我们知道李在比赛中的策略是什么，这似乎是应该奏效的。这是一篇解释它的文章。简短版本：是的，我们知道出了什么问题，但可能还不知道如何解决它。

基本上，AlphaGo 擅长做出很多小的决定，并且比人类更好地管理风险和不确定性。与以前玩围棋的机器人相比，它令人惊讶的一件事是它在战术战斗中的出色表现。在之前的比赛中，李建立了 AlphaGo 需要进攻的阵地，随后 AlphaGo 成功进攻。

所以在这场比赛中，李采取了相反的策略。他不会试图赢得许多不同的影响力战斗，而 AlphaGo 已经证明它比他更强大，而是建立一场关键的战斗（一路上会造成轻微的损失），然后在那里击败它，通过连锁反应来解决匹配对他有利。

那么 AlphaGo 的弱点是什么？据我了解，这是蒙特卡洛树搜索（MCTS）的基本限制。MCTS 通过随机抽样博弈树并对它们进行平均来工作；如果某个位置 70% 的对局顺利，而另一个位置 30% 的对局进行顺利，那么您可能应该采取第一步而不是第二步。

但是当有一个特定的打法顺序很顺利时——比如说，如果 W 有一条路径要求他们每次都下正确的棋子，但 B 对这条路径没有可能的响应——那么 MCTS 就会崩溃，因为你只能通过极小极大推理找到那条狭窄的路径，而从较慢的极小极大推理转向更快的 MCTS 是机器人现在比过去更好的重要原因之一。

目前尚不清楚如何解决这个问题。可能有一种方法可以注意到这种威胁，然后暂时从 MCTS 推理切换到极小极大推理，或者在内存中保留特定轨迹以供将来考虑。