※ 引述《ginstein (邁向學術之路)》之銘言：
: Max11 的內容，很多 CS, ML, NN 等高手不能接受，
: 人類最頂尖職業棋手就是輸了沒錯，(捲積)類神經網路,MCTS,SVM等方法效用無窮，
: 高手們認為不懂技術問題的人，才會想替人類尊嚴找理由，
: 不可否認頂尖職業棋手整體表現，經過三盤對局，遠遠比不上 AlphaGo，
: 但是我想也許有其他一些人，認為好的演算法 H 在差勁的硬體上執行，
: 輸給普通的演算法 M，在強悍硬體上執行的效率，無法推得演算法 H 比 M 差，
: 最好的比較方式當然是把 H 和 M 放在同一個平台上執行比較效率，
: 但是無法放在同個平台時，該怎麼比較演算法的執行效率呢？
: 另一個有趣的議題是，是否可以更有效用更少的練習盤數達到現在 AG 的效果呢？
: 類似地，其他演算法(可能是 H), 3000w 自弈能否達到比 AG 高的棋力？
: 這應該不失為可以討論的議題，不過在 GO 版不太合適，有 AI 版嗎？
目前有一個想法：
如果Google釋出AlphaGo自訓練的幾千百萬棋譜
也許會發現 最有可能造成勝負的棋是 模仿棋開局!!
(Value function 總是徘徊在 50 50 附近啊 因此電腦的判斷意義不大)
基於貼目的條件 在最適當的時候脫離模仿 一舉擊潰對手
也許Google團隊有這種秘密也說不定
因為一旦這種秘密被大眾知悉 圍棋就塴潰了