增加阅读
这里做了三个版本的落子选择大脑，加上局面评估大脑，AlphaGo 可以有效去阅读未来走法和步骤了。阅读跟大多数围棋 AI 一样，通过蒙特卡洛树搜索（MCTS）算法来完成。但 AlphaGo 比其他 AI 都要聪明，能够更加智能的猜测哪个变种去探测，需要多深去探测。
蒙特卡洛树搜索算法
如果拥有无限的计算能力，MCTS 可以理论上去计算最佳落子通过探索每一局的可能步骤。但未来走法的搜索空间对于围棋来说太大了（大到比我们认知宇宙里的粒子还多），实际上 AI 没有办法探索每一个可能的变种。MCTS 做法比其他 AI 有多好的原因是在识别有利的变种，这样可以跳过一些不利的。
Silver 团队让 AlphaGo 装上 MCTS 系统的模块，这种框架让设计者去嵌入不同的功能去评估变种。最后马力全开的 AlphaGo 系统按如下方式使用了所有这些大脑。
1. 从当前的棋盘布局，选择哪些下一步的可能性。他们用基础的落子选择器大脑（他们尝试使用更强的版本，但事实上让 AlphaGo 更弱，因为这没有让 MCTS 提供更广阔的选择空间）。它集中在 “明显最好” 的落子而不是阅读很多，而不是再去选择也许对后来有利的下法。
2. 对于每一个可能的落子，评估质量有两种方式：要么用棋盘上局面评估器在落子后，要么运行更深入蒙特卡罗模拟器（滚动）去思考未来的落子，使用快速阅读的落子选择器去提高搜索速度。AlphaGo 使用简单参数，“混合相关系数”，将每一个猜测取权重。最大马力的 AlphaGo 使用 50/50 的混合比，使用局面评估器和模拟化滚动去做平衡判断。
这篇论文包含一个随着他们使用插件的不同，AlphaGo 的能力变化和上述步骤的模拟。仅使用独立大脑，AlphaGo 跟最好的计算机围棋 AI 差不多强，但当使用这些综合手段，就可能到达职业人类选手水平。
AlphaGo 的能力变化与 MCTS 的插件是否使用有关。
这篇论文还详细讲了一些工程优化：分布式计算，网络计算机去提升 MCTS 速度，但这些都没有改变基础算法。这些算法部中分精确，部分近似。在特别情况下，AlphaGo 通过更强的计算能力变的更强，但计算单元的提升率随着性能变强而减缓。
优势和劣势
我认为 AlphaGo 在小规模战术上会非常厉害。它知道通过很多位置和类型找到人类最好的下法，所以不会在给定小范围的战术条件下犯明显错误。
但是，AlphaGo 有个弱点在全局判断上。它看到棋盘式通过 5*5 金字塔似的过滤，这样对于集成战术小块变成战略整体上带来麻烦，同样道理，图片分类神经网络往往对包含一个东西和另一个的搞不清。比如说围棋在角落上一个定式造成一个墙或者引征，这会剧烈改变另一个角上的位置估值。
就像其他的基于 MCTS 的 AI， AlphaGo 对于需要很深入阅读才能解决的大势判断上，还是麻烦重重的，比如说大龙生死劫。AlphaGo 对一些故意看起来正常的局也会失去判断，天元开盘或者少见的定式，因为很多训练是基于人类的棋局库。
我还是很期待看到 AlphaGo 和李世石 9 段的对决！我预测是：如果李使用直（straight）式，就像跟其他职业棋手的对决，他可能会输，但如果他让 AlphaGo 陷入到不熟悉的战略情形下，他可能就赢。
