Alpha Go 專案的研究人員中並沒有特別高水平的圍棋選手，如果按照以往的人工智慧的思路，研究人員必須要把如何更好地獲勝採用邏輯較為嚴密的語言編寫為程式，使得
Al pha Go 在對局的時候能夠利用自己超高的運算能力在“獲勝技巧”中不斷窮舉運算，從而做出最優解。然而圍棋之所以有挑戰性，正是因為圍棋的可能性有太多種，根本無法依靠窮舉來計算下幾步可能的結果，無法進行比較，也就無從談起所謂的“最優解”了。更何況，研究人員並非什麼圍棋大師，也無從編寫能夠戰勝人類圍棋第一人的“獲勝規則”。而之所以 Alpha Go 能夠在之後的棋局中戰勝世界圍棋第一人，正是人工智慧採取新的機器學習思路的勝利。在構建系統的初期，研究人員先給Alpha Go 足夠多的棋局資料，Alpha Go 利用自己的運算能力不斷學習。無可否認的是，勝利的天平總會因為某些操作而發生微小的傾斜，人類不具備從大量資料中歸納出細微規則的能力，更加無法把他表述給計算機。之前的研究方式像是犯了一個本末倒置的錯誤，把計算機擅長的事情交給了人類來做，而讓計算機只是作為一個檢索的傀儡。Al pha Go 能夠從海量的棋局中分析出哪些因素和操作對於自己的勝利更加有利可能這些複雜而又微小的規律都難以用自然語言來表述，但是顯然這些對於計算機來說都比去理解人類表述的拙劣的規則要更簡單。
自然語言處理就是利用電子計算機為工具對人類特有的書面和口頭形式的自然語言的資訊進行各種型別處理和加工的技術。這種技術因為運用環境和發展潛力巨大，已經成為一門專門的邊緣性交叉學科，涉及到語言學、計算機科學以及數學等。
對於計算機來說，它只能根據二進位制的指令來做出不同的行為反應，而程式設計者則往往在這個過程中起到了翻譯的功能，即將在自然語言表述下的功能需求，用程式設計語言表述，再由特定的編譯轉化為機器可以理解的二進位制指令。計算機能夠做我們想要完成的事情，但是它並不真正理解我們的語言。從這個意義上來說，如果想要讓計算機足夠智慧，讓計算機能夠直接理解我們的命令顯然是非常重要的，而在這其中，自然語言的處理即是人與計算機溝通的橋樑。
現在人工智慧的飛速發展，主要得益於統計學方法及從此誕生的機器學習的思想，而之前的研究方法都或多或少遇到了瓶頸而停止了發展。現在，人們透過獲取並輸入海量的資料，讓計算機能夠在這些資料集中自己找到其中的規律。不同於以往的使用邏輯嚴密的語言告訴計算機應當怎樣做，現在我們所做的只是把基礎的資料和正確的答案給計算機，在中間的過程中為什麼計算機做出這樣的判斷其實並不重要。
Alpha Go 專案的研究人員中並沒有特別高水平的圍棋選手，如果按照以往的人工智慧的思路，研究人員必須要把如何更好地獲勝採用邏輯較為嚴密的語言編寫為程式，使得
Al pha Go 在對局的時候能夠利用自己超高的運算能力在“獲勝技巧”中不斷窮舉運算，從而做出最優解。然而圍棋之所以有挑戰性，正是因為圍棋的可能性有太多種，根本無法依靠窮舉來計算下幾步可能的結果，無法進行比較，也就無從談起所謂的“最優解”了。更何況，研究人員並非什麼圍棋大師，也無從編寫能夠戰勝人類圍棋第一人的“獲勝規則”。而之所以 Alpha Go 能夠在之後的棋局中戰勝世界圍棋第一人，正是人工智慧採取新的機器學習思路的勝利。在構建系統的初期，研究人員先給Alpha Go 足夠多的棋局資料，Alpha Go 利用自己的運算能力不斷學習。無可否認的是，勝利的天平總會因為某些操作而發生微小的傾斜，人類不具備從大量資料中歸納出細微規則的能力，更加無法把他表述給計算機。之前的研究方式像是犯了一個本末倒置的錯誤，把計算機擅長的事情交給了人類來做，而讓計算機只是作為一個檢索的傀儡。Al pha Go 能夠從海量的棋局中分析出哪些因素和操作對於自己的勝利更加有利可能這些複雜而又微小的規律都難以用自然語言來表述，但是顯然這些對於計算機來說都比去理解人類表述的拙劣的規則要更簡單。
學術交流（Academic exchanges ），是指標對規定的課題，由相關專業的研究者、學習者參加，為了交流知識、經驗、成果，共同分析討論解決問題的辦法，而進行的探討、論證、研究活動。隨著資訊時代的到來，有效資訊的提取是未來成功的關鍵，面對大量的文獻、知識、如何獲得快速自己想要的資訊至關重要，藉助於人工智慧技術在自然語言中的應用，完全可以將所獲得的各種學術資訊組成語料庫，透過訓練學習獲得滿足自己需求的神經網路模型，進行有效資訊提取。
不過學術交流的最終落腳點在於學術思想和學術創新上，激勵（啟用、激發）、啟迪才是學術交流最本質的意義。