方寸天地馳騁廝殺，中日韓高手的博弈，將圍棋作為高度腦力體育運動的精髓，雲遮半月式呈現在普羅大眾面前，也成為有別於其他體育競技專案的集中體現。只是 AlphaGo的橫空出世，恰似一尾遊進沙丁魚群的鯰魚，激起一系列連鎖反應，更引發一種莫名的“恐懼感”。
自從2016年 AlphaGo大戰韓國圍棋九段李世石，人工智慧就引發了人們不小的關注，重新成為熱門技術。前段時間柯潔三局完敗2·0版本的 AlphaGo，也讓更多棋迷看到“人機大戰“爭鋒的一邊倒態勢，大家也發現了人工智慧技術的迅猛發展。
跳脫出柯潔與 AlphaGo的“人機大戰”狹隘層面，不侷限於單純的勝負得失，圍棋的博弈能夠令人看到太多深遠層面的東西，但人工智慧的威力卻也令人拍案叫絕。只是正如開發出 AlphaGo的團隊所言，他們絕不僅僅只是將 AlphaGo作為一款圍棋人工智慧程式，而是希望服務於現實世界的人類，搭建出一個有效平臺將如此演算法應用投身於社會服務。
任何科技的進步與產生，絕非是沒有目的性的存在。 AlphaGo作為目前人工智慧的一個集中體現代名詞，它的存在就是聯絡當下社會與未來世界，作用於解決人類潛在的問題，並且透過雲計算與複雜系統執行等手段，最大限度為人類服務，而如此征程尚且路漫漫其修遠兮，人類仍需上下而求索。
深度學習
從下圍棋就可以看出深度學習的價值所在。當然，深度學習還會有進一步發展，包括層次的增加，以及深度學習的可解釋性，還有對學習所獲結論的自我因果表達。以圍棋為例，如何解釋機器學習的結論，什麼是合理的下棋走法？什麼是犯規的走法？當前棋盤的特徵在哪裡？能否從前幾步走法從而得到一個持續的反饋？比如用 AlphaGo治療癌症，該如何選擇每一個患者所需要的化療放射劑量？當把所有相關的資訊和資料都記錄下來，這樣資料、特徵和問題更新就有了一個持續的反饋，目標會變得清晰，最終可以在副作用最小的情況下殺死癌細胞。
要實現人工智慧還需要對現實中的場景進行抓取和捕捉，並透過演算法將真實場景進行資料化，使之能夠被機器識別，達到對現實的感知。而獲得資料化的現實場景資料後，還需要對數量龐大的樣本資料進行對比訓練，以實現對真實場景的識別，即機器學習。這些工作需要得到計算能力、演算法和大資料的支撐，而這三項技術本身也還在完善中，還有很多難關有待攻克。
