我觉得现在AlphaGo对人类围棋理论的帮助暂时不多,AlphaGo的设计者和AlphaGo下棋能赢吗大家有何看法当然赢不了,deepmind的程序员不是围棋高手,因为这个程序是为了赢棋而设计的,这些设计人员其实就是程序员,现在地球上还没有人类能在下棋这个事情上打败阿尔法狗,利用所谓的价值网络与决策网络来驱动阿尔法狗的学习进化,其计算能力是人类所不能模仿的。
AlphaGo的设计者和AlphaGo下棋能赢吗大家有何看法
当然赢不了。
阿尔法狗的设计人员是deepmind团队，主要是一些英国人，后来被美国的谷歌公司收购了。这些设计人员其实就是程序员，他们编写了深度学习的人工智能程序，用了多层的神经网络，利用所谓的价值网络与决策网络来驱动阿尔法狗的学习进化。但一旦程序编写好了以后，如何进化是阿尔法狗自己的事情，对程序员来说，因为这个神经网络非常复杂，所以整个工作计算的过程数据之间的交换是惊人的天量，在下棋过程中，可以说计算过程犹如在一个黑箱里进行的。
deepmind的程序员不是围棋高手，他们只是程序员，按照围棋的简单规则编写的深度学习程序，他们如果与阿尔法狗下棋，分分钟就会被秒杀。现在地球上还没有人类能在下棋这个事情上打败阿尔法狗。
这事情其实也很容易理解，汽车企业的工人造出了汽车，他能跑得比汽车快吗？当然是不能的。
AlphaGo的棋路对我们目前的围棋理论有什么启示
说几句真心话，我觉得现在AlphaGo对人类围棋理论的帮助暂时不多。
首先，AlphaGo被设定为只为提高赢棋概率为目的，通过对价值网络分析大量局面得到参数，记录了海量的数据，又有强大的全局性计算力作为支撑，其计算能力是人类所不能模仿的。
其次，AlphaGo在Zero之前的版本里，前半盘的下法是非常单调的。比如在正解解集里，前50步赢棋的方式有100万种（举例），AlphaGo可能只取其中的1000种，余下的根本不管了。因为这个程序是为了赢棋而设计的，而非为了找到所有正解而设计的。直到AlphaGo Zero的论文，我才看到有提到为了保证开局多样性而做的程序设定。-aiphago
所以，如果要充分利用AlphaGo模型，光和程序下棋是远远不够的。我觉得我们还有两件事要做：
1. 拿到后台数据，观察各种局面和棋型中，价值网络提取得到的结果。这对提高人类的常识积累、训练更准确的棋感很有帮助。
2. 拿程序来推演前半盘的布局定式。人类对布局定式的研究，都要回归到大量的实战中去验证，可是多大量的实战可以和AlphaGo的自对弈相比？人类职业对局一年能有多少盘？限于对胜负的追求，又有多少盘棋中敢尝试结论未定的新变化？但是如果我们用AlphaGo顺着一条路走下去，得到各个分支最终的胜率，就能更快速准确的找到一个布局或定式变化的正确方向。-aiphago
在未来，如果我们能实现这两点，我觉得这对于人类研究围棋的意义可能会非常重大。我期待着国家队早日能有这样的超级AI程序辅佐研究训练，也期待着《围棋天地》上每一期都能讲解职业棋手利用程序进行研究的最新结论。-aiphago
AlphaGo是如何下棋的，它真的能“理解”围棋吗
因为比较久远了，我先按记忆里的科普来尝试回答，等大牛来详解。
电脑最强的是什么？是数据处理能力，他们永远不会忘记。
DM的基本原理就是开发者通过把成千上万的棋谱输入进去之后，并且让计算机去总结归纳出一个最优方案，让计算机通过快速运算得出一个最优化（胜率最高）的走法。具体的计算和处理逻辑可能只有内部人士可以去剖析了，我们外部人员只能知道皮毛。-aiphago
但是有一点是肯定的，这需要极大的计算量以及非常庞大的逻辑编程系统，这也是为什么DM是人工智能发展至今的顶峰。
