硬件运算能力和算法不能分开看，都要够成熟才会进下一步。
其实围棋的Monte-Carlo Tree Search(MCTS)和将棋的Bonanza Method都
大略在2006年左右取得突破，这不是巧合。
以将棋的Bonanza Method来说，其实它只是西洋棋里Comparison Learning的重现，
两者是一模一样的东西，只是Comparison Learning是在90年代，
要能学出有效的审局要上万个参数(feature)才能做到，当时硬件运算速度要等非常之久，
会变得很不实际，而是到2006年左右硬件运算够力才让它效果出来。
MCTS也是差不多的故事，用Monte-Carlo法来下围棋也是90年代就有的概念，
只是Monte-Carlo法要跑模拟数量规模够多的情况下好会有好效果，但也是等到约10年前
硬件运算才跟得上。
当然，虽然是90年代就提出，但现在用的方法其实跟90年代时提出的长得不一样，
有了最近的修改，加上硬件运算够力，两者都够成熟了才能有突破．
AlphaGo也是一样的情况，Deep Neural Network的学习也是要有GPU才会比较够，
光用cpu跑会太重，所以硬件运算能力不够的话，这方法也钱是"不实际"的
其实Neural Network也是80年代就有的东西，但也是2006年左右deep learning才取得
突破，早期要train一个很大的Neural Network太花时间，也"不实际"．
当然，不单纯是运算力的问题，算法上也有个关键的突破(解决overfitting)才成功
所以这两者是相辅相成，不能独立来看的
※ 引述《einstean (台北捷运世界一流)》之铭言：
: ※ 引述《zkow (逍遥山水忆秋年)》之铭言：
: : 将出战韩国棋王
: : AlphaGo在3月将于首尔出战全球最厉害职业围棋手、号称“围棋界费德勒”的韩国棋王李
: : 世石，胜者可得约3356万元台币奖金。李说：“我听说DeepMind的人工智能出奇地强且愈
: : 来愈厉害，但我有信心至少这次能赢。”
: 如果将棋电王战的奖金也有100万美金的话，我就不相信羽生渡边不会来参加。
: Google的做法就像当年IBM的深蓝电脑一样，借由打败棋王来提升企业和产品知名度。
: 1996年2月10日，深蓝首次挑战西洋棋世界冠军卡斯巴罗夫，但以2-4落败。比赛在2月17
: 日结束。其后研究小组把深蓝加以改良，1997年5月再度挑战卡斯巴罗夫，比赛在5月11日
: 结束，最终深蓝电脑以3.5–2.5击败卡斯巴罗夫，成为首个在标准比赛时限内击败西洋棋
: 世界冠军的电脑系统。
: 我想今年电脑应该不会赢，可是再过几年就很难说。