机器跟人下棋，每局赢的都不多，正好说明它亦步亦趋，你下一个子之后，它在周围的范围里面搜。人下会到别的地方开辟新战场，机器一下就懵了，因为搜索范围变得非常大。机器没有这么聪明，大部分时间在你下棋的附近搜，搜索的范围被大大地约束了。它只在小范围或者有示范范围的情况下进行搜索，是做模式匹配的，不是基于基本原则的思考。但人是基于“势足”规则来下棋的。这就是为什么我认为它跟Deep Blue相比是退步的，Deep Blue有规则性的东西。它只是用机器学习的办法来做模式匹配。

它的下棋方法是布局与布局之间的映射关系，这种映射关系像数学里面的函数，函数X要映射到Y。机器学习要关联好输入模式和输出模式，记住布局对布局，导致的结果是学模式匹配非常容易，但很难教会它“金角银边草肚皮”，这就是“知其然不知其所以然”，别的棋谱这样下，机器就这样下。为什么把子又落在这个地方，不知道，只记住就好了。

在人工智能领域里，team团队里有一个很弱的领域专家——业余棋手，下棋不是特别好。他跟顶级的棋手下，指导意义就很弱。弱领域专家能把这件事情做好，恰恰说明Machine Learning（机器学习，ML）是人工智能领域炙手可热的工具，用机器学习代替领域专家，这是典型的不求甚解。机器不需要知道里面的规则，只需要记住对应。让机器学会规则很难，但让它记住两件事情是关联的，A和A＇对应、B和B＇对应、C和C＇对应没有多大的困难，但发现这两者之间有什么规律很难，这说明用机器学习可以代替很强的领域专家，这不奇怪。