Google的AlphaGo创新的东西并不多，更多的是机器学习领域的技术应用水到渠成了。神经网络系统问世半个多世纪了，只是计算机速度快了，能处理的数据多了，调试的技术也相对成熟了，应用才越来越多了。

很多人觉得电脑可以通过成百上千台机器自己和自己下棋学习提高，那岂不是每个月实力都会突飞猛进。其实不会的。当模型接近一个优化解之后，大量的数据输入也不会在有明显提高了。在对樊麾的时候，AlphaGo应该已经接近一个优化解了，之后的进步并不大。

为什么AlphaGo盘面领先的时候经常出臭棋？因为AlphaGo的目标是赢棋的几率，不是去寻找最优解。可为什么局部在计算量不大的情况下，它反而会下出既吃亏也不算简化局面的棋呢？因为AlphaGo很可能也动态的优化计算的时间。就是说，赢面大的时候，它大大减少了搜寻博弈树的广度和深度来节约时间，这样就可能很快找到一步过得去的棋，只要没有怎么降低胜率，它就不再继续找更好的招法了。

有人说李世石在明处，AlphaGo可能进行了针对性的学习。这是很不可能的。因为在机器学习里，为了让结果有意义，要尽量用不同的技术避免过拟合（overfitting）。否则，它面对实战中新的局面的应对能力只会变差。

据说，谷歌团队要把过去人类的棋从系统里删掉，全部依赖机器自己下棋来重新学习。这是怎么回事？了解一点机器学习的人都知道，学习过程很可能会停止在一个局部优化解上。AlphaGo从人类棋局开始学习，现在的棋也有很多人类棋的影子，即使它能打败所有人类棋手，有没有可能只是找到一个局部的优化解，就像下图里的local minimum？还有没有更好的全局最优解？这是非常有意思的事。到时，我们可能看到全然不同的围棋理念。