AlphaGo的問世，使得有些人會很好奇怎麼這麼強，甚至覺得懷疑，提出造假論
我想就我的理解來讓大家稍稍體會AG或一般程式裡面的運作模式。不過，因為
我不是專家，同時又要寫的通俗，難免背離實際設計難度而過度簡化，歡迎指正
與補充。
整個系統主要有幾個大的模組，簡介如下：
形勢判斷模組（value network）
這個模組要回答一個很單純的問題：給你看一個中盤，請問雙方獲勝機率為何？
訓練方式就是給非常非常大量的棋譜庫，隨機展示（中盤畫面，最終輸贏）這樣
的案例給電腦去學習，學習的方法是最近人工智慧的大熱門 deep learning，有
興趣且英文好的玩家推薦去看 udacity 上 google 專家的線上教學。
下一步去哪兒模組（policy network）
這個模組要回答一個很單純的問題：給你看一個中盤，請問棋盤上每個位置成為
下一手的機率為何？訓練方式就是給非常非常大量的棋譜庫，隨機展示（中盤畫
面，下一手）這樣的案例給電腦去學習。
賽局樹（Game tree）
用張圖舉個例子 http://imgur.com/XwQ6tmm
上圖：假設圓圈是該黑棋下，方塊是該白棋下，假設現在“下一步
模組”會提供兩個落子的可能性，黑棋任選其一下了之後，就會出
現兩個可能的盤面情形（分支），接著，請出“形勢判斷模組”來
打分數，分別給出-6和-11的得分，如果黑棋只滿足於最最簡單的
計算，那麼它就會挑-6這個相對較好的發展方向來落子，問號的位
置將被填入-6。
中圖：假設黑棋認為時間充裕或他的硬體強大，可以做更深入的
計算。那他或許覺得把-6這個局勢再多設想一步比較保險，於是
現在從-6這個盤面開始考慮，是該白棋落子了。同樣透過“下一步
模組”來提供兩個落子的可能性，白棋任選其一下了之後，就會出
現兩個可能的盤面情形，接著，請出“形勢判斷模組”來打分數，
分別給出21和-8的得分。
下圖：因為要站在白棋的角度思考，他想把盤面弄的對黑棋不利
，21和-8中，白棋應會選擇-8，於是，在第一張圖時原本認為導
向-6這個局面其實再更進一步思量之後，局面繼續發展方向沒那
麼樂觀，實際上只有-8分而已。至此，最頂層的黑棋便必須在-8
或-11中挑較佳的下，所以下圖裡面的問號將會被填上-8，代表以
黑棋目前的細算能力，他認為他會把棋盤導向最下排右邊那個得
分-8的盤面。
以此類推，輪流請出兩個模組的結果，就是這棵樹會越長越多層。
如果你的時間充裕或硬體強大，也可以讓“下一步模組”每次提供
三個以上的落子位置來候選，這樣樹就會長得比較寬（分支較多）
，又或者，你可以一次又一次的使用“下一步模組”來多往下發展
幾步，這樣樹就會長得比較深比較多層。總之，你有多少養分，就
可以種多大的樹，隨時可以喊停，不用去窮盡所有棋局變化，這樣
做是不切實際的。
最大最小法則（Minmax rule）
以這個圖作為例子 http://imgur.com/TsmiK04
現在該黑棋下，他當然希望局面分數越高越好（Max），但是他也
知道白棋不會讓他如意，會試圖把局面搞得越難看越好（Min），
於是，即使在他這棵0～4層的細算樹裡面也有著高達20分的分支，
黑棋是不可妄想去走到那個盤面的，他會從-8和-10選一個相對高
的，也就是問號的位置會被填入-8，代表目前黑棋可達到的最好形
勢。備註一下這裡的分數只是網路上隨便抓的圖，真正的分數可以
想成是落在0～1的獲勝機率。當然，這個最大最小法則只是最粗淺
的賽局策略而已，實際上AlphaGo有更好的細算方法，叫做蒙地卡羅
樹搜尋（Monte Carlo tree search），複雜許多，這裡就不細說了。
結語
近五年由於 deep learning 的問世，提煉出大量數據之精華的效果也變得超級好，
人工智慧的趨勢就是：得大數據/超級電腦者，得天下。舊的工程方法引入 deep
learning 改良後效能也都是巨幅提升，不僅僅是在電腦圍棋這塊而已。