2016 年，David Silver 等人在 Nature 发表《Mastering the game of Go with deep neural networks and tree search》。理解这篇 AlphaGo 论文，可以先抓住三个问题：下一步考虑下在哪里，当前局面有多好，以及怎样把有限计算用在值得探索的后续变化上。

策略、价值和搜索分别做什么

组件回答的问题
策略网络（Policy Network）当前局面下，哪些落子值得考虑？
价值网络（Value Network）从这个局面继续下，结果大致如何？
蒙特卡洛树搜索（MCTS）怎样在候选后续变化中分配计算？

策略用于指导动作选择，价值用于评估局面，搜索把它们与后续推演结合。它不是把所有可能棋局全部穷举一遍。原论文介绍与摘要

例如，一个位置上可能有许多合法落子。策略网络可以帮助把注意力集中到更值得探索的候选，价值估计则帮助判断某条变化的前景；二者的输出用途不同，不能互相替代。

从人类棋谱到自我对弈

这篇论文结合了监督学习与强化学习。先通过人类专家对局中的局面和落子学习策略，再通过自我对弈改进策略；价值学习则用于局面评估。

因此，不能把这个版本描述成“完全不看人类棋谱，从零开始学会围棋”。也不能把强化学习简单理解为保存一份聊天记忆：它涉及训练目标和模型更新，与检索一段旧记录不同。作者团队对训练方法的说明

MCTS 怎样利用这些信息

从入门角度，可以把一次搜索理解为选择路径、扩展候选、评估局面，再把评估结果反馈到经过的路径。重复这个过程，系统逐步调整对不同候选的关注。

这里的 rollout 指快速模拟推演，用较低成本探索后续结果；价值网络则提供另一种局面评估手段。2016 年方法将学习到的网络与搜索、模拟结合，而不是只靠一个网络直接判断所有棋步。

这个概述用于理解职责分工，不是可直接复现的训练与搜索参数表。真正实现时，还需要棋局规则、特征、训练数据、搜索预算和评估设置。

论文里的比赛对象是谁

该论文报告的职业棋手对局对象是欧洲冠军樊麾，结果为 5:0。不要把后来与李世石的对局直接写成这篇论文里的实验。原论文摘要中的比赛说明

同样，一场比赛或某个基准的结果，只说明特定系统在相应条件下的表现，不能据此推出同一方法能可靠完成所有策略任务。

读完可以带走的思路

AlphaGo 值得学习的一点，是没有把“提出候选”“判断前景”和“探索后续”混成同一件事。它们可以由不同组件承担，再通过系统设计配合。

阅读其他 AI 方法时，也可以先问：模型产生的是动作建议、结果估计，还是最终执行？计算预算用在哪里？结论依赖什么训练和评估条件？把这些问题分开，比只记住“AI 赢了人类”更接近方法本身。