1、蒙特卡洛搜索算法和基于深度學習的模式識別促成了AlphaGo的成就。

據各方研究來看，AG不是自己想出棋著來，而是學習了人類高手的千萬盤棋局（這就是大數據）。它記錄下每個棋局中的每個局面，把上百萬個局面當作輸入進行訓練，通過一個多層神經網絡來預測人類高手會走出的下一著。經過巧妙的神經網絡設計與訓練，這個多層神經網建模了人類高手的“棋感”——對于當前局面，已知以往下棋歷史中的勝率。在實際下棋時，計算機可以通過視覺識別記錄下棋局，然后和以往的棋局數據比較，找到相同的模式（局面），再檢索不同局面往后發展下去，根據以往下棋史中的勝率高低選出一些高質量的候選點供走子，而不必每個候選點都去嘗試一遍，從而極大地減少系統運算量，不至于讓系統“殫精竭慮”而死。這就像人類，不會窮盡所有候選點，而是根據經驗和感覺選擇某些點。選出幾個點之后，人類還是要比較、計算哪個點更好。對于機器來說，這個計算就交給蒙特卡洛搜索算法。

蒙特卡洛樹形搜索是對以往決策樹算法的優化。對于以往的決策樹算法，即便給了一個高質量的候選點，對于接下來的選擇，它同樣要進行窮舉，在每個要選擇的地方做一次分支，同樣會遇到可選路徑數量的指數爆炸。

蒙特卡洛方法就體現了概率學的精妙。假設在某個棋局局面下，深度學習網絡給出了三個候選落子辦法A、B、C，以這三個點為根節點，分別往下走子，可以想象成三個樹，每棵樹還有無數分支。蒙特卡洛搜索不去窮盡所有分支，而是派出300萬只螞蟻分別從A、B、C出發，每個點100萬只，飛速向樹梢爬（也就是往下黑白棋交替走子直到決出勝負，基本上走200步就會分出勝負），總有部分螞蟻走到最高點（也就是決出勝負，假設螞蟻走到終點的情況代表黑子勝，沒走到終點的情況代表白子勝）。

假設從A點出發的100萬只螞蟻有30萬只到達終點，B的為50萬只，C為40萬只，系統就認為黑子走B點勝率更高，就會選擇B點。這就是概率學的取樣算法，相比逐項窮舉法，極大地縮減了計算量。

CPU芯片和GPU（圖形處理器）芯片同時進行神經網絡計算與蒙特卡洛樹形搜索，模擬海量的終盤局面，這是人類計算能力無法相比的。由于采用深度學習建模了人類高手的棋感，看上去人工智能擁有了人類的大局觀，而這個大局觀恰恰蘊含在人類高手的千萬盤對弈數據里。