AlphaGo 是 DeepMind 开发的一款围棋电脑程序。与国际象棋不同，围棋可能的棋盘局面数量巨大，使得传统的暴力搜索算法不切实际。AlphaGo 结合了神经网络和强化学习（RL）来应对这一挑战。它在 2016 年击败了顶级人类选手李世石，成为了人工智能领域的里程碑。该系统结合使用监督学习（在人类棋局上训练）和强化学习（自我对弈）来发展超越人类专业水平的策略。它的成功展示了机器学习如何处理复杂、依赖直觉的任务。
AlphaGo 对强化学习的应用集中在两个神经网络上：一个 策略网络 和一个 价值网络。策略网络预测每一步棋的获胜概率，指导搜索最优行动。价值网络估计棋盘局面的长期回报，减少了模拟所有可能未来走法的需要。这些网络通过自我对弈进行训练：AlphaGo 与自己对弈数百万局，调整参数以最大化获胜机会。例如，如果某一步棋导致失败，策略网络会更新以降低在类似未来场景中选择该步棋的可能性。这种迭代过程使 AlphaGo 能够发现人类棋局中不存在的新颖策略。
一个关键技术细节是将蒙特卡洛树搜索（MCTS）与神经网络相结合。MCTS 通过模拟棋局来探索可能的走法序列，但它不是穷尽评估所有路径，而是使用策略网络来优先选择有希望的分支，并使用价值网络来估计结果。例如，在与李世石的关键对局中，AlphaGo 在第二局中的第 37 手棋——一个看似非传统的落子——就是由其网络指导的 MCTS 的结果。这种方法平衡了探索（尝试新走法）和利用（使用已知的好策略）。通过将基于强化学习的自我改进与高效搜索相结合，AlphaGo 在不完全依赖现有的人类知识的情况下，实现了超人的表现。