AlphaGo团队的月声明 [文/观察者网专栏作者 陈经] 2016年12月29日至2017年1月4日，谷歌AlphaGo的升级版本以Master名为，在弈城围棋网和野狐围棋网的快棋比赛中对人类最低水平的运动员获得了60：0的压过战绩，再度让人们对棋士AI的实力深感愤慨。 之前《大自然》论文对AlphaGo的算法展开了十分精细的讲解，世界各地不少研发团队根据这个论文展开了棋士AI的研发。其中进展仅次于的应当是腾讯研发的 “刑天”（以及之前的版本“绝艺”），职业棋手和棋迷们感觉它的实力超过了2016年3月与李世石对战的AlphaGo版本。
但是经过将近一年的升至 级，Master的实力似乎比之前版本很强得多，它背后的算法演变什么样了，却完全没资料。本文对AlphaGo的升级后的算法框架展开了解的分析与 猜测，企图从计算机算法角度揭露它的谜样面纱一角。
在1月4日AlphaGo团队的月声明中，Deepmind提及了“our new prototype version（我们新的原型版本）”。prototype这个词在软件工程领域一般对应一个新的算法框架，并不是非常简单的性能升级，有可能是算法原理级的改 逆。由于资料很少，我不能根据很少的一些信息，以及Master的空战展现出回应展开分析与猜测。 下文中，我们将2015年10月战胜樊麾二段的AlphaGo版本称作V13，将2016年3月战胜李世石的版本称作V18，将升级后在网络上60：0战胜人类高手群体的版本称作V25（这个版本Deepmind内部应当有有所不同的称谓）。
V13与V25：从廖化到关羽 版本V13的战绩是，月的慢棋5：0胜樊麾，棋谱发布了，非正式的快棋3：2胜樊麾，棋谱并未发布。樊麾非正式快棋败了两局，这解释版本V13的快棋实力并不是过于强劲。 版本V18的战绩是，每方2小时3次1分钟读秒的慢棋，以4：1胜李世石。比赛中AlphaGo以十分平稳的1分钟1步的节奏对局。
比赛用的分布式机器有1202个CPU和176个GPU，据传每下一局光电酬劳就要3000美元。 版本V25的战绩是，Master以60：0战胜30多位人类棋手，还包括名列前20位的所有棋手。比赛大部分是3次30秒读秒的快棋，开始10多局人们关口 录不多时是20秒读秒用时更加较短，仅有一次60秒读秒是照料年过六旬的聂卫平。
比赛中Master每步完全都在8秒以内落子，未曾用丢弃过读秒（除了一次车祸 掉线），所以20秒或者30秒对机器是一其实。在KGS上天元开局三局杀害ZEN的GodMoves很有可能也是版本V25，这三局也是慢 棋，GodMoves每步都是几秒，用时只有ZEN的一半。
可以显现出，版本V13的快棋实力不强劲。而版本V18的快棋实力应当也不如慢棋，谷歌为了保证胜利，用了分布式的版本而非48个CPU与8个GPU的单机 版，他用了每步1分钟这种在AI中算多的每步用时。在比赛中，有时AlphaGo的剩下用时甚至比李世石较少了。
应当说道这时的AlphaGo版本有填机器托 升棋力的感觉，和IBM在1997年与卡斯帕罗夫的国际象棋人机大战时的作法类似于。 但是版本V25在比赛用时上变革相当大，每步8秒比版本V18慢了六七倍，而棋力却提高相当大。柯洁与朴廷桓在30秒用时的比赛中能多次战胜与版本V18实力 非常的刑天，某种程度的用时对Master几盘中却没什么机会。
应当说道版本V25在用时大大减少的同时还获得了棋力极大的变革，这是双重的变革，一定是因为算法 原理有了突破，意味著不是靠提高机器性能。而这与国际像棋AI的变革过程有些类似于。
IBM在人机大战中战胜卡斯帕罗夫后退出了团队不玩游戏了，但其它研究者之后研发国际象棋AI获得了极大的变革。后来算法越做越得意，最得意的程序能让人类最 高水平的棋手一个兵或者两先。水平极高的国际象棋AI不少，其中一个是鳕鱼（stockfish），由许多开发者集体研发，作乱凌厉，受到爱好者欢迎。
