正文
人工智能能在国际象棋上能打败人类，跟现在能在围棋上打败人类，是两种概念，看个动图就知道了~
国际象棋的复杂程度：
围棋的复杂程度：
由于围棋的变数实在是太多，不通过人一样 “ 逻辑思考 ”，几乎没法暴力穷举，或者说穷举起来会很耗费资源，所以一直都没解决这个问题。
那么 AlphaGo 是怎么出来的呢？
这跟 Google 之前收购的一个叫做 Deepmind 的公司有关。
这个公司是研究 Deep machine learning （机器深度学习）方向的公司，本来就是行业里的佼佼者。
被 Google 收购之后，采用了 Google 家的 TensorFlow 系统进行开发，是把 N 维基于数据流图的计算。
通过这个，可以把很复杂的数据结构化的系统分析运算，这样，就可以把数据的处理只能话，给机器装了个 “ 有逻辑的脑子 ”！机器，可以像人脑一样有类似 “ 神经元突出联接处理问题 ” 的能力进行思考了！
TensorFlow 为了演示开放的的 “ 神经网络游乐场 ”：
而且这个系统时可以进行分布式计算的，一个 CPU 也可用，把成千上万的 CPU 连在一起的时候也可以用，只要核心足够多，系统的学习能力是很可怕的！
更叼的是，Google 自己还开发了个 “ TPU ”（Tensor Processing Unit ）专门对于 TensorFlow 算法进行优化 。。。
现在硬件和开发环境都有了，就差开发了。
一开始，关于围棋大家是使用卷积神经网络进行运算的，也就是说把大量棋谱拿过来，统计 “ 到了某一步的时候，把棋下在某一步，以后赢的概率比较高 ”，这样，机器不需要很明白后面的路数，却能找到现在这步把棋下在哪里是最优解！
Google 给出的图解，红圈是最优解：
但，这是不足以让 Alpha 打败人类智慧佼佼者的，最多也就打败围棋 5、6 段的棋手 。。。
这个时候，一个很关键的人出现了，就是上面 Master 自称的 “ 黄博士 ” —— 黄士杰。
前面说到了因为为其太复杂，穷举起来很无力，所以人们一般采用蒙特卡罗模拟，不计算所有的事件，而是对事件进行抽样统计，进行概率分析，可以很有效的分析复杂事件的趋势（说出来你可能不行，这玩意之前是为了搞 “ 核事业 ” 兴起的）。。。
蒙特卡罗模拟
黄博士基于这个，采用了蒙特卡罗模搜索树进行运算。。。
蒙特卡罗模搜索树
之前是通过输入 “ 自然棋谱 ” 让机器学习，也就是让机器对已经有的棋谱进行抽样学习，这样就很难有飞跃性的提升。
这次呢，是让机器既当黑子又当白子，两方都不会下棋，就瞎落子，最后也能分出胜负。。。
就这样，通过不停地傻逼对局，不停地抽样统计分析概率，不会下棋的傻逼系统就会逐渐知道到了哪一步，把子下在那个地方以后赢的几率会高！
就这样不停地自己自学成才，最后变成了天下第一的 Master！
