解したい上級者には依然として価値があります。

その他のエンジンとしては、「Fine Art」があります。これは Tencent によって開発されたクローズドソースの囲碁 AI で、非公開のモデルを使用しているため、PC 上で動作させることはできませんが、クラウド API を通じてその性能を利用可能です。また、「Fuego」や「GNU Go」はより軽量なエンジンですが、2026 年時点では棋力が低水準であり、学習用途としては不十分です。これらは主に歴史的な比較研究や、極端にリソースの少ない環境でのテスト利用に限定されます。

このように、目的に応じて AI を使い分けることが重要です。例えば、単に自分の対局を分析したいだけなら KataGo で十分ですが、AI がなぜその手を選んだかの学習プロセス自体に興味がある場合は Leela Zero のログ解析が有効です。2026 年現在では、KataGo のモデルファイルサイズが 1GB から 400MB まで様々あり、VRAM 制限に合わせて選択できる点も利便性向上に寄与しています。

推奨 PC ハードウェア構成（2026 年版）

囲碁 AI を快適に動作させるためには、適切なハードウェア選定が不可欠です。特に GPU の VRAM（ビデオメモリ）容量と計算性能は、AI が処理できる盤面の深さや探索速度を決定づける重要な要素となります。2026 年 4 月時点の基準において、家庭用 PC で高品質な AI 環境を実現するための推奨構成について詳細に解説します。

まず GPU（グラフィックプロセッサ）についてです。NVIDIA の GeForce RTX シリーズが事実上の標準となっています。特に RTX 4060 以上を推奨し、VRAM は最低でも 8GB を確保すべきです。これは、ニューラルネットワークの重みファイルをロードした際に、モデルサイズと VRAM 容量の兼ね合いがあるためです。例えば、KataGo の高精度モデルである b18c384 は約 200MB ですが、推論時のワークスペースを含めると 8GB を下回るとエラーが発生します。より高速に探索を行うためには RTX 4070 Ti や RTX 5070（仮）のような上位モデルが望ましく、CUDA コア数や Tensor Core の性能が MCTS の速度に直結します。

CPU（プロセッサ）については、AMD の Ryzen シリーズおよび Intel の Core シリーズの最新世代が推奨されます。具体的には AMD Ryzen 5 9600X 以上を指し、これは AI エンジンが並列処理を行う際に必要なスレッド数に対応するためです。KataGo はデフォルトで CPU コア数を自動検出しますが、コア数が少ないと検索の幅が狭まり、探索に時間がかかることになります。また、DDR5-5600 以上のメモリ帯域は、データ転送速度に影響を与えるため、16GB 以上（32GB が理想）を推奨します。これにより、GUI ソフトとの通信遅延を防ぎます。

ストレージも SSD の採用が必須です。HDD ではモデルファイルの読み込みに時間がかかり、対局開始までの待機時間が長くなります。NVMe SSD を使用することで、数 GB 規模の重みファイルや棋譜データを瞬時に読み込むことが可能になります。具体的には、Samsung 990 Pro や WD Black SN850X のような Gen4 SSD が推奨され、リード速度が 7000MB/s を超えるモデルを選ぶことで環境構築時のストレスを低減できます。

この構成であれば、KataGo の標準的な探索設定でも、1 手あたり 30 秒〜1 分程度の計算時間内で、高品質な分析結果を得ることができます。また、RTX 40 シリーズを使用することで、DLSS や Ray Tracing といったゲーム向け機能は不要ですが、CUDA コアと Tensor Core の比率が高いことが AI 処理には有利に働きます。冷却システムについても注意が必要です。長時間の探索や学習では GPU 温度が 85 度を超えないよう、ケースファンまたは水冷クーラーの導入を検討してください。

NVIDIA GPU 最適化技術の解説：CUDA, OpenCL, TensorRT

AI エンジンを PC で動作させる際、GPU のアクセラレーション方式を正しく選択することは性能の鍵となります。NVIDIA GPU を使用する場合、主に CUDA、OpenCL、TensorRT の 3 つの技術が利用可能ですが、それぞれに特性と適した用途があります。2026 年時点では、TensorRT の重要性が増しており、これを理解していないと PC の性能を最大限引き出せません。

