围棋规则简单，但每一步候选众多，棋局又远长于国际象棋，导致状态空间呈指数增长。单纯枚举所有变化不可行，系统必须先判断哪些方向值得探索。正是这种兼具广度、深度与模式识别要求的结构，使围棋成为检验通用人工智能方法的理想挑战。
为什么重要: 它迫使研究者发展可迁移的方法，而不只是为固定棋局堆叠算力。
支撑证据
It's much more complex than chess by many orders of magnitude.
AlphaGo 的策略网络对候选落子进行排序，类似棋手凭直觉迅速锁定少数好棋。价值函数评估当前局面对黑白双方的有利程度，搜索则显式推演后续变化。两类能力协同，使系统无需遍历整个游戏树，也能在巨大空间中进行有效决策。
为什么重要: 这一架构奠定了后来“学习模型负责提议、搜索与工具负责求解”的智能体思路。
支撑证据
The beauty of AlphaGo was there is this element of thinking fast and thinking slow.
AlphaGo 在第二局走出的第 37 手，被职业棋手视为几乎不会由人类选择的落点。它重新权衡了边线即时地盘与中央影响力，最终成为胜局中的关键一步。这个事件表明，超越训练分布的输出最初可能看起来像失误，只有通过后续结果才能显现价值。
为什么重要: 面对机器产生的反直觉结论，人类既不能因陌生而立即否定，也不能在缺少验证时将其当作突破。
支撑证据
AlphaGo said there was a one in 10,000 probability that move 37 would have been played by a human player.
从人类棋谱学习
早期系统利用职业棋局训练策略判断，首先获得接近人类的围棋直觉。
结合直觉与规划
策略和价值网络缩小候选范围，搜索负责推演后续变化。
产生超越棋理的新策略
第 37 手展示了系统能够找到人类极少考虑但实际有效的落子。
通过自我对弈摆脱人类上限
AlphaZero 只依赖规则，从随机行为开始自行积累经验并超越既有策略。
迁移到科学与算法搜索
围棋中的搜索思想被用于矩阵乘法、程序发现、蛋白质结构和数学证明。
以验证器区分突破与幻觉
模型负责提出超出训练分布的候选解，验证机制负责拒绝错误结果。
正在恢复最近的对话...
2016 年，AlphaGo 以 4 比 1 击败李世石，让人工智能从“擅长计算的机器”跃升为可能产生原创洞见的系统。访谈从围棋为何难于暴力搜索讲起，解释 AlphaGo 如何用策略网络提供直觉、价值函数评估局面，再通过搜索进行规划。第 37 手展示了机器突破人类棋理的可能，第 78 手则暴露了系统面对异常策略时的脆弱性。随后，AlphaZero 摆脱人类棋谱，仅凭规则和自我对弈重新发现并超越既有知识。这套思想进一步迁移到蛋白质结构预测、矩阵乘法、程序搜索和数学证明。嘉宾认为，前沿问题已从“机器能否发现新知识”转向“怎样验证、解释并利用机器产生的陌生答案”。在可编译代码、形式化证明等可验证领域，生成与检验能够形成快速闭环；在开放科学中，验证可能依赖昂贵实验。未来科学家的核心角色不会消失，而会更多集中于选择重要问题、准确设定目标、设计验证机制，并把机器答案转化为人类可理解的知识。
按访谈叙事梳理关键实验、比赛与技术迁移。
由访谈案例推导出的研究与应用层含义。
访谈涉及的关键模型组件、目标函数和科学计算案例。
最能概括 AlphaGo 历史意义与科学遗产的访谈原句。