举个例子。如果打开 https://alphagoteach.deepmind.com/zh-hans ，看上去黑棋星位的胜率是47.1，小目的胜率是46.7。
但其实应该再考虑多一些：
下星位后，白棋最强的是星位，黑棋胜率降到46.6。这其实才更接近黑棋星位的真实胜率。
下小目后，白棋最强的回应是Q4，黑棋胜率降到46.2。这其实才更接近黑棋小目的真实胜率。
当然，可能白棋不一定会用最强应法，不过我们不能指望这个。
同样，白棋也不能只选“一眼看上去让黑棋分数最低的”，也应该考虑黑棋的最强应法，下一个能让黑棋最难应的。
所以，在考虑之后，还可以进一步修正刚才这些的胜率估计。
这就是极大极小博弈树的思想：不能只选当前看上去分数最高的。需要再看后续变化，修正分数。看的层数越多，分数就越来越准确。
最终如果是棋神，那么棋盘上所有点的胜率就只有0%和100%这两种可能性。
但其实应该再考虑多一些：
下星位后，白棋最强的是星位，黑棋胜率降到46.6。这其实才更接近黑棋星位的真实胜率。
下小目后，白棋最强的回应是Q4，黑棋胜率降到46.2。这其实才更接近黑棋小目的真实胜率。
当然，可能白棋不一定会用最强应法，不过我们不能指望这个。
同样，白棋也不能只选“一眼看上去让黑棋分数最低的”，也应该考虑黑棋的最强应法，下一个能让黑棋最难应的。
所以，在考虑之后，还可以进一步修正刚才这些的胜率估计。
这就是极大极小博弈树的思想：不能只选当前看上去分数最高的。需要再看后续变化，修正分数。看的层数越多，分数就越来越准确。
最终如果是棋神，那么棋盘上所有点的胜率就只有0%和100%这两种可能性。