另一个是变色龙（Komodo），由一个国际象棋大师和一个程序员研发，理论体系缜密，攻守务实。AI相互对局比人类非常少，二者对下100盘，变色龙以 9胜89平2负领先人气低的鳕鱼。因为AI在平时的手机上都可以战胜人类最低水平的棋手，国际象棋（以及类似于的中国象棋）都禁令棋手用于手机，曾多次有棋手 频密上厕所看手机被捉禁赛。国际象棋AI在棋力以及计算出来性能上都获得了极大的变革，运算平台从尤其建的大型服务器移至了人人都有的手机上。
局面评估函数的起到 从算法上来说，高水平国际象棋AI的关键是人工植入的一些国际象棋涉及的领域科学知识，再加传统的计算机搜寻高效剪枝算法。值得注意的是，AlphaGo以及 之前所有高水平AI如ZEN和CrazyStone都使用MCTS（蒙特卡洛树形搜寻），而最低水平的国际象棋AI是不必的。MCTS是 CrazyStone的作者法国人Remi Coulom 在2006年年所明确提出的，是上一次棋士人工智能算法获得巨大进步需要战胜一般业余棋手的关键技术突破。
但MCTS只不过是传统搜寻技术没办法解决问题棋士问题时，想要出来的变通办法，并不是说道它比传统搜寻技术更加先进设备。实际MCTS随机仿真，并不是过于缜密，它是出 千上万次仿真，每次仿真都上至终局数子确认胜败统计资料各种自由选择的胜率。这是一个对人类棋手来说非常不大自然的方法，可以预期人类意味著会用这种办法去对局。
国际象棋也可以用MCTS去做到，但没适当。谷歌团队有人用深度自学和MCTS做到了国际象棋程序，但是棋力意味着是国际大师，并没尤其得意。高水平国际象棋算法的核心技术，是十分细致的“局面评估函数”。
而这早在几十年前，就是人工智能博弈论算法的核心问题。国际象棋的局面评估函数很好解读，基本点子是对皇后、车、马、象、兵根据战斗力大小得出有所不同的分值，对王得出一个超级大的分值杀了就是最好的局面。一个局面就是棋子的分值和。 但这只是最完整的点子，子力的配上、兵阵的形状、棋子的方位更加关键，国际象棋中的弃子作乱十分少见。
这必须国际象棋专业人士展开十分专业精细的估值调整。国 际国际象棋AI的水平强弱基本由它的局面评估函数要求。有了好用的局面评估函数以后，再行以此为基础，进行一个你一步我一步的指数拓展的博弈论搜寻树根。
在这个搜寻 树上，利用每个局面计算出来的分值，展开一些专业的高效率“剪枝”（如Alpha-Beta剪枝算法）操作者，增大树根的规模，用受限的计算资源尽量地搜寻 更好的棋步，又不再次发生漏算。 图为搜寻树根示例，方块和圆圈是两个输掉，每一条线代表下出有一招。局面评估后，棋手要遵从MIN-MAX的原则，要“真诚”地指出输掉能中盘最弱应付再行去想要 自己的招。
有局面评估分数的叶子节点只不过不必都搜寻到，因为理论上有剪枝算法证明不必搜寻了。如一下被人吃一个大子，又得到补偿的分枝就不必之后往下 引了。这些搜寻技术发展到很简单了，但都归属于传统的搜寻技术，是人可以信服的逻辑。
国际象棋与中国象棋AI发展到水平很高后，棋手们知道感觉到了电脑的深不可测，就是有时电脑不会中盘人类难以解读的“AI棋”。人类输掉相互下，出有了招以 后，人就不会想要输掉这是想干什么，水平非常的输掉细心思维后总是能找到输掉的战术意图，如另设个套双不吃输掉的马和车，如果输掉防着了，就能不吃个兵。而“AI 棋”的特征是，它背后并不是一条或者少数几条战术意图，而是有一个可观的搜寻树根反对，人类输掉做出任何应付，它都能在几手、十几手后占到得优势，整个战略并 无法用几句话说明确切，有可能必须写出一篇几千字的文章。
这种“AI棋”要思维十分周密深远影响，人类运动员很难下出来。近年来中国象棋成绩最差的是王天一，他的棋艺特点就是主动用软件展开训练，和上一辈高手方法不 同。王天一下出来的招有时就狮AI，实在太有些高手风言风语影射他用软件作弊引起风波，我指出应当是训练方法有所不同造成的。
