AlphaGo的棋路对我们目前的围棋理论有什么启示？

说几句真心话，我觉得现在AlphaGo对人类围棋理论的帮助暂时不多。
首先，AlphaGo被设定为只为提高赢棋概率为目的，通过对价值网络分析大量局面得到参数，记录了海量的数据，又有强大

说几句真心话，我觉得现在AlphaGo对人类围棋理论的帮助暂时不多。

首先，AlphaGo被设定为只为提高赢棋概率为目的，通过对价值网络分析大量局面得到参数，记录了海量的数据，又有强大的全局性计算力作为支撑，其计算能力是人类所不能模仿的。

其次，AlphaGo在Zero之前的版本里，前半盘的下法是非常单调的。比如在正解解集里，前50步赢棋的方式有100万种（举例），AlphaGo可能只取其中的1000种，余下的根本不管了。因为这个程序是为了赢棋而设计的，而非为了找到所有正解而设计的。直到AlphaGo Zero的论文，我才看到有提到为了保证开局多样性而做的程序设定。

所以，如果要充分利用AlphaGo模型，光和程序下棋是远远不够的。我觉得我们还有两件事要做：

1. 拿到后台数据，观察各种局面和棋型中，价值网络提取得到的结果。这对提高人类的常识积累、训练更准确的棋感很有帮助。

2. 拿程序来推演前半盘的布局定式。人类对布局定式的研究，都要回归到大量的实战中去验证，可是多大量的实战可以和AlphaGo的自对弈相比？人类职业对局一年能有多少盘？限于对胜负的追求，又有多少盘棋中敢尝试结论未定的新变化？但是如果我们用AlphaGo顺着一条路走下去，得到各个分支最终的胜率，就能更快速准确的找到一个布局或定式变化的正确方向。

在未来，如果我们能实现这两点，我觉得这对于人类研究围棋的意义可能会非常重大。我期待着国家队早日能有这样的超级AI程序辅佐研究训练，也期待着《围棋天地》上每一期都能讲解职业棋手利用程序进行研究的最新结论。