圍棋AI和人類一樣，面對一個局面，要決定下一手時，要向後推算很多步，算是對棋局的一種“模擬預演”。比如AlphaGo在序盤的時候，計算一個定式變化，動輒每個變化都是向後百餘步。

這種推演是樹狀的，比如下一手有10種可行的下法。每一種下法，都向後大量推演變化，得到海量的“預演”棋局，然後對每個“預演圖”進行形勢判斷，再統計該下法變化出的所有“預演圖”，勝多少敗多少，然後就得出了這一手的勝率。

大多數時候，AI“腦海中”計算的“預演圖”，也不會直接算到最終。比如上圖就是中國AI絕藝對某局面給出的一個變化圖，當然後面還算了大量的圖，然後才統計出了這個圖的勝率。

然後怎麼確定下一步呢？

下一手有10種下法，得出每一種下法的勝率以後，比較哪個迭代勝率最高、變化最多，就確定了下一步怎麼下。

比如這是經過神經網路升級後的Zen7，給出了四種下一步的可選點，還給出了每一種的勝率和迭代變化量。

但AI也不是絕對的選擇勝率最高，首先是會選擇迭代變化量最多的下法，當然這個下法一般勝率都是最高的，但也不絕對。

所以有時候，也會有面對57%和56%勝率的兩種下法，AI選擇了56%這種可能，因為後者迭代的變化量更多。但是在媒體宣傳裡，為了方便大家理解，都只說取勝率最高的。

一個模型是有上限的，並不是無限計算就會無限提高。

比如Zen7大概迭代變化到100萬的量別，水平也就到頂了。而AlphaGo，每步棋迭代的變化量是個比這還要高出很多量級的天文數字。但是具體數字和量級，不方便在公開場合講（谷歌啥都要保密）。

首先人工智慧技術它是可以模擬人的思維，人想到的它可能也會想到。當你落子的時候，ai可以根據你的落子模擬出成千上萬種方法，或者你下一步的時候，它能模擬接下來你可能走的第n步。與此同時它也在思考著它接下來的落子的最佳方案。假設最後獲勝的是ai，你的每①步都在它掌握中。所以它就可以算出它這一步下在棋盤任一個位置的勝率是多少（以它模擬出來最佳方案為基礎，即它獲勝的落子線路）。假設你最終的落子位置與它模擬出來的方案不同，它又可以根據你的方案重新模擬一個新方案。從而計算出如果按現在這一步的走法，它在其盤上任一位置落子的勝率。人的智慧是無限的，但我們開發出來的腦功能是有限。

阿爾法狗首先是，透過訓練好的神經網路權重檔案，快速得到當前局勢自己的贏棋機率（權重檔案相當於人類的第一棋感）。之後再透過最高分值落子點，重複代入變化圖向後推導，贏棋的變化加一分反之減一分，以此類推改變當前點的贏棋機率，這相當於人類圍棋中的計算能力，用以即時修正最佳落子點。

權重檔案是AI核心靈魂部分，相當於用窮舉法培養電腦的棋感和經驗值，主要是以逐級提高後的棋譜，做為代入值，以人臉圖形識別技術為基礎訓練權重檔案。谷歌認為訓練層數應該最終在150層左右，他們訓練到40層就停止了訓練。