您的问题中至少有两个问题：

编程成功的围棋程序有哪些方法？

和

这些方法是否被认为是人工智能？

第一个问题是深刻的和技术性的，第二个问题是广泛的和哲学的。

这些方法已在：Mastering the Game of Go with Deep Neural Networks and Tree Search中进行了描述。

围棋或完美信息博弈的问题一般是：

穷举搜索是不可行的。

因此，这些方法将专注于以有效的方式缩小搜索空间。

论文中描述的方法和结构包括：

• 以有监督的方式向专业的人类玩家学习
• 通过自我对抗学习（强化学习）
• 蒙特卡洛树搜索 (MCTS) 与策略和价值网络相结合

第二个问题没有明确的答案，因为你对人工智能至少有两个角度：强和弱。

所有标有“人工智能”的现实世界系统最多都是弱人工智能。

所以，是的，它是人工智能，但它是无感知的。

有一个单一的阈值，在它下面是“不智能”，在它上面是“智能”是没有多大意义的。

我认为通过认知任务对智力进行分级更有意义。反转矩阵是一项“认知任务”，工作记忆可以带来巨大的回报；很长一段时间以来，计算机在认知任务上的表现都比人类好得多。

AlphaGo 的胜利代表了几个组成部分。一是我们拥有的算法可以与最好的棋盘游戏玩家在围棋世界中进行战术和战略思考相媲美。另一个原因是人类视觉系统的更深层次的结构似乎被复制了，因此我们的算法可以像人类一样识别模式——但分辨率非常有限。（AlphaGo 看到每块石头一个像素，而我们有非常非常高分辨率的眼睛和与之匹配的视觉皮层。）

不同的人有不同的直觉，但在我看来，视觉智能通常是人类智能的重要组成部分。如果我们知道人类视觉智能的大部分秘密，那意味着计算机现在可以像人类一样执行许多任务（如果提供正确的训练数据）。

既然已经达到了这个里程碑，这是否代表了人工智能技术的重大进步，还是只是将更多的处理能力应用于该问题？

也没有，真的。这是计算机在游戏中击败人类的里程碑和重大进步，但所使用的技术仅与该游戏相关，不适用于 AI 中的其他目的。

解决方案在于人类分析游戏并实施算法以找到好棋。这是计算机可以击败人类的主要原因，以及它可以更快地计算并且它不会因为看不见东西而做出非常糟糕的举动。

处理能力有所帮助，但围棋的博弈树复杂度非常大，估计大于 10 ²⁰⁰，而国际象棋的博弈树复杂度仅为 10 ¹²⁰（称为香农数），因此国际象棋不那么难。这意味着无论是国际象棋还是围棋，都不能创建包含所有可能位置的数据库。

深蓝在 1997 年的六场比赛中击败卡斯帕罗夫的事实是一个相当大的发展，因为这是第一批计算机击败顶级人类的“硬”游戏之一。但它仍然不是真正的人工智能，更多的是分析游戏。实现一个开局和残局的书是很大一部分，中局是使用分析完成的，我不知道细节。

我们已经就人工智能的构成进行了很多讨论，我的结论是，无论决策是否最优，决策是人工智能的核心要求。

在这个概念中，Nimatron (1939, US2215544A )可能被认为是第一个真正的 AI，等待验证传说中的 Babbage Tic-Tac-Toe 机器。

但是，一个简单的开关是否代表了最基本的智能形式的问题也被提出了......

我认为这些决策设备与早期的算法实现（例如水钟）之间的区别在于，不能说水钟在最大化某个目标的成功机会的意义上做出决定。