人機五番棋，AlphaGo 以四比一擊敗李世石，固然是人工智能一大進展，但其突破在量而不在質，意義有限，既不會就此毀滅人類，亦未能應用於進階科技；而圍棋作為人類活動，AI 參戰，反而令遊戲更有趣，圍棋的未來更加可期。
從五局對奕中，在在可見 AlphaGo 果敢切斷挑起攻擊、覷準時機侵角打入（第一局）、判斷死棋而敢於脫手（第三局）、做大模樣圍空、熟練處理連環劫（第三局），由局部運算到佈局，AlphaGo 均表現出一流水平。不過，是次破天荒的勝利，並不代表人工智能達到重大突破。
純粹換算
單論勝負，圍棋是純計算的項目。有說 AlphaGo 不計目數，只在乎勝負，這種說法其實是不了解圍棋：落點為何不在此處而在該處，因為該手較「大」，佔目更多；攻擊往往涉及「算氣」、侵空或屠龍則要精確運算「死活」，該處能否造出兩目；先手棋與後手棋次序需要全局協調，牽涉緩急、目數。每一手棋都需要研判利害，而圍棋的判斷是純計算的。
換言之，AlphaGo 其實是純運算系統，所謂「價值網絡」（Value network）－－判斷全局局勢，為潛在落點給出分數－－只是將一組數字轉算成另一組數字，並非真正價值轉換。AlphaGo 真正有用之處在於其學習系統的應用，協調運算能力次之。
正如 DeepMind 創辦人 Demis Hassabis 指出，AlphaGo 的神經網絡訓練模式比下棋所用運算系統更重要。所謂「深度學習」，簡言之，即是建立一組系統，注入資料，系統經消化後自行組合模式，建立一套簡化的程序。系統愈要複雜，資料愈需精純。人工智能能否成功運作，關鍵在於兩個條件：數據及系統設計。
壟斷數據
深度學習系統憑藉龐大而多層次的模式，能夠處理數以百萬計的變化項，運作需要輸入大量數據。卷積神經網絡（Convolutional neural network）早於 1980 年代研發，但當時數據難以搜集，不足以應用於大型運算軟件。近年大數據興起，可資分析的訊息大量湧現，造就了 AlphaGo 的誕生。問題在於，只有財雄勢大的集團例如 Google、Amazon、Facebook 等，才有足夠人力物力搜羅大數據並加以分析。Demis Hassabis 在記者會上說，AlphaGo 的結構理論已全部發表於 Nature，歡迎借鑑開發私家版，然而 AlphaGo 之所以表現強勁，正正因為輸入了大量優質數據，一般人難以取得數據的話，自家製不可能與正版匹敵。假如只是圍棋數據，個人也許不難取得；若論社會數據的積存能力，個人與企業則是勢力懸殊。即是說，企業壟斷數據，就等於主導未來人工智能的技術。
無限設定
系統設計如要配合現實運作，必然極度複雜。加來道雄（Michio Kaku）於 The Future of The Mind 一書論及神經網絡 AI 機械人，認為即使程式簡易，智能設定卻極為繁複：譬如要為機械人培養意識、調教情緒、教導說謊、再現痛感、輸入倫理、訂立法律……等等，每一環都牽連重大，例如設定機械人首任為「保護人類」，假若有人企圖傷害他人，機械人能否以武力制止，武力程度如何拿捏，各種情況如何應對、會否過敏誤判、專家與 AI 意見相左時採信何方？……機械人是有了神經網絡自行學習系統，但相關數據不僅繁雜，有時更難以取得共識。人用一生時間學習的事物，機械人卻必須出廠前就完全掌握，而且不能出錯：一旦誤判情況，後果可大可小。
對比上述 AI 應用，AlphaGo 只能算是第 0.1 步嘗試，小試人工神經網絡的運算能力，連最基本的價值判斷亦談不上，而價值判斷－－暫時仍屬人類專利－－才是真正的難題所在。Demis Hassabis 曾指希望藉人工智能破解人腦思考謎團，似乎言之尚早。
圍棋之神
說回圍棋。理論上，只要 CPU 夠多，運算能力夠強，AlphaGo 可以在特定時間內算盡一局之內棋盤上所有落子變化；現時 AlphaGo 每日自行對奕三萬局，而且尚有加速空間，假以時日，理論上亦能窮盡一切棋局鋪衍，讀得出所有變化組，自然可以研判出「最好」的落點。當「圍棋之神」誕生，到時人類下棋還有意思嗎？答案是：有。完美機器不會殺死圍棋，反而會打開圍棋所有的可能性，人類經驗有限，憑藉「神助」，進步得以更快，甚或會創出新局形。與其博奕，就似與規則博奕，規則以本來面目出現，人類要挑戰的是跟上規則本身。圍棋始終是人類的遊戲，正如人人知道，跑車比跑手更快，但人類依然向前疾奔，為每一次衝線而感動。
