一、搜索空間龐大（分支因數(shù)就有200），一個很好的例子，就是在圍棋中，平均每一個棋子有兩百個可能的位置，而象棋僅僅是20. 圍棋的分支因數(shù)遠大于象棋。
二、比這個更難的是，幾乎沒有一個合適的評價函數(shù)來定義誰是贏家，贏了多少；這個評價函數(shù)對于該系統(tǒng)是至關重要的。而對于象棋來說，寫一個評價函數(shù)是非常簡單的，因為象棋不僅是個相對簡單的游戲，而且是實體的，只用數(shù)一下雙方的棋子，就能輕而易舉得出結論了。你也可以通過其他指標來評價象棋，比如棋子移動性等。
所有的這些在圍棋里都是不可能的，并不是所有的部分都一樣，甚至一個小小部分的變動，會完全變化格局，所以每一個小的棋子都對棋局有著至關重要的影響。最難的部分是，我稱象棋為毀滅性的游戲，游戲開始的時候，所有的棋子都在棋盤上了，隨著游戲的進行，棋子被對方吃掉，棋子數(shù)目不斷減少，游戲也變得越來越簡單。相反，圍棋是個建設性的游戲，開始的時候，棋盤是空的，慢慢的下棋雙方把棋盤填滿。
因此，如果你準備在中場判斷一下當前形勢，在象棋里，你只需看現(xiàn)在的棋盤，就能告訴你大致情況；在圍棋里，你必須評估未來可能會發(fā)生什么，才能評估當前局勢，所以相比較而言，圍棋難得多。也有很多人試著將DeepBlue的技術應用在圍棋上，但是結果并不理想，這些技術連一個專業(yè)的圍棋手都打不贏，更別說世界冠軍了。
所以大家就要問了，連電腦操作起來都這么難，人類是怎樣解決這個問題的？其實，人類是靠直覺的，而圍棋一開始就是一個靠直覺而非計算的游戲。所以，如果你問一個象棋選手，為什么這步這樣走，他會告訴你，這樣走完之后，下一步和下下一步會怎樣走，就可以達到什么樣的目的。這樣的計劃，有時候也許不盡如人意，但是起碼選手是有原因的。
然而圍棋就不同了，如果你去問世界級的大師，為什么走這一步，他們經?；卮鹉阒庇X告訴他這么走，這是真的，他們是沒法描述其中的原因的。我們通過用加強學習的方式來提高人工神經網絡算法，希望能夠解決這一問題。我們試圖通過深度神經網絡模仿人類的這種直覺行為，在這里，需要訓練兩個神經網絡，一種是決策網絡，我們從網上下載了成百萬的業(yè)余圍棋游戲，通過監(jiān)督學習，我們讓阿爾法狗模擬人類下圍棋的行為；我們從棋盤上任意選擇一個落子點，訓練系統(tǒng)去預測下一步人類將作出的決定；系統(tǒng)的輸入是在那個特殊位置最有可能發(fā)生的前五或者前十的位置移動；這樣，你只需看那5-10種可能性，而不用分析所有的200種可能性了。
一旦我們有了這個，我們對系統(tǒng)進行幾百萬次的訓練，通過誤差加強學習，對于贏了的情況，讓系統(tǒng)意識到，下次出現(xiàn)類似的情形時，更有可能做相似的決定。相反，如果系統(tǒng)輸了，那么下次再出現(xiàn)類似的情況，就不會選擇這種走法。我們建立了自己的游戲數(shù)據庫，通過百萬次的游戲，對系統(tǒng)進行訓練，得到第二種神經網絡。選擇不同的落子點，經過置信區(qū)間進行學習，選出能夠贏的情況，這個幾率介于0-1之間，0是根本不可能贏，1是百分之百贏。
通過把這兩個神經網絡結合起來（決策網絡和數(shù)值網絡），我們可以大致預估出當前的情況。這兩個神經網絡樹，通過蒙特卡洛算法，把這種本來不能解決的問題，變得可以解決。我們網羅了大部分的圍棋下法，然后和歐洲的圍棋冠軍比賽，結果是阿爾法狗贏了，那是我們的第一次突破，而且相關算法還被發(fā)表在《自然》科學雜志。
接下來，我們在韓國設立了100萬美元的獎金，并在2016年3月，與世界圍棋冠軍李世石進行了對決。李世石先生是圍棋界的傳奇，在過去的10年里都被認為是最頂級的圍棋專家。我們與他進行對決，發(fā)現(xiàn)他有非常多創(chuàng)新的玩法，有的時候阿爾法狗很難掌控。比賽開始之前，世界上每個人（包括他本人在內）都認為他一定會很輕松就打贏這五場比賽，但實際結果是我們的阿爾法狗以4:1獲勝。圍棋專家和人工智能領域的專家都稱這具有劃時代的意義。對于業(yè)界人員來說，之前根本沒想到。
4.棋局哪個關鍵區(qū)域被人類忽視了？