簡單的對局樹

假設從盤面狀態A開始，可以有合法著手走到B、C、D三個盤面狀態，這時電腦可以對這三種盤面狀態各評定其優劣。若形勢對電腦方有利，則給予較高的分數，反之，則給予負分。

有了這些盤面狀態的評估分數之後，電腦就可以選擇對它最有利的著手，走向得分最高的B盤面。但是，如果再深入一層加以考慮，發現走向盤面B時，對方可以有走向E、F、G的三個合法著手；而走向盤面C時，對方可有走向H、I兩個合法著手；而走向盤面D時，對方可有走向J、K兩個合法著手。

這時如果電腦再對這些終端盤面狀態評定優劣，給予評估分數後，就要做最審慎的考慮了：假設對方會選擇走向對電腦最為不利的著手。向上一層歸納後，B盤面只得負67分，C盤面則得到負24分，而D盤面可得正33分。經分析歸納後，電腦就會選擇走向得分最高的D盤面。

像這種在輪到對方時選擇最審慎的極小值，而在輪到電腦自身時，選擇最有利的極大值的思考方式，就是電腦下棋最基本的演算原理，稱為極小極大步驟演算法。

先前所提的是敵對雙方各走一步的變化，假設電腦能夠不斷深入思考，直到分出勝負為止，便可以完全解答棋戲的理論值，也就是先下必勝、必敗或和的結論。

有限深度的極小極大演算法

對一些比較簡單的棋戲，像圈叉井字遊戲（Tic-Tac-Toe）或三角殺棋（Triangular Nim），雖然可以利用極小極大演算法完全解答，但是對於象棋、西洋棋或圍棋等這些變化較複雜的對局遊戲，如果反覆擴展對局樹，節點數目會呈現幾何級數的增加，最後無法避免地面臨組合爆滿的困境。為了解決這種困境，1950 年資訊界大師克勞德．夏農（Claude E. Shannon）就提出有限深度的極小極大演算法。在時間許可的情況下，思考有限深度的幾手後，就歸納回傳結果。如果思考層數越多，結果會更精確，棋力也就更強。

電腦程式的資料結構

有了基本思考的模式後，電腦程式必須選擇適當的資料結構記錄盤面上的各種資訊。象棋共有32個棋子，加上空白與邊界，共需34個不同的數值才能完全分辨。1988年臺灣大學資訊研究所學生曹國明所設計的〈象棋專家〉，就利用0到33來表示棋子，0 表空白，1～16表示紅子，17表示邊界，18～33表示黑子。

一般的程式通常利用二維或一維陣列表示棋盤，同時在棋盤的外側圍上邊界，以便檢查跳出棋盤外的走步。〈象棋專家〉的資料結構是利用一維陣列表示棋盤，並在棋盤周圍各加上3層邊界。除了記錄棋盤上的棋子之外，大部分的程式也會有一個棋子位置表，記錄各個棋子所在的位置。

有了棋盤資訊和棋子位置表後，程式師便可以根據棋子的走動規則，分別對每一兵種撰寫合法步產生的程式。根據統計的結果，象棋盤面的平均合法走步大約有38個，而象棋每一局的平均手數是95手。因此可知一盤象棋共約有38的95次方種變化，相當於10的150次方種變化。相較於西洋棋，大約有10的120次方種變化，顯然象棋較為複雜。

如何評估局勢 

電腦能正確產生合法走步後，便可利用有限深度的極小極大演算法展開對局樹，並在適當的終端節點評估局勢的利弊得失而加以數值化。常見的考慮因素包括棋子的多寡、棋子的靈活度、位置的重要性，以及棋子之間互相威脅與保護的情形。

棋子的多寡是評估局勢優劣最簡單的方法，棋子多是優，棋子少則劣。不同的棋子有不同的攻擊和防禦能力，價值自然不同。而將與帥是棋局中最重要的，因此它的價值設定必須遠大於其他各棋子的總和。至於其他棋子的價值，則取決於它們之間相對的重要性。例如：車大約相當於一馬和一包的威力；而一馬大約可換取雙象。基於這些考慮，〈象棋專家〉給於每一兵種基本分數。

除了棋子的多寡之外，棋子所占的位置也是評估局勢的重要因素。如果車控肋道，馬占臥槽，飛砲沉底，或兵臨城下，都會對將帥構成相當大的威脅。因此，對應每一兵種，電腦程式都有一個位置評估表，用來引導各個棋子去搶占要津。一般而言，兵種的位置若可使其火力威脅到對方主帥，那就是該棋子最佳的戰鬥位置。

馬路疏通，砲貴機動。棋子在盤面上如果不能靈活走動，就無法發揮戰鬥力，因此棋子靈活度也是評估局勢優劣的另一個因素。而除了砲以外，其他棋子可以到達的位置就是它的火力範圍。因此，棋子愈靈活，愈能顯示它的戰鬥優越性。

此外，棋子在盤面上是否安全，和它所受到的威脅與保護的棋子、兵種也息息相關。通常電腦程式會在終端節點嘗試互攻兌子，直到某一靜止狀態，然後再引用審局函數評估局勢。而在延伸攻殺時，不能忽略解將的棋步。

程式設計師把以上考慮的因素，按照適當的比例加以彙總之後，就可以對終端盤面給予評估。利用極小極大演算法，倒推歸納到樹根起始盤面，電腦就可以下出一步合理的著手了。如果時間許可，電腦可以再深入思考，歸納回傳的結果會更精確，棋力也會更強。以目前機器的速度，電腦在十幾秒內應當可以完全評估六個著手內的所有變化，其棋力接近初段的程度。

進階的人工智慧演算法

雖然有限深度的極小極大演算法已經可以讓電腦下出不錯的著手，但是人工智慧的研究人員並不以此為滿足，數十年來仍不斷地推陳出新，開發出更有效率的對局樹搜尋演算法。其中包括了一些重要的技巧：平靜搜尋、深度αβ切捨、主要變化搜尋、逐層加深、殺手經驗法則和同型表等技巧。