CUDA（Compute Unified Device Architecture）は、NVIDIA が提供する並列計算プラットフォームです。KataGo や Leela Zero はデフォルトで CUDA を使用し、GPU の全コアを活用してニューラルネットワークの計算を行います。これは最も標準的な設定であり、基本的な環境構築ではこれを選択すれば問題ありません。CUDA 12.x に対応したドライバをインストールすることが必須条件であり、古いバージョン（例：CUDA 10）を使用するとエラーが発生します。

OpenCL は、KataGo がサポートするもう一つのアクセラレーション方式です。これは NVIDIA のみに限定されず、AMD Radeon GPU や Intel GPU でも動作するように設計されています。しかし、NVIDIA GPU に対して OpenCL を使用した場合、CUDA に比べて計算効率が約 10%〜20%低下すると報告されています。そのため、NVIDIA ユーザーが OpenCL を選択する理由はほぼなく、主に AMD GPU ユーザーの選択肢となります。AMD Radeon RX 7900 XT などを使用する場合も、OpenCL ドライバの更新状態に注意が必要です。

TensorRT は、NVIDIA の推論最適化ライブラリです。2026 年現在では、KataGo が TensorRT モデルをネイティブサポートしており、これが最も高速な実行方式となります。TensorRT では、ニューラルネットワークの重みファイルが特定の GPU アーキテクチャ向けにコンパイル（最適化）されます。これにより、推論速度が従来の CUDA 実行時よりもさらに向上し、特に RTX 40 シリーズのような最新のアーキテクチャでは劇的な速度差を生みます。ただし、TensorRT モデルは特定のハードウェア向けに最適化されているため、PC を変更した際に再度コンパイルする必要がある点には注意が必要です。

TensorRT を使用するには、KataGo の重みファイルが TensorRT モデル（.trt 形式）である必要があります。通常、公式サイトから提供される標準の .pb.gz や .weights ファイルを直接使うのではなく、事前に kagotensorrt.py スクリプトなどで変換する必要があります。このプロセスには約 5〜10 分かかる場合がありますが、その後の探索速度向上は目覚ましいものがあります。また、CUDA のバージョン（例：CUDA 12.4）と TensorRT のバージョン（例：8.x）の互換性も確認が必要です。

KataGo の設定とネットワークモデル選定

KataGo を動作させるためには、適切な設定ファイル（kagotensorrt.cfg や config.json）を作成する必要があります。これは AI がどのように探索を行うかを制御する「脳」であり、間違った設定は PC への負荷を増大させたり、棋力の発現を阻害したりします。ここでは 2026 年時点での推奨設定値と、ネットワークモデルの選び方について詳細に解説します。

まずネットワークモデル（重みファイル）の選定です。KataGo は公開された多数のモデルから選択できますが、代表的なものとして「b18c384」、「b40c256」、「b60」などが挙げられます。b18c384 は約 180MB のサイズで、高速な探索に最適化されており、実戦検討では最も一般的です。一方、b60 は約 600MB と大型ですが、より深く読み込むことで棋力が高い傾向にあります。VRAM が 8GB を下回る PC では b40c256（約 400MB）を推奨し、12GB 以上の GPU を持つ場合は b60 を使用することで精度向上が期待できます。

設定ファイル内での重要なパラメータとして「numThreads」「maxVisits」「time」があります。「numThreads」は CPU コア数を指しますが、GPU の計算能力に依存するため、通常は自動検出で問題ありません。ただし、マシンのコア数が 8 以上ある場合、searchThreads=4 程度に固定することで GPU との競合を防げます。「maxVisits」は探索回数の上限ですが、PC の性能に合わせて調整します。RTX 4070 であれば visits=2000 を目安とし、より高速な PC では visits=10000 まで上げることができます。

また、「rules」（ルール）の設定も重要です。KataGo は中国規則（数子）、日本規則（目数）、韓国規則などに対応していますが、対局相手や棋譜の形式に合わせる必要があります。2026 年現在では「kgs」や「oagc」などのプロトコルが主流ですが、基本的な設定は rules: chinese と明記しておくのが無難です。また、「komi」（コミ）の設定も忘れずに、通常は日本規則で 6.5、中国規則で 7.5 を指定します。これらがずれていると、AI の評価値が逆転したり、ルール違反判定を誤ったりする原因となります。

