之后黑棋逐漸占據(jù)上風(fēng)，進(jìn)行到76手的時(shí)候我覺得AlphaGo下的實(shí)在太機(jī)械，太僵硬，有點(diǎn)暴露“機(jī)器本性”。
進(jìn)行到這里大家開始普遍看好黑棋了。接下來是本盤最有看點(diǎn)的一招：
102 是非常有個(gè)性的一步，也是柯潔(九段)指出的好棋，之后AlphaGo占到便宜以后連續(xù)兩次脫先，逐漸扭轉(zhuǎn)了局面。
之后右下角的懸念是AlphaGo右下沒有跳一路是看到目數(shù)優(yōu)勢(shì)，簡(jiǎn)明處理還是沒有看到手筋，當(dāng)然我傾向于前者。
之后收官雙方都很平穩(wěn)，本局唯一一次打劫也簡(jiǎn)單結(jié)束，希望之后能看到AlphaGo對(duì)于復(fù)雜劫爭(zhēng)的控制水平。
張崢
上海紐約大學(xué)計(jì)算機(jī)科學(xué)教授、前微軟亞洲研究院副院長(zhǎng)
剛剛仔細(xì)讀過AlphaGo，沒覺得有什么破綻。在自己左右手互搏中的計(jì)算價(jià)值那部分為了效率用了“快棋”策略，可能粗糙些，但下得多可以彌補(bǔ)。有網(wǎng)友提出的和李世石比賽會(huì)“偷招”這個(gè)倒不用擔(dān)心，五局的樣本對(duì)機(jī)器沒用，它不靠這個(gè)，靠的是工程上高效率、策略上粗枝大葉但大方向正確。
AlphaGo勝利的概率是100%，只不過不見得是這次。“毛病”還是機(jī)器學(xué)習(xí)的老毛玻表現(xiàn)在：無法總結(jié)規(guī)律，或者說無法吐出一套規(guī)整自洽的規(guī)律；泛化能力差，無法在復(fù)盤中舉一反三，即便告訴它哪步走錯(cuò)了，恐怕它也不知道為啥，只是一氣兒死磕到撞了南墻才完事。
對(duì)谷歌如何復(fù)盤我很好奇。
如何實(shí)現(xiàn)不敗呢？AlphaGo從大量的棋譜開始練，除非有它沒見過的變化，而且遠(yuǎn)離它見過的和自己能演練到的。要下無理棋，把圍棋當(dāng)五子棋下……
但這種可能性太校歸根結(jié)底，和國(guó)際象棋變化少不一樣，問題是圍棋太古老了，以至于窮舉了太多可能，而且還讓AlphaGo看了！剩下的變化空間人是可以其樂無窮地去變化，對(duì)機(jī)器來說分分秒嗖嗖地就搜完了。這里圍棋的長(zhǎng)板變成短板，幫了AlphaGo：由于規(guī)則太簡(jiǎn)單，被機(jī)器抄了近道。
田淵棟
卡耐基梅隆大學(xué)機(jī)器人系博士、Facebook人工智能組研究員，F(xiàn)acebook人工智能圍棋程序Darkforest負(fù)責(zé)人
我圍棋水平很爛，但總的來說，可以對(duì)Alphago有所評(píng)論。第一點(diǎn)，如果你覺得AlphaGo的落子水平會(huì)波動(dòng)，其實(shí)它可能判斷勝率已經(jīng)很高，有時(shí)候隨便下；第二點(diǎn)，蒙特卡洛樹搜索是遇強(qiáng)則強(qiáng)的，如果對(duì)手太弱的話也不會(huì)下出太強(qiáng)的手；第三點(diǎn)，AlphaGo下棋每一步最后都是算整體分?jǐn)?shù)的，并非單純局部，反倒是有時(shí)候局部弱，對(duì)殺會(huì)有問題；第四點(diǎn)，接下去的研究是進(jìn)入程序的黑箱里去。人工智能研究者們雖然設(shè)計(jì)學(xué)習(xí)算法，但其實(shí)不知道電腦是怎么決策的，要打開黑箱了解內(nèi)部機(jī)理，還有很長(zhǎng)的路要走。
董飛
數(shù)據(jù)科學(xué)家、Coursera數(shù)據(jù)工程師
這次是太多意外，在大家一邊倒的支持李九段的時(shí)候，也有李開復(fù)老師、余凱老師(前百度研究院副院長(zhǎng))力挺AlphaGo，認(rèn)為機(jī)器會(huì)贏。
這盤棋大致是前半段，李世石占有很多先機(jī)，但后來不知道為何保守下棋，犯了一些失誤，勢(shì)力峰回路轉(zhuǎn)，而AlphaGo中盤發(fā)力，180度轉(zhuǎn)彎，把李世石逼著認(rèn)輸。
我想作為一次焦點(diǎn)比賽，關(guān)注的人太多，比賽的壓力很大，李世石也似乎沒有發(fā)揮最佳水平，今天這一盤還不能完全說明問題，如果明天他接著輸了，那可以認(rèn)定人工智能真的在圍棋領(lǐng)域取得革命性突破。