我们用了DCNN(深度卷积神经网络)进行模式匹配再加MCTS(蒙特卡罗树)搜索的办法。DCNN其实要比简单的开局库或者搜索引擎要厉害得多，在看过十几万局棋之后，它会有比较强的泛化能力，或者通俗地说是举一反三的能力。围棋虽说是“千古无同局”，但在局部及开局还是有很多相似或者相同的模式会反复出现，DCNN能够抓住这些模式并且在实战中灵活运用。完全不用搜索的DCNN挂在KGS上就有3段的水平，这是非常让人吃惊的，甚至比我们通过搜索能达到5段更让人吃惊，我们只在这个项目上花了五个月的时间，若是用传统方法来做这个模式识别，估计耗时几年1k都不一定上得了。
单单拿游戏的状态个数去比较它们的难度，是不准确的。有很多状态空间广阔但是易解的例子。比如状态空间的估值函数很平滑，用一个简单的函数就容易拟合，在这种情况下即使状态数目是无穷大，问题也不难。
让计算机投篮，出手的方向、速度、篮球的旋转，每个变量都是连续的，因而有无限可能，但是计算机试几次之后很快就能找到最优解。又比如状态空间存在可以用数学表达的全局结构，这样用贪心法或者动态规划也可以很快地解决，其难度和状态个数就无关。
比如说棋盘上放些黑子作障碍物，要求白子从左上角走到右下角，哪怕是千路万路棋盘，尽管可能的路径有指数条，一个最短路径搜索也就可以搞定了。
围棋难的地方在于它的估值函数非常不平滑，差一个子盘面就可能天翻地覆，同时状态空间大，也没有全局的结构。这两点加起来，迫使目前计算机只能用穷举法并且因此进展缓慢。但人能下得好，能在几百个选择中知道哪几个位置值得考虑，说明它的估值函数是有规律的。这些规律远远不是几条简单公式所能概括，但所需的信息量还是要比状态空间本身的数目要少得多(得多)。现在的深度学习能在大量对局中找到这样的一些规律，但仍然没有人脑厉害。这一方面说明我们现在算法的局限性，另一方面它还有巨大的发展空间。
一句话，穷举状态并不是最终目标，就算以后超超级计算机能做到这一点，也不能说解决了人工智能。只有找到能学出规律的学习算法，才是解决问题的根本手段。像NP-hard的问题也是如此，不太可能会在多项式时间内被一个简单算法解决，也不太可能需要超级计算机穷举解决，而是会被过去的大量经验加上适当搜索解决。这个方向最近开始有一些文章了，我觉得这是个有趣的方向。
大家都知道创造是需要素材的，从机器学习的角度来说，素材就是给自己大脑的训练样本，在从这些样本中抽取别人不曾抽取到的共同点，找到潜在的联系及局限性，创造力就会自然而然地产生。
现在机器不如人的地方就是它抽取的效率太低，需要大量的样本，而人脑在过去经验加上更有效算法的基础上，只要几个样本就可以做到。如何让计算机也做到这一点?我们还需要进一步的研究。
作者：田渊栋，美国卡耐基梅隆大学机器人系博士