国际象棋界对软件的推崇与应用于比 中国象棋界很强得多，根本性比赛时，一堆人用软件分析双方的著手优劣，必要作为状态方程，减少了比赛的可看性。 软件能中盘“AI棋”，是因为经过硬件以及算法的持续提高，程序的搜寻能力再一突破了人类的脑力容许，经过高效剪枝后，几千万次搜寻可以倒数推理小说多步并覆盖面积各个分枝，在深度与广度方面都多达人类，可以说道搜寻能力早已多达人类。
只不过最初的棋士AI也是用这个思路研发的，也是创建搜寻树根，在叶子节点上做局面评估函数计算出来。但是棋士的评估函数尤其难搞，初级的程序一般用黑白子对周边 空点的“控制力”之类的完整逻辑展开估值，差错尤其大，估值十分离谱，棋力极低。
无论怎么人工特调整，也搞不好，各种棋形觉得是过于简单。很长时间棋士AI 没实质变革，受限于评估函数极差的能力，搜寻能力极差。
觉得是没办法了，才做出有MCTS这种非大自然的随机下至终局统计资料胜率的办法。MCTS部分解决问题了估值精确性问题，因为下到终局数子是精确的，只要仿真的次 数充足多，有理论证明可以迫近拟合解法。用这种变通的办法绕过了局面评估这个博弈论搜寻的核心问题。
以此为基础，以ZEN为代表的几个程序，在根据棋形走子中选 点上下了苦功，再一获得了棋力突破，需要战胜一般业余棋手。 接下来大自然的发展就是用深度自学对人类高手的选点直觉建模，就是“策略网络”。这次突破引进了机器学习技术，不必须开发者艰辛写出代码了，高水平棋士AI的 研发逆更容易了。即使这样，由于评估函数没获得突破，依然必须MCTS来展开胜率统计资料，棋力依然有限，只相等于业余高手。
“价值网络”横空出世 AlphaGo在局面评估函数上做出了尝试性的创意，用深度自学技术开发出有了“价值网络”。它的特点是，局面评分也 是胜率，而不是领先多少目这种更为大自然的优势计算出来。
但是从《大自然》论文以及版本V13与V18的展现出来看，这时的价值网络并不是过于精确，无法分开用于，不应 该是一个常常错误的函数。论文中提及，叶子节点胜率评估是把价值网络和MCTS上至终局混合用于，各占到0.5权重。这个意思是说道，AlphaGo会象国际 国际象棋搜索算法一样，进行一个叶子节点很多的树。
在叶子节点上，用价值网络算数出有一个胜率，再行从叶子节点开始黑白双方仍然轮流走子终局得出结论胜败。两者都要参照，0.5是一个经验性的数据，这样棋力最低。
这 只不过是一个权宜之计，价值网络不会错误，仿真走子终局也并不可信，通过混合想要相互填补一下，但并无法解决问题过于多问题。最后棋力还是必须靠MCTS海量仿真中举 拢，仿真到新的关键分枝提高棋力。
所以版本V18尤其必须海量计算出来，每步必须的时间比较宽，必须的CPU与GPU个数也不少，谷歌甚至研发了尤其的TPU 展开深度神经网络并行计算提升计算速度。 整个《大自然》论文给人的感觉是，AlphaGo在棋士AI的工程实行的各个环节都精益求精做最差，最后的棋力并无法非常简单地归咎于一两个技术突破。算法研 发与软件工程硬件研发多个环节都不计成本地投放，必须一个人数极大的精英团队全力支持，也必须大公司的财力与硬件反对。
V13与V18更好给人的感觉是工 程成就，之前的棋士AI开发者基本是两三个人的小团队小成本研发，明确提出了各式各样的算法思想，AlphaGo来了个集大成，再一获得了棋力突破。 即使这样，V18在空战中也展现出出有了显著缺失，败给李世石一局，也出有了一些局部计算错误。如果与国际象棋AI的展现出对比，对人并无法说道有优势，而是各有所长。人类高手熟知这类棋士AI的特点后，胜率不会下降，正如对腾讯AI刑天与绝艺的展现出。
ZEN、刑天、AlphaGo版本V18联合的特点是大局观很好。连ZEN的大局观都多达一些不过于留意大局的职业棋手，但是战斗力严重不足。
这是MCTS海量 仿真至终局准确数目带给的优势，对于地块的价值估算比人要准。它们联合的弱点也是局部战斗中会出有问题，干什么搞不清，棋力低的问题较少点。这虽然出乎意料职业棋手 的预料，从算法看作是大自然的。