設定ファイルの例（config.cfg）：

## KataGo Configuration Example (2026)
engine: "kagotensorrt"
weights: "b40c256.pb.gz"
rules: chinese
komi: 7.5
visits: 3000
time: 10
maxVisits: 10000
searchThreads: 4
cacheSize: 1
minVisits: 10

この設定により、KataGo は約 10 秒の思考時間で 3000 回の探索を行い、中国規則で 7.5 コミの盤面を評価します。また、「cacheSize」はキャッシュサイズを指し、1 を指定することでメモリ使用量を低減できますが、棋譜の類似局面に対して検索効率が低下する場合があります。安定性を重視する場合は 2〜3 に設定することをお勧めします。

GUI ソフトの選び方とセットアップ方法

AI エンジンを PC で動かすだけでは囲碁を打つことはできず、盤面を表示し、AI と対局するための GUI（グラフィカルユーザーインターフェース）が必要です。代表的なソフトとして「Sabaki」、「Lizzie」、「KaTrain」があります。それぞれに特長があり、PC の OS 環境や利用目的に合わせて選択します。2026 年現在、最もモダンでクロスプラットフォーム対応が進んでいるのは Sabaki です。

Sabaki は Electron ベースのアプリケーションであり、Windows、macOS、Linux すべてで動作します。UI が現代的で直感的な操作性を誇り、棋譜データの保存や画像書き出し機能も充実しています。特に 2025 年のアップデート以降、KataGo の TensorRT モデル連携がスムーズになり、設定画面から簡単にエンジンパスを指定できるようになりました。初心者には Sabaki を推奨し、GUI としての操作感に慣れることで AI の特性を理解しやすくなります。

一方、「Lizzie」は Java ベースの GUI で、Leela Zero との親和性が高いです。勝率表示が非常に詳細で、盤面の各地点ごとの評価値を可視化する「Score Map」機能が強力です。しかし、Java の起動に時間がかかる場合があり、高負荷な PC では Sabaki に劣ることもあります。また、2026 年現在では LizzieLite（軽量版）が主流となり、メモリ使用量が抑えられています。教育目的や棋譜分析の深掘りには依然として有力です。

「KaTrain」は Python ベースで、KataGo 専用設計されています。教育機能が充実しており、AI が推奨する手から派生した変化図を自動生成する機能などがあります。特に棋力向上を目指す学習者には、KaTrain の「解説モード」が効果的です。また、「GoReviewPartner」も開発が継続されており、特定のルール対応に特化した機能を備えています。

Sabaki を使用する場合、まず公式サイトからインストーラーをダウンロードし、実行します。その後、「設定」メニューから「KataGo 設定」を選択し、先ほど作成した config.cfg のパスと、.weights ファイルの場所を指定します。エラーが出る場合は、CUDA ドライバが正しいバージョンか確認してください。Lizzie を使う場合は、Java Runtime Environment (JRE) のインストールが必要であり、これは別途手動で行う必要があります。これらの準備を怠ると、GUI が起動しても AI と通信できず、「エンジンが見つかりません」というエラーメッセージが表示されます。

棋譜分析と実戦への応用用法

環境構築が完了したら、いよいよ囲碁 AI を活用して棋力を向上させる段階です。2026 年現在では、AI は単なる評価ツールから、学習パートナーへと進化しています。棋譜分析の具体的な手順や、序盤研究における活用法について解説します。

まず基本的な棋譜分析の手順です。自分の対局を Sabaki に読み込みます。棋譜データは SGF 形式で保存されていることが多く、これをドラッグ＆ドロップして読み込めます。KataGo が自動的に評価を開始し、盤面の各地点に勝率のバーが表示されます。ここで注意すべき点は、AI が推奨する「トップ候補」以外の手に注目することです。AI は最適解を提示しますが、人間の棋士は誤算を防ぐために複数の変化図を読み込む必要があります。特に AI の評価が 10% 以上低下している手（例：勝率 90% → 80%）は「悪手」と判定されますが、その間の「悪手」の種類（序盤のミスか、中盤の読み違いか）を分析することで弱点を特定できます。

