1樓：
深藍的演算法是針對各種棋譜預先寫入應對步驟，類似請無數的象棋大師在旁邊指導。
阿爾法狗是自學習，不需要知道任何棋譜，就像乙個嬰兒自己從頭學習。屬於通用智慧型，這個系統可以用來做很多其他工作，比如自動駕駛，人臉識別等。而深藍演算法只能用來下棋，應用很有限。
2樓：jackzhou
AlphaGo和「深藍」的區別並不是在是否「計算」上，計算機不計算，還叫計算機？
區別在於人類使用計算機的方法上，深藍是人類用「類似窮舉的方法」，所謂「窮舉」，並非沒有「演算法」，還是要優化計算的方法的，來下西洋棋。而AlphaGo是在上述方法無效的情況下（為什麼無效，參考其他回答），用「仿生的方法」，即先學習人類的已有知識（已有的棋譜）來和人類下棋，就像先和師傅學習，然後再想辦法打敗師傅。可貴的是，該「仿生的方法」是一種學習機制，可以自己產生素材，並繼續學習（鄙人理解為無監督的學習），也意味著可以越來越強。
但是，真正的人的智慧型，不但能學習知識，還能創造知識，而且學習知識的能力也不單是一種「計算」的方法，比如學畫畫，學唱歌，就不是計算來的（貌似可以通過形式化包裝來學習）。從這個角度看，基於「計算」的人工智慧，仍然很初級，或者說，人類還沒明白自己是怎麼學習畫畫或者唱歌的。
最後一句話總結：術中有數，數中有術！
3樓：find goo
深藍是窮舉，因為棋的變化在於計算的空間內， 最多就優化一下演算法，屬於演算法領域。對程式設計師來說，每一步都是透明的，是白箱。
AlphaGo，因為圍棋的棋子太多，不可能窮舉，用的是深度神經網路，本質是一種多維函式空間的概率演算法，就是把圍棋抽象成多維函式，利用神經網路的函式逼近來模擬人下棋（一種比喻，實際上神經網路就是神經網路，不是什麼函式），屬於人工智慧領域。因為維度太高，對程式設計員來說，神經網路是黑箱，他也不知道為什麼會這樣，只知道輸入和輸出，及配置引數，以及訓練。
4樓：
嘛，簡單地說，深藍是直接算到了幾乎所有的可能，它證明的計算機在強大的計算資源的支援下，相對於人類的計算速度是多麼的令人驚嘆。深藍落下乙個子是因為它遍歷了對手可能的應對情況。
而alphago走的是另乙個路線，深度學習的機器學習演算法。它下棋的思路是在模仿人類，構建出不同的策略然後再構建出不同的優化策略的策略。alphago落下一子是因為它認為在那裡落子符合某種策略，是某種策略的一部分。
它在用很類似與人類的方法去理解這盤棋，然後去分析該怎麼去下。
具體的敘述上可能並不準確。。
5樓：
深藍靠的是既定的計算能力，而AlaphGo能在既有資料基礎上不斷學習進化；
本質上深藍主要是靠硬體，AlaphGo主要是靠軟體
6樓：羅小公尺
剛剛看完區別來共享一下：深藍是乙個超級計算機系統。阿爾法狗是由許多資料中心結點相連，每個結點由多個超級計算機組成的卷積神經網路系統。
7樓：
首先，乙個是象棋，乙個是圍棋；
其次，象棋的難度10的46次方，而圍棋的難度10的172次方；平方根的曲線大家應該知道吧，越往後難度直線上公升
還有，圍棋是感性的，就像人的思維電腦很難模仿一樣，而象棋不是。（粗糙的一答，見諒）
IBM當年推出pc為何不使用自家的power處理器？
木頭龍 1 IBM PC是1981年推出的，第一代POWER的CPU 1990年才出現。2 當時的IBM也有用於大型機的CPU，然而你不會想把斯太爾重卡的發動機裝到五菱巨集光上吧？PowerPC CPU 為什麼後來越來越打不過 x86，因為酷睿？ 看看 1964年，世界第一台商用桌面電腦是王安公司研...
深蹲與肌肉量的關係？
喵喵 腿圍59的妹子，還在穿牛仔褲。你們怎麼就沒褲子了呢？我的尺子壞了麼？23333 另外，是說大腿根部最粗的那個地方吧？別說膝關節上10cm的位置哈。 XJBLer 參考下吧，個人身高165cm，力量最好的時候，蹲的成績是高槓160，低槓170出頭。這時候體重是72kg左右，體脂12 左右，大腿圍...
AlphaGo 與李世石的第四局比賽中有哪些值得關注之處？
Bruce Wang AlphaGo和以前的演算法相比，核心改進是新增了價值網路，這也解決了以前的AI沒有大局觀的問題。通過3000萬個對局訓練後，價值網路具備了不低於人類九段的局面評估能力。要知道很多人類九段也不能很準確的評估局勢。柯潔之所以是目前世界第一，也是因為他的局面評估能力是超一流的。另外...