海量终局仿真能反映虚虚的大局观，但是这类棋士AI的“搜寻能力”依然是严重不足的，局面评估函数水平不低，搜寻能力就严重不足， 或者看起来侦得浅但有漏洞。正是因为搜寻能力严重不足，才必须用MCTS来主打。 但是AlphaGo的价值网络是一个十分最重要而且有极大潜力的技术。
它的革命性在于，用机器学习的办法去解决问题局面评估函数问题，防止了开发者自己去写出可玩性很大甚至是不有可能写出出来的高水平棋士局面评估函数。国际象棋开发者可以把评估思想写出入代码里，棋士是不有可能的，过去的经验早已证明了这一点。机器学习的优点是，把人类说不清楚的简单逻辑放到多达几百M的多层神经网络系数里，通过海量的大数据把这些系数训练出来。
等价一个棋士局面，谁占优势是有确认答案的，高手也能说出一些道理，有内在的逻辑。这是一个标准的人工智能监督自学问题，它的可玩性在于，由于深度神经网络结 可分简单系数近于多，必须的训练样本数量很大，而高水平棋士对局的数据更为难以提供。Deepmind是通过机器自我对局，累积了2000万局高质量对局作为 训练样本，这个投放是海量的，如果机器数量不多有可能要几百年时间，短期分解这么多棋局动用的服务器多达十几万台。但如果知道有了这个条件，那么研究就是进 敲的，怎么打算海量样本，如何建构价值网络的多层神经网络，如何训练提高评估质量，可以去想要办法。
AlphaGo团队算法负责人David Silver在2016年中的一次学术报告会上说道，团队又获得了巨大进步，新版本可以让V18四个子了，主要是价值网络获得了巨大进步。这是十分最重要的信息。 V25能让V18四个子，如果V18相等于人类最低水平的棋手，这是不可想象的。
根据Master对人类60局棋来看，让四子是意味著不有可能的，让二子人类 高手们都有信心。我猜测，V18是和V25下快棋才四个子还赢的。AlphaGo的训练与评估流水线中，机器自我对局是下快棋，每步5秒这样。
2016年 9月还发布了三局自我对局棋谱，就是这样下出来的。V18的快棋能力差，V25在价值网络获得巨大进步能力后，搜寻能力下降很大，只要几秒的时间，搜寻质 量就充足了。
为什么价值网络的巨大进步带给的益处这么大？ 如果有了一个比V18要靠谱得多的价值网络，就相等初步解决了局面评估函数问题。这样，AlphaGo新的prototype就更加相似于传统的以局面评估 为核心的搜寻框架，具有确认性质的搜寻就沦为算法能力的主要力量，碰运气的MCTS不必主打了。因此，V25对人类高手的空战展现出，可以与高水平国际象棋 AI非常了。 我可以认同V25的搜寻框架不会给价值网络一个很高的权重（如0.9），只给走子至终局数子很低的权重。
如果局面稳定双方进行圈地运动，那么各局面的价值网 网分值差不多，MCTS仿真至终局的大局观不会起起到。如果再次发生局部战斗，那么价值网络就不会起着主导作用，对战斗分枝的多个自由选择，价值网络都很快得出流畅的辨别，通过更为原始的搜寻进行，象国际象棋AI一样论证出有人类棋手不懂的“AI棋”。 右图为Master对局对陈耀烨。在黑子力占优势的左上方，白20挂入，白21尖顶夺白根据地意图整体反击，白22飞灵活性上前是常型，23团打算截断红，这 时Master突然在24位靠白一子。
Master相比之前的版本V18，感觉行棋要大力一些，对人类棋手的考验也更加多。可以再会这里白内右脚外右脚两边长脱 再行各种应法很多，并不是很更容易辨别。 但是如果有价值网络对各个结果展开精确估值，Master有可能在下24的时候就早已得出了结论，白无论如何不应，白棋都局势不俗。陈耀烨自战讲解指出，24这讨他早已不应很差了，空战不得已无奈地先稳住阵脚，复盘也没得出好的应付。
某种程度的招法Master对朴廷桓也终其一生。 右图为Master对局对芈昱廷，左上角的大雪崩外两头定式，白下出有手。白44职业棋手都是回头在E13宽的，先前变化很简单。但是Master却先44打 一下，下了让所有人都深感愤慨的46扳，在这个古老的定式中盘了从未见过的新手。
