Q就是看当下（value net），也看未来（快速模拟），来决定怎么模拟（对人来说就是往哪里想，对于棋手就是思考哪些可能的着法），下棋方（模拟中下棋方黑白都是AlphaGo）下那一步赢的概率高，从而决定模拟下那一步 。
5、u（bonus）具体是啥？
u中包括两个部分 。
分子是AlphaGo根据当前局面判断（policy net），不模拟 ， 比如棋手根据棋形大概知道应该有哪几步可以走 。
分母是模拟到现在走当前步的累加，越大下次模拟越不会走这了 。
一句话，（Q u）就是决定模拟中，下棋方会走（模拟）哪里 。
到此，我们大概了解了AlphaGo的两大神器：value net（形势判断：模拟中 ， 我走这步，我赢的概率是多少）和policy net（选点：模拟中，这个局面我走那几步最强） 。下面会揭开他们神秘的面纱 。
6、为什么选模拟次数最多的一步？
根据以上的函数可知，模拟次数最多一步，其实就是在多次模拟中，AlphaGo认为那一步最可能赢的次数的累加（或平均，除以总模拟次数） 。
7、为什么要分为policy net（选点）和value net（形势判断）呢，选点和形势判断不是一个东西吗？
确实 ， 选点和形势判断是互相嵌套的 。首先，围棋的形势判断是非常困难的 。在围棋直播中我们经常看到，职业9段也不能准确判断当前局面，除非地域已经确定，没有什么可以继续战斗的地方，一般也就是接近终局（官子阶段） 。即使职业棋手 ， 选点和判断也是定性的成分偏多，定量的成分偏少 。以前说中国顶级棋手古力能推演到50步，已经非常强了 。
再说嵌套问题，准确的定量的选点和判断，就要计算（对于棋手是在脑子里推演，对于机器就是模拟）才行 。在推演中 ， 我选点走那步决定于，走这步后我赢的概率，而这个概率又决定于对手走那一步（我会假设对手弈出她最强的一步 ， 对我最不利），对手走那一步决定于，她走那步后，她对形势的判断要对她最好，这又取决于我的下下步（第3步了）走哪里（对手她也会假设我会下出对她最不利的一步，自然对我最优），从而不断的嵌套，这个“死结”要到终局（或者接近）才能解开（终局形势判断比较简单） 。所以不到终局 ， 判断形势是非常困难的，即使职业的9段也不行 。这就是围棋比象棋难的关键所在 ， 它没有简单的形势判断的方法 ， 而象棋有 。
要回答这个问题7还要看下面了 。
8、AlphaGo是怎么打开这个死结的？
AlphaGo没有进行直接的形势判断，就是没有直接学习value net，而是先做一个选点（policy net）程序 。选点可以认为是一个时序（走棋）的一个局部问题，就是从当前局面大概判断，有哪几步可能走，暂时不需要推演（那是模拟的工作） 。棋手的选点是会推演的，这里的基础policy net是不推演的，前已经看到AlphaGo线上模拟中选点（Q u）是有推演的 。
所以policy net是用在“每次模拟”中，搜索双方可能的着法，而最优步的判断是“N次模拟”的任务，policy net不管 。此外policy net还用来训练value net，也就是说，value net是从policy net 来的，先有policy 才有value 。
选点（policy net）能成立吗？如果不成立，也是没用 。
9、第一神器policy net怎么工作的？
先大概看下这个图 。现在轮到黑棋下，图上的数字是AlphaGo认为黑棋应该下这步的概率 。我们还发现 ， 只有几步（2步在这个图中）的概率比较大，其他步可能性都很小 。这就像职业棋手了 。学围棋的人知道，初学者会觉得那里都可以走，就是policy（选点）不行，没有选择性 。随着棋力增长 ， 选择的范围在缩小 。职业棋手就会锁定几个最有可能的走法，然后去推演以后的变化 。
推荐阅读
- 100：0，新AlphaGo放弃了人类？
- 通用AlphaGo诞生？MuZero在多种棋类游戏中超越人类
- 4款价格便宜“性价比”手机，但功能直接指向需求，这是成功之道
- 这是我的战争阿加塔请求要帮吗
- 多地银行突发“离职高峰”，员工退无可退：这是我噩梦的开始
- vivo X20的熄屏时钟怎么设置？
- 48亿罚款收回，小米在印度的经营解除！这是变相的“警告”？
- 印象笔记怎么发给别人
- 男主叫秦烨女主叫挽秋的小说
- 儒家的亲亲而仁民是什么意思