回复15楼:以前的下棋软件是需要人事先输入定式。
这个不需要，所以需要它自己去尝试总结定式。当然就是需要遍历。
这么简单的说吧，你在距离很远的地方下一个棋子，怎么判断这个下得好不好应该在下在什么位置？如果在偏左偏右偏上偏下是不是更好？怎么知道？
就算是人，也需要演算推演，计算机更是如此，而且更加擅长。
所以下棋过程中，开局阶段已经被拆解的100%清楚，一线棋手不会犯错，跟计算机旗鼓相当。到了中局更加复杂以后，人脑有限而且容易有思维定式，而计算机还是会去尝试遍历所有可能性。当然好的算法和前面训练阶段的定式总结会很容易否定掉大多数可能性。所以计算机就比人强太多了。大家常说的软招，就是计算机冷酷的分析所有可能找出来的人类想不到不去设想的可能性。

 回复14楼:我怎么不懂？我也是搞这行的。蒙特卡罗算法是一个预测下面的分支哪个是比较有可能的，哪一些是没啥希望的。蒙特卡罗算法40年代就发明出来了。如果就是这样简单就可以实现你所谓的遍历，那早就解决围棋了。另外我也没说过电脑是有思维能力的。
我也不和你争了。所谓遍历(Traversal)，是指沿着某条搜索路线，依次对树（或图）中每个节点均做一次访问。你自己把遍历的定义说一下，然后看看是否是你所说的遍历。

 回复13楼:我就是做这行的。
当然而且肯定是遍历。
你也就是能说点你不懂得名词。
电脑没有任何思维能力，能做到的就是在固定框架内去尝试所有可能性。算法会帮助排除一些容易排除的选择，并且通过尝试找出来各种定式。

 回复12楼:如果你说是遍历所有可能性的话，我只能说你是真的不懂。
蒙特卡罗算法去了解一下。人家就不是遍历所有可能性。拜托搞清楚问题再说。
要是可以遍历所有可能性，围棋早就被解决了。

 回复10楼:你看不懂是吧，AlphaGo Zero就是这样的结果。
当然算法改进可以大大降低计算量，找到pattern就可以快速否定掉很多选择。
但是，归根到底实质上还是遍历所有可能，基于固定的棋盘和规则，没有意外。看上去就像是有智能一样。

 回复9楼:我只能说老兄你太out了。如果去试试看。就可以看见这东西确实是有价值的。

 回复7楼:你说计算能力够强就可以推导出围棋，这不是纯纯的胡说八道。

現階段的ChatGPT毫無價值，完全是口水炒作，不值得我甚至為它支付一元錢年費使用，都會覺得是浪費。

200美金给你雇个兼职大学生在后台帮你想吧，慢一点，更智能，

其实就是骗文盲的.
对于电脑来说,下棋是最简单的.固定大小的棋盘和棋子,固定的规则,没有意外.简单地说,如果不考虑提子,围棋总共也就是361!种可能性.只要计算能力足够强,都能推出来.所谓的学习不过是用算法去总结规律和经验.
自动驾驶搞了20年其实还没搞定,主要是规则和道路是固定的,但是有可能发生各种意外.只要发生意外,电脑就不知道该怎么做.
说白了,现在所谓的AI其实毫无智能,只不过是搜索寻找已经存在的结果或者像下棋一样遍历有限的可能性.

数据能学出“因果”性来。哥你真会数据科学吗？

聰明至極也不過是資料搜集高手，根椐一定的程式应用向用戶程猷而己，实在不值得大惊小怪！美国把它吹捧過份，目的是骗钱救经济。

来自留园官方客户端

竟然不是$199.99/每月。

而Self-play RL，它则是让这个孩子不停地和自己下棋。刚开始可能下得很拉跨，但是通过不断尝试不同的走法，观察每步棋的结果，慢慢地，他会发现哪些策略更有效，哪些走法会输。
这个过程中，孩子不仅仅是在记住棋谱，而是在真正理解棋局的变化，理解每一步棋为什么要这样走。
这就是从相关性学习到因果性学习的飞跃。
-----------------
有点瞎扯啊。
棋盘有多大？世界有多大？
围棋有绝对的输赢，有确定的答案。
现实世界有吗？

手机储存空间不够：买云储存空间；
电脑算力不够：租赁云算力；
人的智力不足：充值AI模型。
未来的人类，智力可以用财力来衡量。

剥夺你的“思考权”
舒适度很强的洗脑