Alpha Go的思路与此前的思路有何不同？
在AlphaGo之前，Google也开发了利用深度学习进行简单红白机游戏对战的人工智能技术。Linkface联合创始人石建萍认为，深度学习技术验证了这样大数据输入直接预测一个复杂问题是可行的，之后很多问题的解决其实都是利用了这个先验，包括围棋技术。
AlphaGo的围棋AI实际上是在围棋这个特定问题上用深度学习的思路建模，并通过Google强大的计算资源不断进行训练。

石建萍介绍道，在IBM“深蓝”时期，人工智能实际上还是人总结规律，用算法实现规律，用高性能计算硬件来进行计算的时期。“深蓝”在象棋上的算法，主要依靠强大的计算能力穷举所有路数来选择最佳策略，再加上对一些明显选择的判断来缩小穷举范围。而象棋棋盘较小，可能的策略较少，所以当时的人工智能利用这种暴力的做法是可以战胜人类的。但是面对围棋这种可能的策略非常多的情况，基于类似穷举方案的算法就无能为力了。

打造AlphaGo需要怎样的硬件配置
早在20世纪90年代，深度学习的概念就被提出，但是由于计算硬件平台的限制，大家没有办法训练足够深的深度学习网络。这个惊为天人的想法也因此被雪藏了10多年。目前被顶级公司和研究界使用的硬件平台大致分为三类，单机单卡或多卡GPU、GPU集群、CPU集群。使用FPGA加速深度学习也是目前业界和研究界的热门方向。
硬件配置和具体的任务有关。例如，CPU集群适合解决稀疏链接的显存无法容纳的大模型。如果有问题需要这样的网络，就会对对应的硬件平台有所需求。目前计算机视觉和机器学习的大部分应用都可以用单机多卡GPU来得到业界顶尖的成绩。

计算机视觉界四大天王之一Yann Lecun在去年5月的采访中提及“尽管普遍猜测Google拥有GPU的数量在8000个左右，但事实上远远不止，而且随着图片、视频数据集的不断增长，GPU的规模还在扩大。”
硬件技术的进步是人工智能算法研发得以推进的基础。SenseTime 异构并行计算总监刘文志表示，围棋之类运算需要使用神经网络和蒙特卡罗办法来决定下一步的落子，这需要大量的求解和搜索解空间，GPU是神经网络的很好的加速器，而需要进行大量逻辑判断的蒙特卡罗方法则更适合CPU。从AlphaGo和“异构神机”的相关报道来说，刘文志认为它们都使用了GPU+CPU 来搭建计算平台。

最近些年基于深度学习的人工智能，已经完全摒弃了之前基于规则的方案，通过给定的输入输出，新的学习方案可以自动学习得到给定输出需要经过的运算。在大量训练数据的指导下，性能不断提升。AlphaGo 自我对弈的训练量多大3000万盘，每一盘均堪称高手对决。诸多人类高手穷其一生都无法企及的训练量，AlphaGo在短短几年的时间内就可以完成。
当然，从目前的状况来说，限制普通人体验到AlphaGo这类人工智能的瓶颈仍旧是硬件。资料显示：“目前百万级的训练数据借助GPU一般都能在几天内完成训练；实际使用时，利用GPU也可以在几十毫秒内完成预测”。对于普通学生来说，如果想单枪匹马研究深度学习，单硬件配置一项就耗资不菲；对于移动端来说，无论是存储容量还是计算能力，更是无法同台式机或服务器的GPU比，深度学习几乎无法在移动端的应用。对于普通人来说，想和真正的人工智能高手较量一番，仍需要等待一些时日。

如果说围棋爱好者过分追求棋具是舍本求末，那似乎也只有人工智能才能做到不甚关注这些“艺术品”，“全情投入”在棋局中。由人类垄断对弈名局的日子一去不复返，流传千年的人类智慧和情感的寄托被古井无波的程序所取代，未来无论是谁面对这位新晋的“大魔王”棋手之时，定会心存芥蒂。