AlphaGo真的能学习吗？它学习能力究竟有多强？学习能力强意味着有可能变得很强大。它找了很多海量的棋谱，并找高级棋手陪练，签了保密协议。它不仅打败过欧洲的两段选手，还有更高的棋手跟它在一起练。他们获取的是当前棋局与下一步走步之间的匹配模式，通过Deep Learning学习这种映射关系，输入是当前的布局，输出是下一次要把子布到什么地方。从以前看到过的棋局中抽取出来，形成训练集。就像观察到X和Y一样，X当X是这些值的时候，Y分别在这些地方。然后找到一个拟合曲线把这些点合起来，y=f(x)。一次、二次、高次、带指数的、三角函数等都可以。通过有限的样本点，把函数的样子拟合出来，然后外推。

这是看过的点，数轴上还有大量没看过的点，没看过的点用函数来推。当出现棋局是这个点的时候，我对应到这种走法上，当现在的走步在这个地方时，没有现成的点可以依靠时，看一看对应的点是什么和这个点对应的是什么，拿这两个作为下一次要走步考虑的点。

棋局比函数要复杂，但理论上来讲，用的方式差不多，叫类推。我只有有限的点，但是我能推出没见过的点，我应该怎么下，完全做得到。它做的一件事情就是学习映射关系，用Deep Learning（深度学习）来做。现在非常热，但是我估计不会热太久。因为在人工智能领域，一件技术出来以后，潜力挖掘得差不多了，就不会很热了。

用这种方法进行映射的好处是训练样本，规范性很强，属于非常干净的数据，拿机器做很容易做好。基于规范数据挖掘出布局与走步间的对应关系不难。换别的机器学习算法也能做到，不一定用Deep Learning，Deep Learning代价很高，消耗很大。