“國際象棋和西洋棋與圍棋不同，它們不需要選手對棋局做復雜的形勢評估，”喬納森·謝弗(Jonathan Schaeffer)說道，他是加拿大阿爾伯塔大學的計算機科學家，此前他的Chinook程序曾戰勝過頂級的西洋棋選手。“在國際象棋和西洋棋中，只需簡單的啟發，你就知道下一步該怎么走，衡量各個棋子的價值是選手最重要的任務——如果在國際象棋中多一個車的棋子，那你已經基本勝券在握了。但這些方式在圍棋中都行不通，從人類的角度來看，圍棋的棋路過于復雜，電腦很難學會。不過AlphaGo做到了，它擁有世界上首個有效的評估函數系統。

那么DeepMind是如何做到的呢？其實解決這個問題的關鍵是深度學習和類神經網絡技術，有了它們，研究人員就能教AlphaGo下棋。就像Google Photos能幫你從無數圖片中找出貓咪一樣，其背后是該應用對超大量級的貓咪圖片做分析后的結果，這些分析處理甚至細化到了像素級別。而AlphaGo能有如此成績，則得益于對數百萬項圍棋數據的學習，包括各種棋路和棋手的比賽。

眼下，AlphaGo還在不斷學習，其能力也在不斷增強。起初，它還是靠學習套路（策略網絡）來預測對手的落子方式，不過隨著價值網絡訓練的深入，AlphaGo已經有了那么點“直覺”，它可以分析出比賽的態勢了。在棋局中，AlphaGo已經可以通過快速對各種可能性做分析，提前考慮后面幾步的落子和排兵布陣了。其實AlphaGo擁有的各項技術都是相互輔助的，類神經網絡可以降低電腦的負載，提高工作效率；套路學習則可以減小其搜索范圍，而價值網絡則可讓它從每次的比賽中總結出自己的經驗。

AlphaGo擁有自己的“思考”能力

這一增強版的學習系統讓AlphaGo變得更像人類，而不是靠驚人計算能力戰勝國際象棋大師的IBM深藍電腦，畢竟圍棋和國際象棋在復雜程度上不屬于一個量級，用深藍電腦的方法是無法在圍棋上戰勝人類的。在五場比賽的間歇，DeepMind都不會對AlphaGo做調整，因此電腦只能靠自己來學習，但每天一場比賽的量確實有些少。此外，DeepMind公司創始人杰米斯?哈薩比斯（Demis Hassabis）稱AlphaGo的計算能力在去年十月的比賽后一直都沒有得到增強，因此現在它的能力已經達到現有硬件條件下的頂峰。