一，优先搜索胜率最大的棋局，以便能预测更多步以后的棋盘情况；二，即便如此，也无法像井字棋那样搜索到最终局，这时就要评估当前棋局做出评估，判断下一步怎么走，未来胜率更大。

不论是搜索还是评估，深蓝的算法都包含了大量的人类智慧。深蓝仅评估算法就有 8000 多个部分，很多是为特定棋局专门设计的。为完善算法，提高胜率，IBM 还专门请来包括国际象棋特级大师乔尔·本杰明在内的多位顶尖棋手做参谋。

因此，与其说深蓝战胜了人类，不如说超级计算机+科学家+一群顶尖棋手，战胜了一个卡斯帕罗夫。

卡斯帕罗夫与深蓝对弈 / 图片来源：theverge.com

但是，深蓝这种人工调试算法的策略，在围棋上却难以取得相同战绩。这是因为，围棋的可能性和变数都远超国际象棋，即使最顶尖的围棋选手，也很难用有逻辑的语言清晰阐释自己的下棋策略，更不用说把这种策略转化为计算机能够理解执行的编程语言。

　　2

人工智能的胜利

围棋的棋盘为 19x19 的网格，比国际象棋大，可能的下法（10^174）超过已知宇宙中所有原子数目的总和（10^80）。巨大的变数和可能性，让围棋棋道几乎成为一门玄学。

AlphaGo 下围棋的策略，与按人类预设剧本下棋的深蓝不同，其下棋算法没有经过人工调试，全部是靠自己“学会”的。

AlphaGo 的“游戏树” / 图片来源：Nature

AlphaGo 怎么“学”？答案是人工神经网络。人工神经网络是一种计算模型，可以在海量数据中找出规律。近年来，人工神经网络在人脸识别、机器翻译等领域被广泛应用。

如果人脸识别技术大规模应用，丁义珍就跑不了了

与人类神经网络类似，人工神经网络的基本单位是神经元。一个神经元可以接收多个输入，在计算后可以产生一个输出。一个神经网络有若干层，每一层由成百上千个神经元组成。A：生物神经元，B：人工神经元（左侧箭头代表多个输入，右侧箭头代表一个产生的输出），C：突触，D：人工神经网络/ 图片来源：InTechOpen

AlphaGo 使用了两种人工神经网络，一个是预测网络（policy network），一个是评估网络（value network）。预测网络用来预测对手下一步可能怎么走，评估网络则用来评估给定棋局下己方的获胜概率。

人工神经网络要用海量数据训练。AlphaGo 输入了至少三千万种棋局，自我博弈超过一百万次。在与李世石对决前，AlphaGo 预测对手的准确率达到 57%——超过半数的情况下，AlphaGo 能猜中对手下一步会怎么走 / 图片来源：Nature

相比深蓝，AlphaGo 采取的策略效率更高，战绩更辉煌。借助远胜于深蓝的计算能力和搜索策略，AlphaGo 搜索的深度与广度均大幅提高；深蓝要靠人工调试的算法才能战胜卡斯帕罗夫，AlphaGo 的下棋策略，却完全是靠自己在海量数据中摸索出来的。

这是真正的人工智能对职业棋手的胜利。

AlphaGo 的研发团队中仅有黄世杰博士（业余四段）一人会下围棋。在与李世石的对决中，黄博士代为执子。

　　3

为什么柯洁一局都赢不了

理解了 AlphaGo 怎么下棋，就不难理解为什么柯洁必输。首先，AlphaGo 的训练量、所见棋局和进步速度都远超柯洁。

AlphaGo 见过、下过的棋，以百万计。柯洁的训练量，我们做最乐观的粗略估算，也难以超过五万局。