兩個意義都很大，很難分出高下。

打個不準確的比方，這個問題就像是“牛頓發現萬有引力和愛因斯坦發現相對論哪個更偉大”一樣。

論理論難度，相對論當然比萬有引力難多了，但你不能因此就說愛因斯坦的發現比牛頓更偉大，因為這兩件事不在一個時代，後一件事是以前一件為基礎的，這也就是牛頓所說的“我們都是站在巨人（前人）的肩膀上”。

對比深藍和AlphaGo也是這樣。論規則難度，圍棋比國際象棋難多了；論技術難度，AlphaGo比深藍難多了。但是兩者不在一個時代，計算機的發展一定是要經歷了深藍的時代，才有可能發展到AlphaGo的時代的，所以你說，哪個更有意義？

-

現在有種看法，深藍能戰勝人類是靠硬體發展，算得快；而AlphaGo能戰勝人類是靠演算法高明，看的準。這種總結方式當然也沒錯，但是不全面。

深藍當年的突破，確實借了硬體飛速發展的光，但絕不是隻有蠻力搜尋。其實以國際象棋的變化，哪怕以今天的計算機硬體發展水平，也只能窮盡終局只剩下幾枚棋子時的變化。

深藍的成功，很大程度上也是由於許峰雄團隊的演算法好。雖然當年的演算法和今天深度學習的演算法相比，太“人工干預”了（比如某次版本改進了單格象的策略），但你並不能就此抹殺研發團隊在這方面的努力。

首先是找對了路，然後在小範圍內蠻力搜尋，這時候硬體發展的威力才好發揮出來。

AlphaGo的成功，確實主要是演算法好，但如果沒有這些年的硬體發展，也支撐不起這麼快、這麼大量、這麼深入的樣本學習和訓練。而如果訓練不到位，達不到質變節點，那麼這個方法是不是能撐到成功就很難說了。

所以無論深藍還是AlphaGo，都是硬體和演算法雙重的成功，兩個意義都很大。

經歷了深藍那個時代的發展，才會有今天AlphaGo的成功。一個都不能少。

意義都很大，是技術進步的兩個重要節點。

一是計算機計算的速度的提高，二是演算法和程式設計技術的改變。

國際象棋當年擊敗卡斯帕羅夫，還是窮極法，每走一步，把棋盤上的所有可能變化都算一遍。因為國際象棋的棋子是有規律的，因此變化種類資料沒有那麼大。

但是圍棋是圖形和隱形的勢的較量。很多人都會說，圍棋也有多少多少種變化，變化多到恆星數量和沙子數量什麼的，其實是誇大了。因為很多變化都是無聊的變化。沒用的。比如自己塞眼緊氣也是變化，但是這種變化毫無意義。而且每多下一個子，這種圍棋棋盤上的變化數量都是成倍縮減的。這和國際象棋越下越少，變化反而選擇更多相比，不一樣。

當然圍棋ai的攻克最重要的是學習能力，窮極法只是一小部分。阿爾法0的自我鍛鍊學習能力才是最重要的。這是AI進步的結果。

我不是演算法專家，圍棋也只知道規則，基本上不太會下，我的理解，每一種頭腦運動在計算機上的進步，都是使得人類在AI上更前進了一步，使得我們創造思維的能力，邏輯運用更接近人類了一步。儘管阿爾法go擊敗了人類，但是目前來說，只是一個小部分的勝利，也許就是人腦一個區塊反應不如計算機了。但是在很多方面，計算機還需要一段時間才能和人腦匹敵。