① 选择
SELECTION从根局面出发，按「胜率高 + 试得少」的分数（UCB）一路往下挑，走到一个还有没试过走法的节点。
用一局井字棋，看懂蒙特卡洛树搜索（Monte Carlo Tree Search，常见缩写 MCTS）的四步循环：选择 → 扩展 → 模拟 → 反向传播。你执白棋（先手），AI 执黑棋（后手）。
你先走：点任意空格落下白棋。之后 AI 每走一步，都会在右边把「选择 → 扩展 → 模拟 → 反向传播」走给你看；勾选「单步显示」后，AI 会等你看完搜索树再落子。
公式里的 W / V 是从「父节点（走棋的那一方）」看的胜率：子节点记的是轮到对手走棋时的胜分，所以真正比较时要用 1 − W / V。例如子节点是白棋视角、W/V = 0，说明这一路模拟里白棋一次没赢，换成黑棋（AI）看就是 1 − 0 = 1 分。
每个节点就是当时的那张棋盘（圆环标出新建这个节点的那步棋）；棋盘下面是访问次数 V 与胜分 W；蓝色 = 这次搜索走过的路径，橙色虚线 = 这次新长出的节点，⭐ = AI 最终选择。一次搜索的四步都在这里演：① 选择高亮路径 → ② 扩展长出新节点 → ③ 模拟给出胜负 → ④ 反向传播让路径上的 V / W 加一。点到某一行记录，可以让树直接跳到那一次。
AI 每走一步，这里会逐条列出每次搜索的四个步骤（选择 → 扩展 → 模拟 → 反向传播）。
小棋盘上方：W = 胜分（按该节点轮到走棋的一方计）· V = 访问次数 · P = 父节点编号（根节点为 -1，也就是「这个节点是从哪个节点走出来的」）。虚线框是本次新长出来的节点。
AI 思考后，这里会列出根节点下每个候选落点的访问次数与模拟胜率。
从根局面出发，按「胜率高 + 试得少」的分数（UCB）一路往下挑，走到一个还有没试过走法的节点。
在这个节点里挑一个还没试过的走法，像树枝一样长出一个新子节点——它就是接下来要考察的新局面。
从新局面开始，让双方随机把棋下到结束，看看这局是赢、是平、还是输。这一步完全不动脑，所以很快。
把这一局的胜负沿原路回传：路径上每个节点都记下「访问次数 +1、胜分加上结果」，下次选择就更聪明。
💡 小提示：AI 并不是「算尽所有可能」，而是靠成百上千次随机模拟做统计，挑出看起来最稳的一步。
（注：该算法英文缩写常见写法为 MCTS，课程卡片沿用「MCST」的叫法。）