这个新手让芈昱廷短时间内应拢了，不吃了大亏。后来芈昱廷自战总结时说应当可以比空战下得好些，黑棋需要厚重很多，但也难说占优势。但是台词46这招还没几乎拒绝接受。
这个局面很简单，有多个要点，Master的搜寻中是几乎没以定 式的概念的。 我猜测它不会各种手段都试下，由于价值网络比过去准确了，可以创建一个较为可观的搜寻树根，然后象国际象棋AI一样多个局面都考虑过之后综合出有这个新手。这次 Master展现出得不怕简单变化，而之前版本感觉上是展开大局掌控，简单变化算不清绕过去。Master却常常主动挑动简单变化，显著感觉搜寻能力有入 步，算路要浅了。
局面评估函数准确到一定程度突破了临界点，就可以带给搜寻能力的巨大进步。因为开发者可以安心地利用局面评估函数展开高效率的剪枝，节省出来的计算能力可以用作加深的推论，展现出出来就是算数得浅算数得甚广。实际人类的剪枝能力是十分强劲的，计算速度太快，如果还要去思维一些显著敢的分枝，显然没有办法展开精细的推理小说。在一个局面人类的推理小说，只不过就是一堆变化图，众多高手有可能就获得一致意见了。
而Master以及国际象棋AI也是回头这个路线了，它们能挂非常少的变化图，不足以覆盖面积人类考虑到的那些变化图得出靠谱的结论。 但这个路线的必需依赖充足准确的价值网络，否则不会受到多种阻碍。
一是估值拢了，好局面拿走怕局面拔着选错棋讨。二是剪枝不肯做到，搜寻大量无意义的局面，有意义的局面没有时间做到或者深度严重不足。三是要在叶子节点引进较慢走子下完的“检验”，这种检验不一定靠谱，价值网络准确的估值反而给带上扯了。
从空战展现出反推，Master的价值网络质量认同早已突破了临界点，带给了很大的益处，思维时间大幅度增加，搜寻深度广度减少，战斗力下降。AlphaGo 团队新的prototype，架构上有可能更加非常简单了，必须的CPU数目也增加了，更加相似国际象棋的搜寻框架，而不是以MCTS为基础的简单框架。
相比国际象 棋AI简单的人工精心撰写的局面评估函数，AlphaGo的价值网络几乎由机器学习分解，编码任务更加非常简单。 理论上来说，如果价值网络的估值充足准确，可以将叶子节点价值网络的权重下降为1.0，就相等在搜寻框架中几乎去除了MCTS模块，和传统搜索算法几乎一 样了。这时的棋士AI将从理论上几乎战胜人，因为人能做到的机器都能做到，而且还做到得更佳更加慢。
而棋士AI的发展过程可以简略为两个阶段。第一阶段局面估值函 数能力极弱，被逼引进MCTS以及它的天生弱点。第二阶段价值网络获得突破，再度将MCTS从搜寻框架渐渐除去返朴归真，重返传统搜索算法。
由于价值网络是一个机器学习出来的黑箱子，人类很难解读里面是什么，它的能力不会到什么程度很差说道。这样训练认同不会遇到瓶颈，很久不了提高了，但版本V18 那时似乎没有到瓶颈，之后之后获得了巨大进步。一般来说机器学习是仿效人的能力，如人脸识别、语音辨识的能力多达人。
但是棋士局面评估可以说道是对人与机器来说都 十分艰难的任务。 职业棋手们的常识是，直线计算出来或者计算出来更加周密是可以希望解决问题的有客观标准的问题，但是局面辨别是最好的，说道不过于确切，棋手们的意见并不统一。由于人的局面 评估能力并不太高，Master的价值网络在几千万对局精妙训练后多达人类是可以想象的，也带给了棋力与用时展现出的巨大进步。
但是可以合理引 测，AlphaGo团队也不太可能训练无缺失的价值网络，不太可能训练出有国际象棋AI那种完全极致的局面评估函数。 我的猜测是，Master现在是一个“热情”的棋手，并不象之前版本那样对搜寻没信心靠海量仿真至终局验算。
它充份坚信自己的价值网络，以此为基础短时间内进行可观的搜寻树根，下出有信心十足算路深远影响的“AI棋”，对人类棋手主动挑动战斗。这个姿态它是有了。
