虽然增强学习网络被证明比 SL 网络更强，但是，当走法的选择经过SL网络提升时，AlphaGo的整体表现会更好。有这样一个事实可以解释这一现象——SL 网络更像人类，它是经由真实的人类对弈训练的。人们总会倾向于进行更多的贪多，atv，有时是处于对弈中的错误，有时则是因为热情。

　　虽然如此，增强学习网络在 AlphaGo 的其他部分找到了用武之地。也就是被用于评估价值函数的价值网络。

　　AlphaGo 最大的优势是应用了通用算法

　　本文探讨了首个精通围棋这项运动的人工智能 AlphaGo 的相关现象。在此重述们一下相关要点。定义了围棋的规则后，我们解释道计算机通过遍历博弈树从而掌握了这一游戏。然而，围棋的博弈树极其庞大，大到需要应用如 MCTS 之类的统计方法。我们在 MCTS 中加入了几个改进措施，然后就看到 AlphaGo 使用卷积神经网络来进一步加强了 MCTS。

　　可以说 AlphaGo 最大的优势就是它应用了通用算法，而不是仅局限于围棋领域的算法。AlphaGo 证明了像围棋这样复杂的问题都可以通过先进的技术解决。深度学习已经 被成功应用于图像及自然语言处理、生物医疗及其他领域。AlphaGo 的开发者们所使用的方法或许也可被应用于上述领域。