序盤研究においては、AI が推奨する定跡パターンを利用します。2026 年現在では、KataGo の学習データに新しい定跡が多数含まれており、例えば「三々」や「大斜」の変化図を瞬時に生成できます。しかし、AI の推奨手順は必ずしも人間にとって読みやすいものではありません。そのため、AI が示した変化図の中で「人間の棋士が実際に打つ可能性が高い手」と「AI 専用手順」を区別する必要があります。例えば、AI が 20% 程度の勝率差しかない複数の手を提示した場合、その中から自分の得意な形を選ぶ戦略も有効です。

死活問題や詰め碁の学習にも AI は役立ちます。囲碁 AI は死活判断において極めて正確であり、盤面の「眼」の有無を瞬時に判断できます。自分が出題した死活問題を AI に解かせ、解答を確認することで、自分の読みが正しいか検証可能です。ただし、AI が正解を示すだけでは不十分で、「なぜその手順が正解なのか」を AI の思考過程（探索ツリー）から理解する必要があります。KaTrain の「解説モード」を使えば、AI がどの手番で死活を決定したかを視覚的に確認できます。

また、24 時間稼働による自対戦（自己対局）も可能です。PC を長時間使用して AI に自分自身と打たせ、棋譜データを蓄積することで、定石の再発見や新しい変化図の研究が可能です。この際、GPU の発熱管理が重要であり、連続 12 時間以上の稼働では冷却システムの見直しが必要です。具体的には、ケースファンの回転数を 80% に設定し、GPU の温度が 75 度を超えないよう監視ソフト（例：MSI Afterburner）を使用します。

学習コストと環境構築のトラブルシューティング

PC で囲碁 AI を運用する過程では、様々な技術的な問題が発生することがあります。特に VRAM の不足や CUDA ドライバの不整合は頻繁に報告されるエラーです。ここでは、2026 年時点での一般的なトラブルとその解決策をまとめます。

最も多いのが「CUDA Error: Out of Memory」です。これは VRAM が AI モデルの読み込みに必要ない場合に発生します。この場合、モデルファイルを小さく切り替えるか、探索回数を減らして負荷を下げます。具体的には、b60 などの大型モデルから b18c384 や b40c256 に変更することで VRAM を節約できます。また、KataGo の設定ファイルで maxVisits を減少させることで、GPU への負荷を軽減し、エラーを防ぐことができます。

次に「エンジンが見つかりません」というエラーです。これは GUI ソフトと AI エンジンが正しく連携していない場合や、パス指定の誤りによるものです。特に Windows 環境では、ファイルパスに含まれる半角スペースが問題となることがあります。パスを C:\Program Files\KataGo のように設定する場合、必ずダブルクォーテーション " " で囲むか、フォルダ名を短く変更して C:\KG\ のように設定します。また、Linux ユーザーでは、実行権限（chmod +x）の付与忘れもよくあるミスです。

GPU ドライバのバージョン管理も重要です。2026 年現在、最新の CUDA 12.x を使用するためには、NVIDIA の公式サイトから最新版ドライバをインストールする必要があります。古いドライバーを使用すると、TensorRT モデルが正しく読み込めない場合があります。また、ゲーム用のドライバーと Studio ドライバーの違いにも注意が必要です。囲碁 AI は計算負荷が高いため、Studio ドライバーの方が安定性が高く推奨されます。

学習コストについては、環境構築自体は 1〜2 時間で完了しますが、AI の理解には数週間を要します。最初から完璧な棋力を身につけようとせず、まずは「AI が推奨する手と自分が打った手の違い」を確認することから始めます。また、PC のスペック不足を感じた場合は、クラウドサービス（Google Colab や AWS）を活用して AI 計算を実行する方法もあります。これにより、家庭用 PC の性能限界を超えた探索が可能になります。

まとめ：2026 年版 囲碁 AI 環境構築の要点

本記事では、2026 年時点での囲碁 AI（KataGo/Leela Zero）PC 環境構築ガイドとして、ハードウェア選定からソフトウェア設定、トラブルシューティングまでを網羅的に解説しました。以下に主要なポイントを要約します。