但是它这个“热情”并不是真理，它只是忠诚地这样辨别了。认同有一些局面它的评估有误差，如棋士之神说道是白胜的，Master指出是黑胜。
人类棋手必须寻找它的推理小说背后的错误，与之展开辨别的对决，无法被它想到。 右图是Master执白对孟泰龄。本局全靠较早于，Master虽然连胜但没战胜过于多强手，孟泰龄之前有战胜绝艺的经验，心理更为平稳并不怕它，本局充分发挥不俗。Master白69点入，71、73、75将白棋分成两段发动凶狠的反击。
但是孟泰龄中盘78位靠的高手，局部结果如下图。 黑棋右边中间分断白棋的四子早已被不吃，白棋厚势与左下势力构成交织，右上还有R17折断不吃角部一子的大官子。黑棋只吃了白棋上边两子，这两子本就正处于受攻状态红并不想。
这个结果无论如何应当是白棋利润，Master再次发生了误算，或者局面评估犯规。 现在职业棋手与AlphaGo团队的棋艺竞争态势有可能是这样的。
AlphaGo仍然靠MCTS主导搜寻改为而以价值网络主打，思维时间大大缩短，在10秒以内就超过了极高棋力，之后时间再行宽棋力快速增长也并不多。棋力主要是由价值网络的质量要求的，冲刷服务器减少搜寻时间对搜寻深度广度意义并不过于大。
所以Master早已较充份的展出了实力，并不是说道还有棋力强劲很多的版本。这和国际象棋AI类似于，两个高水平AI短时间就能大战100局，并不需要人类那么 宽的思维时间。 Master的60局快棋打中了人类棋艺的弱点，它十分热情地主动发动挑战勇于引入简单局面，而人类高手却没能力在30秒内完备应付这些不太熟悉的新 手。而这些新手并不是非常简单的新型，背后有Master的价值网络反对的可观搜寻树根。
如果价值网络的这些估值是精确的，人类高手即使极致应付，也不能是吃 盈，受罚就不会被占便宜。有些局面下，价值网络的估算不会有误差，这时人类高手有惩罚Master的机会，但必须充裕的时间思维，也要有充足的热情与 Master的辨别展开对决。这次60局中棋手由于用时太短心态流失很少做，一般还是不会倒是。
以下是我对柯洁与AlphaGo的人机大战的建议： 1。要对机器有充足理解，不要盲目猜测。
可以非常简单的解读，它相似一个以价值网络为基础的传统搜寻程序。 2。要坚信机器并不极致。
如果它的局面评估函数没错误了，或者相比之下多达人，那就和国际象棋AI一样不可战胜了。但棋士充足简单，即使是几千万局的深度自学，也不有可能训练出有尤其好的价值网络，一定会有漏洞与误差。
只是因为人的局面评估也不是太好，才变得机器很得意。 3。这次机器不会忠诚而热情地使出，它转变了风格，在局面依然僵持的时候会规避简单变化。
因为它的搜寻深度广度减少了，它指出自己算清了，忠诚使出确保自己的辨别，甚至不会主动扑劫造劫。 4。机器的屈服是在胜定的情况下，它指出当真是100%获得胜利了，就随机中选了一手。后半盘经常出现这种情况不必过于费劲去思维了，应当保有体力很快下完了，下一局再行战斗。
5。机器的大局观依然不会很好，基于多次仿真数空，对于虚空的估算从原理上就比人强，这方面人要顶着但无法确信靠此获得胜利。还是应当在简单局部中与机器展开战斗，利用机器价值网络的估值犯规，以人对局面估算的热情与机器的热情展开较量。机器是热情的，人类也必需热情。
或许机器评估准确的概率更大，但是既然都不极致，人类也有可能在一些局面辨别更加准确。 6。机器对略为简单战斗局面的评估是有可观搜寻树根反对的，并会再次发生非常简单的漏算，不应当确信寻找非常简单的手段给机器毁灭性压制。
由于人类的思维速度慢，时间受限，无法展开过于全面的思维。应当集中于思维自己辨别不俗的局面，环绕它展开论证。
如果这个辨别正好是人类准确、机器错误，那人是有机会占优势的。 通过以上分析，我对人机大战柯洁落败一局甚至更加多局还是抱着有一定希望的。期望柯洁需要总结分析棋士AI的技术特点，减少热情，针锋相对采行准确的战略，保卫人类的棋士价值观。
本文来源：博鱼官网平台-www.kombuchaflavor.com
