硬體運算能力和演算法不能分開看，都要夠成熟才會進下一步。
其實圍棋的Monte-Carlo Tree Search(MCTS)和將棋的Bonanza Method都
大略在2006年左右取得突破，這不是巧合。
以將棋的Bonanza Method來說，其實它只是西洋棋裡Comparison Learning的重現，
兩者是一模一樣的東西，只是Comparison Learning是在90年代，
要能學出有效的審局要上萬個參數(feature)才能做到，當時硬體運算速度要等非常之久，
會變得很不實際，而是到2006年左右硬體運算夠力才讓它效果出來。
MCTS也是差不多的故事，用Monte-Carlo法來下圍棋也是90年代就有的概念，
只是Monte-Carlo法要跑模擬數量規模夠多的情況下好會有好效果，但也是等到約10年前
硬體運算才跟得上。
當然，雖然是90年代就提出，但現在用的方法其實跟90年代時提出的長得不一樣，
有了最近的修改，加上硬體運算夠力，兩者都夠成熟了才能有突破．
AlphaGo也是一樣的情況，Deep Neural Network的學習也是要有GPU才會比較夠，
光用cpu跑會太重，所以硬體運算能力不夠的話，這方法也錢是"不實際"的
其實Neural Network也是80年代就有的東西，但也是2006年左右deep learning才取得
突破，早期要train一個很大的Neural Network太花時間，也"不實際"．
當然，不單純是運算力的問題，演算法上也有個關鍵的突破(解決overfitting)才成功
所以這兩者是相輔相成，不能獨立來看的
※ 引述《einstean (台北捷運世界一流)》之銘言：
: ※ 引述《zkow (逍遙山水憶秋年)》之銘言：
: : 將出戰南韓棋王
: : AlphaGo在3月將於首爾出戰全球最厲害職業圍棋手、號稱「圍棋界費德勒」的南韓棋王李
: : 世石，勝者可得約3356萬元台幣獎金。李說：「我聽說DeepMind的人工智慧出奇地強且愈
: : 來愈厲害，但我有信心至少這次能贏。」
: 如果將棋電王戰的獎金也有100萬美金的話，我就不相信羽生渡邊不會來參加。
: Google的做法就像當年IBM的深藍電腦一樣，藉由打敗棋王來提升企業和產品知名度。
: 1996年2月10日，深藍首次挑戰西洋棋世界冠軍卡斯巴羅夫，但以2-4落敗。比賽在2月17
: 日結束。其後研究小組把深藍加以改良，1997年5月再度挑戰卡斯巴羅夫，比賽在5月11日
: 結束，最終深藍電腦以3.5–2.5擊敗卡斯巴羅夫，成為首個在標準比賽時限內擊敗西洋棋
: 世界冠軍的電腦系統。
: 我想今年電腦應該不會贏，可是再過幾年就很難說。