如果以电脑将棋的经验来看，
只要AlphaGo除了赢棋目标之外，多搭载形势分析、
以及步数模拟推演的机能，许多让人无法理解的走法，
一样可以变成让人易懂可学的模式。
例如我以GPS将棋（虽然现在它算弱的将棋软件）来跑2014年名人战第一局棋谱，
在第105手下完后，推估后手第106手该如何下时，
软件的分析会出现类似这样的讯息：
[-52] △２五桂(33)▲２六歩打△３七歩成(36)▲同桂(29)△３六歩打▲２五歩(26)
△２六金打▲３八银打△３七歩成(36)▲同银(28)△同角成(46)▲同金(47)
△同金(26)▲同银(38)
[282] △４五金打▲６五歩(66)△３七歩成(36)▲同银(28)△３六歩打▲同金(47)
△同金(45)▲同银(37)△４四角(35)▲３七银打△同角成(46)▲同桂(29)
△３五歩打▲４七银(36)△９九角成(44)▲７四歩打△同歩(73)▲７三歩打
△同金(72)▲３四歩打△８九马(99)▲８二角打△７二金(73)▲９一角成(82)
△４四香打▲３三歩成(34)△３六桂打▲５九玉(48)△３三金(32)
[306] △４五金打▲６五歩(66)△３七歩成(36)▲同银(28)△３六歩打▲同金(47)
△３七角成(46)▲同金(36)△５六金(45)▲同飞(76)△６七银打▲３六飞(56)
△５八银成(67)▲同玉(48)△１三角(35)
...............................
当然现在只简列上面三种，事实上还有超多种变化未列出来占篇幅，
但从中可以看出软件评估当前情势下哪一手，它距离赢棋的胜算更高。
（负值代表后手优势、正值代表先手优势）
然后出现无法理解的下法时，就直接分析它背后思考的行棋变化，
就会知道为何它会这样下。
如果对它的分析不服气，认为有更好的下法时，
我们也可以很轻易的透过盘面编辑，变成我们认为比较好的下法，
接着让它去重新分析形势，往往就会发现我们觉得好的下法，
其实只要对方在某个应手得宜，事实上这个变化是比较不利的。
而AlphaGo这次更优秀的地方在于，它的自我学习能力显然很惊人。
现有的将棋软件，即使有搭载自我学习能力，看来还是明显劣于google所写的程式。
公认最强的软件ponanza之所以强，仰赖的也不是自我学习能力，
而是设定参数最为精确，但也由于是参数，
所以还是可能出现在某些特定形势下，会由于参数设定问题而出现误判。
但这一点在AlphaGo上可能就不太会发生。
也因此，若利用AlphaGo来分析现在的对局形势、
以及展开它背后的行棋逻辑的话，理论上对职业棋士学棋应该会有帮助，
至少现在也有不少将棋棋士正在利用软件练习对局，以及借重它的思考，
研究它所分析的棋路变化，来借此强化自己的棋力。