“阿尔法围棋”的技术架构就是深度学习神经网络中的CNN架构（两种落子策略——“监督学习”“强化学习”和一个局面评估策略）及蒙特卡罗搜索树。其中，三种策略的神经网络架构基本相同，环环相扣。
首先，“阿尔法围棋”纯粹地学习人类下棋经验，观察人类选手如何落子，不涉及对优劣的判断。这招落子策略被称为“监督学习”。接下来，“阿尔法围棋”通过和自己下棋来进行“强化学习”，学习如何找到最佳对应落子，最终赢棋。最后，“阿尔法围棋”跳出具体步骤来“看”整盘棋，也就是局面评估策略。
有了以上三个深度学习策略，“阿尔法围棋”再引入蒙特卡罗搜索树，以减少预测对手下一步棋的难度和复杂性。蒙特卡罗搜索树并不是一种算法，而是对一类随机算法的特性的概括。举例来说：假如筐里有100个苹果，随机拿一个，再随机拿一个跟它相比，留下大的。这样，每拿一次，留下的苹果都比上次大。拿的次数越多，挑出的苹果就可能越大，但除非拿100次，否则无法确定挑出了最大的那个。这就是蒙特卡罗搜索树。
“阿尔法围棋”赢了李世石，很多人开始担心人工智能会对人类产生威胁。事实上，人工智能要在现实世界中应用，仍然是相当困难的。
在理论上我们就面临两个问题：一是统计学习方面，我们需要了解“深度学习”到底需要多少训练样本，才能学习到足够好的深度模型？另一个是计算方面，我们需要多少计算资源才能通过训练得到更好的模型？这些理论研究极其困难。
另外，针对具体应用问题，是否可能建立一个深度模型的建模语言，作为统一的框架来处理文字、语音和图象？
还有，对于互联网公司而言，如何在工程上利用大规模的并行计算平台来实现海量数据训练？传统的大数据平台不适合需要频繁迭代的深度学习。
再有，蒙特利尔大学教授约舒瓦•班吉奥表示：“深度学习领域目前的困境是缺乏专家，培养一个博士生大约需要五年，但是五年前还没有博士生开始从事深度学习研究，这意味着现在该领域的专家极度稀缺。”
最后，并非每个人都认为深度学习会助推人工智能超越人脑。有些批评家表示，深度学习和人工智能从根本上忽略了大脑生物学的很多方面，太过于注重计算能力。
在这场人机大战之前，研究者让“阿尔法围棋”和其他围棋智能程序进行了较量。在总计495局中，“阿尔法围棋”只输了1局，胜率是99.8%。它甚至尝试让4子对阵“狂石”、“天顶”和“Pachi”三个先进的程序，胜率分别是77%、86%和99%。
去年年底，“阿尔法围棋”的Elo围棋等级分是3168分，而李世石是3532.按照“阿尔法围棋”的等级分，如果它是一个人类选手的话，对弈李世石获胜的可能性是11%，对弈5盘胜出3盘或更多盘的可能性，只有1.1%。
（选自《文汇报》，有删改）
