到底是什么让AlphaGo变得如此成功
AlphaGo背后是一群杰出的计算机科学家，确切地说，是机器学习领域的专家。科学家利用神经网络算法，将棋类专家的比赛记录输入给计算机，并让计算机自己与自己进行比赛，在这个过程中不断学习训练。
这是“模仿大脑”。其次，它可以自己与自己对弈，根据选择“模仿大脑”计算出的下一步落子的不同选择，不停往下落子，直到分出胜负为止，根据结果反馈“模仿大脑”，从而优化棋路，这是“学习大脑”。
AlphaGo依靠精确的专家评估系统（value network）、基于海量数据的深度神经网络（policy network），及传统的人工智能方法蒙特卡洛树搜索的组合，以及可以通过左右互搏提高自己的水平，这个真的是有的恐怖了有木有。
阿尔法围棋(AlphaGo)为了应对围棋的复杂性，结合了监督学习和强化学习的优势。它通过训练形成一个策略网络(policy network)，将棋盘上的局势作为输入信息，并对所有可行的落子位置生成一个概率分布。
在AlphaGo之前，Aja Huang曾经自己写过非常不错的围棋程序，在这方面相信是有很多的积累的。
David Silver：实际上，我们从未引导过AlphaGo来解决具体的弱点。我们始终专注于基础的机器学习算法，让AlphaGo可以学习修复自己的弱点。当然你不可能达到100%的完美，所以缺点总会存在。
如何学习蒙特卡罗树搜索(MCTS)
选择（Selection）：从根节点开始，即当前需要决策的状态R，选择一个最需要探索的子节点T。
该算法的主要流程如下：选择：从根节点开始，根据一定的策略选择一个当前状态下的子节点。常用的选择策略是根据每个子节点的价值估计和探索程度来进行选择，使用上界置信区间算法，以权衡探索和利用。
蒙特卡洛树搜索的主要流程是：选择、扩展、模拟、回传。利用CPOP算法求出DAG图的关键路径。选择阶段：设定搜索树的根节点为S0，从根节点S0开始，每经过一个结点，开始判断经过的这个结点是否扩展完。
蒙特卡洛树搜索有四个主要步骤：从根节点R开始，选择连续的子节点向下至叶子节点L。让决策树向最优的方向扩展，这是蒙特卡洛树搜索的精要所在。
计算机是如何下棋的
1、电脑不用棋谱，电脑下棋靠的是计算，它列出后几步的所有走法，然后给每种走法的结果打分，选择最高分的方法。打分的方法就靠编程者编的AI了，比如前进一步多少分，后退一步多少分，吃一个子多少分，被吃了多少分。
2、计算机是如何下棋的？相关内容如下：国际象棋（Chess）：在国际象棋中，计算机通过搜索算法来找到最优的走法。
3、要让计算机能够下棋，首先要用计算机语言把国际象棋的走法及下棋的一般规律编定为程序输入计算机，这种规律能使计算机通过计算走子后的局面来选择最佳落子方案。计算机除了掌握一般的应对招法，还要具有随机应变的本领。
4、很多学认为这都是可以的。但人们首先关心的是计算机下棋。因为下棋是一种智力游戏，弈棋比赛是一种智力较量。许多科学家，为证明计算机可以有智力，进行了很多研究，让计算机下棋。
5、计算机下棋的思考模式 现在主流弈棋计算机的基本“思考模式”很简单，就是对当前局面下的每一种合法走法所直接导致的局面进行评估，然后选择“获胜概率”最高的局面所 对应的那个走法。
6、第二个呢就是第一次玩的时候会发现自己的牌非常好，就是首次打的时候非常好，就是在玩家，刚开始玩游戏的时候，系统一般会发一副好牌。就是让你有更有兴致去玩。还有一种规律就是。
