不过就在 51 场连胜之后，1 月 4 日，“Master”第 52 盘以和棋结束，“Master”的 51 连胜纪录就此终止。这场比赛中，“Master”挑战中国围棋职业选手陈耀烨。 “Master”执黑棋、陈耀烨执白棋，30 秒 3 次快棋。不过陈耀烨出现了断线情况，30 秒没有落子，系统判定和棋。

　　今日，“Master”出现以来最受瞩目的比赛在 Master 和聂卫平之间进行。年届 64 岁的中国棋圣和“Master”的比赛也是这个人工智能程序进行的第 54 局比赛。本局“Master”特意把比赛用时调整为每方 1 分钟一手，以示对聂卫平的尊敬。

　　最终本局进行至手，执白的聂卫平以 7 目半的劣势落败。本局“Master”在右上角下出犀利的手段，吃掉了聂卫平一块棋由此确立优势，并保持到了最后。而随着棋圣聂卫平落败，“Master”将自己的不败纪录延续至 54 场，中日韩高手无一能在这次“快棋”对决中取胜。

　　4 日晚，随着古力败下阵来，Master 对人类棋手获得了 60 场不败的纪录。

　　AlphaGo 技术原理

　　AlphaGo 从 3 月份至今，经过 10 个月的发展，已经有了非常长足的进步，不过要追溯其技术原理，最详细的还是 3 月份发布在 Nature 的封面论文：Mastering the game of Go with deep neural networks and tree search（透过深度神经网露和树状搜索，学会围棋游戏）。

　　AlphaGo 给围棋带来了新方法，它背后主要的方法是 Value Networks（价值网络）和 Policy Networks（策略网络），其中 Value Networks 评估棋盘位置，Policy Networks 选择下棋步法。这些神经网络模型透过一种新的方法训练，结合人类专家比赛中学到的监督学习，以及在自己和自己下棋（Self-Play）中学到强化学习。这不需要任何前瞻式的 Lookahead Search，神经网络玩围棋游戏的能力，就达到了最先进的蒙地卡罗树状搜索演算法的级别（这种演算法模拟了上千种随机自己和自己下棋的结果） 。我们也引入了一种新搜索演算法，这种演算法将蒙地卡罗模拟和价值、策略网络结合起来。

　　透过将 Value Networks、Policy Networks 与树状搜索结合起来，AlphaGo 达到了专业围棋水准，让我们看到了希望：在其他看起来无法完成的领域中，AI 也可以达到人类级别的表现！

　　DeepMind 团队对围棋项目的介绍