如果以電腦將棋的經驗來看，
只要AlphaGo除了贏棋目標之外，多搭載形勢分析、
以及步數模擬推演的機能，許多讓人無法理解的走法，
一樣可以變成讓人易懂可學的模式。
例如我以GPS將棋（雖然現在它算弱的將棋軟體）來跑2014年名人戰第一局棋譜，
在第105手下完後，推估後手第106手該如何下時，
軟體的分析會出現類似這樣的訊息：
[-52] △２五桂(33)▲２六歩打△３七歩成(36)▲同桂(29)△３六歩打▲２五歩(26)
△２六金打▲３八銀打△３七歩成(36)▲同銀(28)△同角成(46)▲同金(47)
△同金(26)▲同銀(38)
[282] △４五金打▲６五歩(66)△３七歩成(36)▲同銀(28)△３六歩打▲同金(47)
△同金(45)▲同銀(37)△４四角(35)▲３七銀打△同角成(46)▲同桂(29)
△３五歩打▲４七銀(36)△９九角成(44)▲７四歩打△同歩(73)▲７三歩打
△同金(72)▲３四歩打△８九馬(99)▲８二角打△７二金(73)▲９一角成(82)
△４四香打▲３三歩成(34)△３六桂打▲５九玉(48)△３三金(32)
[306] △４五金打▲６五歩(66)△３七歩成(36)▲同銀(28)△３六歩打▲同金(47)
△３七角成(46)▲同金(36)△５六金(45)▲同飛(76)△６七銀打▲３六飛(56)
△５八銀成(67)▲同玉(48)△１三角(35)
...............................
當然現在只簡列上面三種，事實上還有超多種變化未列出來佔篇幅，
但從中可以看出軟體評估當前情勢下哪一手，它距離贏棋的勝算更高。
（負值代表後手優勢、正值代表先手優勢）
然後出現無法理解的下法時，就直接分析它背後思考的行棋變化，
就會知道為何它會這樣下。
如果對它的分析不服氣，認為有更好的下法時，
我們也可以很輕易的透過盤面編輯，變成我們認為比較好的下法，
接著讓它去重新分析形勢，往往就會發現我們覺得好的下法，
其實只要對方在某個應手得宜，事實上這個變化是比較不利的。
而AlphaGo這次更優秀的地方在於，它的自我學習能力顯然很驚人。
現有的將棋軟體，即使有搭載自我學習能力，看來還是明顯劣於google所寫的程式。
公認最強的軟體ponanza之所以強，仰賴的也不是自我學習能力，
而是設定參數最為精確，但也由於是參數，
所以還是可能出現在某些特定形勢下，會由於參數設定問題而出現誤判。
但這一點在AlphaGo上可能就不太會發生。
也因此，若利用AlphaGo來分析現在的對局形勢、
以及展開它背後的行棋邏輯的話，理論上對職業棋士學棋應該會有幫助，
至少現在也有不少將棋棋士正在利用軟體練習對局，以及借重它的思考，
研究它所分析的棋路變化，來藉此強化自己的棋力。