大家知道人工智能阿尔法狗在围棋赛中赢了人类选手，之后便沸沸扬扬掀起了关于人工智能的热潮，谷歌的人工智能围棋系统也成为了全球学习的重要案例，但是追其根本，阿尔法狗的成功还是要归结于人工程序员。

　　AlphaGo是DeepMind的两大神经网络之一。其技术包括监督学习(即研究人类棋手的棋谱)，以及增强学习(自己与自己练习，并从中改进)。不过最新消息显示，有些东西AlphaGo无法通过学习去掌握。

　　DeepMind研究总监索尔·格雷佩尔(Thore Graepel)表示，最终完成的AlphaGo系统非常善于发现，应当专注于棋盘的哪个区域。不过，AlphaGo并不擅长何时停止思考，完成落子。

　　这带来了问题，因为顶级围棋赛事有着复杂的计时系统。例如，在与李世石的对局中，双方各有2小时的常规时间去落子，并在时间耗尽后有3次读秒机会。棋手可以选择在某一回合中启动读秒。但如果全部读秒时间耗尽，那么就会被判负。

　　格雷佩尔表示：“人类能进行复杂的时间管理。在困难的局面下，他们会思考更长时间，而在简单的局面下，他们花的时间较少。我们试图让AlphaGo也能做到这点。”

　　“时间是重要资源：我们思考某一步棋的时间越长，那么下法就可能越好。然而，时间是有限的。因此我们提出了一些方法，即如果算法在更长时间的思考后不会改变决策，那么我们可以探测出这点。”

　　研究团队并未在AlphaGo的围棋知识中加入时间规则，而是引入了额外的限制。与核心引擎不同，时间算法是由人工设计的。

　　不过，这仍完全基于算法。格雷佩尔表示：“通过评价系统，我们进行了优化。我们会比较不同的耗时曲线，例如在开始阶段用时较少，随后用时增多，或是开始用时较多，随后逐渐减少。我们测试了哪种方法效果最好。”

　　因此，目前还不必担心机器抢走人类的工作，人类仍有工作要做，例如控制秒表。