Debido a la complejidad del espacio de búsqueda y la evaluación de movimientos, el juego de Go ha sido un desafío de larga data para la inteligencia artificial (IA) lograr un alto nivel de competencia. No fue hasta que DeepMind propuso la red neuronal profunda y el algoritmo de búsqueda de árboles AlphaGo en 2014 que se desarrolló un algoritmo de aprendizaje eficiente, marcando un hito significativo en la tecnología de IA. A la luz de las tecnologías clave en la IA de Computer Go, este trabajo examina la predicción de movimientos en diferentes clasificaciones de Go y desarrolla sofisticadamente dos modelos de aprendizaje profundo combinando y extendiendo los métodos de extracción de características de AlphaGo. Específicamente, se proponen módulos efectivos para redes neuronales para guiar el aprendizaje a través de situaciones complicadas de Go basadas en el módulo Inception en GoogLeNet y el Módulo de Atención de Bloque Convolucional (CBAM). Posteriormente, los dos modelos se combinan mediante aprendizaje por conjunto para mejorar la generalización, y estos modelos simplificados reducen significativamente el número de parámetros del modelo a la escala de cien mil. Los resultados experimentales muestran que nuestros modelos logran precisión de predicción del 46.9% y 50.8% en dos conjuntos de datos de Go diferentes, superando a modelos convencionales por márgenes significativos. Este trabajo no solo avanza en el desarrollo de IA en el juego de Go, sino que también ofrece un enfoque innovador para estudios relacionados.