从算法意义来说，AlphaZero下得更像人。AlphaZero是用MCTS来搜索的，不是精确的，有概率随机因素，是随机选择一些高概率的分枝进行搜索，低概率的分枝根本不浪费算力去碰。之前人们评论说，这不象人，人不可能这么下棋。这主要指的是MCTS用在围棋上，有一个下完数子的rollout用来代替代码写不好的局面估值，这确实不象人。

但是AlphaGo Zero已经把rollout取消了，直接用深度神经网络来进行估值。这样AlphaZero下棋其实更像人的思路，找直觉最想下的点往下推，再找其它也看着靠谱的点也试试。只不过AlphaZero比起人来还是特别能算，一秒能算8万个局面（人类高手每步一般考虑10个局面）。但是与Stockfish相比，AlphaZero这还是人的思考方式，Stockfish等于在那一秒7000万个局面疯狂分枝扩展，各种不靠谱的分枝占据了大量算力，真正有效的搜索没有太多，借着机器的暴力才搞定了人。

这就是机器学习算法界之前争议的，博弈算法“MCTS+神经网络”是更先进的框架。之前Deepmind有人简单地把“MCTS+神经网络”用在国际象棋上，只是大师的水平，达不到顶级AI的水平。有不少人认为，也许“MCTS+神经网络”这个套路只是对围棋这种简单规则的管用。国际象棋规则复杂，MCTS不够“精确”，还是人类程序员精心编制的确定性算法更管用。这次Deepmind新论文应该给出结论了，“MCTS+神经网络”就是先进生产力的代表。

哈萨比斯评论说，AlphaZero下国际象棋的时候，最革命性的一点是，它没有棋子的概念。在AlphaZero看来，只有整体局势才是它关心的，这相当于国际象棋理论对“position”的重视。但无论是人类高手还是过于的顶级AI，再怎么也是以棋子实力评估为基础的，被吃了大子会心疼，在这个基础上再去进行“重视中央”之类的局面评估理论。

而AlphaZero却完全对棋子没有概念，只要它认为未来整体局势好，弃子根本不叫事。所以哈萨比斯说，从棋艺理论来说，AlphaZero既不是人的下法，也不是机器的下法，它是自己创新了一个下法。

这次Deepmind公布了AlphaZero对Stockfish的十局胜局棋谱，可以这个链接中动态查看。

从棋谱中看，AlphaZero很善于弃子。人类或者机器也弃子，但多半有明确目的，弃了子立刻能吃回或者做杀入局。但AlphaZero经常早早放弃子力，在多步以后才建立优势，这个能力是令人震惊的。

如第十局AlphaZero执白对Stockfish，到36步这个局势黑多兵，而且还多一个马，粗看上去应该是黑大优。但实际上白棋进入了必胜局势，黑为了救命，只能用车后换白的后，白方车对马优势很大可以把黑的兵扫光。而AlphaZero第18步就把马弃了，这么多步以后人们才明白它在干什么。

AlphaZero刚出来，国际象棋高手们还在接受中，但方向应该是明确的。机器学习代表了一大类问题的未来，人类精心设计的算法，不如机器暴力自学习。和之前的围棋相比，这次的国际象棋和日本将棋进一步打开了想象力。也许以后，机器就自己学会编程了，因为编程其实就是实现一些明确的目标。