簡介
Minigo是一套計算機圍棋軟體。也就是不使用人類棋譜與累積的圍棋知識，僅實做圍棋規則，使用單一類神經網路從自我對弈中學習（不像AlphaGo以人類角度思考，設計了Policy Network與Value Network）。
軟體本身使用Python撰寫，並且通過TensorFlow實做類神經網路的部分。代碼以Apache License 2.0發布，訓練數據以公有領域（Public domain）發布。
項目的目標包括了：
•提供使用TensorFlow、Kubernetes以及Google雲平台實做強化學習（英語：Reinforcement learning）的示例。
•儘可能重製論文裡所提到的方法，並提供開源的程式與工具。
•提供數據以及訓練成果，讓圍棋界、機器學習領域以及Kubernetes社區都能夠受益。
除此之外，項目也希望藉由獨立另外實做，驗證Leela Zero所產生的疑問 。
關係
這個項目雖然是掛在TensorFlow的GitHub下（且TensowFlow是由Google研發出的軟體），而且主要的項目貢獻者Andrew Jackson是Google員工，但官方一再強調這並非TensorFlow項目的一環，也不是DeepMind的AlphaGo官方版本，而是由獨立的團隊依照AlphaGo Zero的論文而實做出的版本。
版本演進
雖然Google與DeepMind沒有正式參與Minigo項目，但Andrew Jackson使用的是Google所提供的20%時間，並且得到Google贊助提供硬體資源進行運算，供Minigo團隊確認程式正確性：
第一階段（2017年十月）
使用約1000 CPU cores（沒有GPU）跑兩周，訓練9x9棋盤，主要是確認程式實做的正確性。
第二階段（2017年十二月至2018年一月）
使用約1000 GPU跑四個禮拜，訓練19x19棋盤，使用20 blocks x 128 filters，在更大的規模上邊修正bug，邊對程式做出各類改善，並摸索論文裡沒有提到的細節要如何實做。在160個世代（generation）後，團隊將訓練結果放到KGS與CGOS上對弈，以somebot為名，後面的數字表示是哪個世代。最終大約跑了250個世代。
第三階段（2018年1月20日至2月1日）
在確認論文內不清楚的地方，嘗試後從錯誤中學到不少事情。
第四階段（2018年2月7日後）
合作
Leela Zero同樣也是依照AlphaGo Zero論文所獨立實做出來的軟體，而Minigo項目獲取Google贊助的計算資源，通過大量計算資源得到品質還不錯的訓練網路數據。因此Leela Zero的團隊與Minigo的團隊基於雙方的經驗，討論參數的調整能帶來的改善，以及雙方訓練數據共用的可能性。
成績
Minigo的第二階段在CGOS上以somebot開頭的名稱參與19x19的對戰，排名最高的賬號為somebot-199b，獲取約2600分的BayesElo成績。
