AlphaGo是一个有“深度学习”能力的人工智能系统，利用深度学习算法，能够吸收知识改进自身——包括神经网络的拓扑结构和神经元的权重与阈值。这意味着，AlphaGo今天可以学习下围棋，明天也许就可以学习玩“飞机大战”、学习画油画等等。这种模拟人类的学习能力，才是AlphaGo真正的厉害之处。
让我们来看看AlphaGo是怎样成为围棋高手的。
“AlphaGo系统主要由四个部分组成：
1. 走棋网络（Policy Network，也译为策略网络），给定当前局面，预测/采样下一步的走棋。
2. 快速走子（Fast rollout），目标和1一样，但在适当牺牲走棋质量的条件下，速度要比1快1000倍。
3. 估值网络（Value Network），给定当前局面，估计是白胜还是黑胜。
4. 蒙特卡罗树搜索（Monte Carlo Tree Search，MCTS)，把以上这三个部分连起来，形成一个完整的系统。”
——田渊栋（卡耐基梅隆大学机器人系博士，Facebook人工智能组研究员）
其中，“走棋网络”（也称策略网络）会对全局进行把控，先剔除一些多余选项——面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。而“估值网络”（也称价值网络）会对棋路的价值进行评估——AlphaGo会一边推算一边判断局面，在局面处于明显劣势的时候，再集中进行推算的价值已经不高，可以果断放弃，避免了“一条道走到死”的局面；利用蒙特卡洛算法，将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些“含金量”较高的地方。
策略网络和价值网络是两种深度神经网络，简单来说，策略网络负责减少搜索的宽度，价值网络负责减少搜索的深度，从而将系统的计算量控制在可以接受的范围内。
AlphaGo之父——杰米斯•哈萨比斯（Demis Hassabis），AlphaGo研发公司“Deep Mind”创始人
