AlphaGo 是一个基于深度神经网络的围棋AI，其秘密在于通过深度学习和强化学习来“自学”。

深度强化学习可以概括为构建一种算法(或AI智能体)，直接从与环境的交互中学习。

这其中，就有马尔可夫奖励过程，也就是：含有奖励的马尔可夫链，

Artem Oppermann如此介绍：

环境可以是真实世界，电脑游戏，模拟，甚至棋盘游戏，比如围棋或象棋。就像人类一样，人工智能代理人从其行为的结果中学习，而不是从明确的教导中学习。

在深度强化学习中，智能体是由神经网络表示的。神经网络直接与环境相互作用。它观察环境的当前状态，并根据当前状态和过去的经验决定采取何种行动（例如向左、向右移动等）。根据采取的行动，AI智能体收到一个奖励（Reward）。奖励的数量决定了在解决给定问题时采取的行动的质量(例如学习如何走路)。智能体的目标是学习在任何特定的情况下采取行动，使累积的奖励随时间最大化。

如下图：

让我们跳出这些我也不太懂的地方，回到现实中，看看人类可以从阿尔法狗那里学到什么决策方法。

我总结如下：

• 阿尔法狗每下的一盘棋，都是一次自我进化的学习过程，工作即学习，学习即工作；

• 阿尔法狗的唯一目标是终局胜负，因此而有强烈的使命感，钢铁般的意志，和石佛般的平常心（尽管它不需要这些形容词）；

• 把每一手棋，都当作一个独立决策点，将当前的整个局面视为一个初始状态，根据当前局面，发现（模仿人的直觉）获胜概率较高的几手棋，并估算每一手棋的终局胜率；

• 从中选择最优决策；

• 等对方落子后，再次进入“初始状态”，根据更新的信息，重复以上动作，直至终局。

•