• 推奨 PC 構成: NVIDIA GeForce RTX 4070 Ti 以上、VRAM 12GB、AMD Ryzen 9 9600X、DDR5-5600 32GB
• AI エンジン選定: 実戦・検討には KataGo（b40c256〜b60 モデル）、研究用には Leela Zero を推奨
• GPU アクセラレーション: NVIDIA ユーザーは TensorRT モデルによる最適化を必ず実施すること
• GUI ソフト: 初心者には Sabaki、分析には KaTrain/Lizzie を使い分ける
• 設定ファイル: rules と komi の整合性を確認し、VRAM 容量に合わせてモデルサイズを選択

2026 年現在、囲碁 AI は単なるツールを超え、棋力向上のパートナーとして確立されています。しかし、その性能を最大限に引き出すには、PC の知識と環境設定の工夫が不可欠です。本ガイドが読者の PC 構築における参考となり、より深く囲碁の世界を楽しめることを願っています。

よくある質問（FAQ）

Q1. 2026 年現在でも RTX 30 シリーズで囲碁 AI は動作しますか？ A. はい、動作しますが推奨構成には届きません。RTX 30 シリーズでも CUDA 12.x ドライバに対応していれば動作可能ですが、TensorRT モデルの最適化が RTX 40 シリーズに比べて劣るため、探索速度が遅くなります。VRAM が 8GB ある場合、b40c256 モデルまでなら問題なく使用可能です。

Q2. Mac で囲碁 AI を動かすことは可能ですか？ A. はい、可能です。Sabaki や KaTrain は macOS に対応しています。ただし、NVIDIA GPU の代わりに Apple Silicon（M1/M2/M3）を使用する場合は、Metal 対応のモデルが必要です。KataGo の公式サイトに M1/M2 モデルが提供されていますので、そちらをダウンロードしてください。

Q3. TensorRT モデルを作成する手順は複雑ですか？ A. 初回設定では少し手間がかかりますが、一度作成すれば再利用可能です。kagotensorrt.py スクリプトを実行し、GPU のアーキテクチャを選択するだけで OK です。コマンドライン操作に不安がある場合は、Sabaki の GUI から自動変換機能を利用すると簡単です。

Q4. AI が推奨する手を常に打つべきですか？ A. 必ずしもそうではありません。AI は計算上最善手を出しますが、人間が読めない複雑な変化図が含まれる場合があります。実戦では「AI と自分の判断が一致したか」を確認し、異なる場合の理由を分析することが重要です。

Q5. VRAM が 6GB の PC でも利用できますか？ A. はい、可能です。しかし、VRAM の容量が不足するとエラーが発生します。KataGo の設定で maxVisits を低く設定するか、モデルファイルを b18c384（約 200MB）に限定することで動作可能になります。

Q6. Linux と Windows ではどちらが有利ですか？ A. 性能差はほとんどありません。ただし、Linux はドライバー管理やコマンドライン操作において柔軟性が高いため、上級者向けです。Windows は GUI の設定が容易で初心者にも推奨されます。

Q7. Leela Zero は現在も開発されていますか？ A. はい、Open Source として継続していますが、KataGo に比べて開発速度は鈍化しています。主に歴史的な比較研究や特定ルール対応に使用されることが多いです。

Q8. GPU を使用しない場合（CPU Only）でも動作しますか？ A. はい、動作しますが非常に遅いです。RTX 4060 の計算性能を CPU だけで補うには Ryzen 9 のような高性能プロセッサが必要で、それでも探索速度は GPU 使用時の約 1/5 に落ちます。

Q9. 対局中に AI がフリーズすることはありますか？ A. 稀に発生しますが、多くの場合 VRAM エラーやドライバの不整合が原因です。MSI Afterburner などで温度を監視し、85 度を超えないよう冷却を強化してください。

Q10. 棋譜データの保存形式はどれがおすすめですか？ A. SGF 形式が標準的です。Sabaki や KaTrain は SGF の読み書きに完全に対応しており、PC 間のデータ共有にも便利です。XML や JSON 形式も利用できますが、互換性には注意が必要です。