不久前和諮詢客戶聊人工智慧，一般人總是直接想到圍棋alphaGo，「機器能想到各種前所未見的勝利方法，人們來不及應付，所以就輸了。」
當時我是這樣回答的：機器沒有「輸贏」概念，只有「數值」，被模型寫定了要追求棋盤上餘子數量比對手多。機器也不思考什麼事情，只是反復執行同一個任務，「此處落子後，接下來會是哪裡？」 每一步都如此推敲接下來的發展，從中擇優，直到終局。
人如何教電腦？
這個做法也不算創新，人就是這樣作，也這樣教電腦。電腦圍棋在70年代起步，早期做法是機械式地「背誦」棋譜，根據對手落子搜尋棋譜再對應，這種「亦步亦趨、不假思索」的方式很快就出現瓶頸。
接著另闢蹊徑，開始計算棋盤上的「氣」，計算當下可以造成對手最大傷害或創造自己最大存活機會的落子處，但這又難以判斷潛在的陷阱，因為計算量太大，當時的電腦根本無法處理。就這樣緩步二十年，直到alphaGo打敗人類冠軍，而那又是五年前的事情了。
電腦學會動能評估
如果說，第一階段可以歸結為「以人為師」，第二階段就是「邯鄲學步」，都是以「勝利」為前提所作的種種努力。只不過資質有限，機器徒弟打不過人類師父。
到了現在，電腦已經不再機械比對，而是動態評估。評估又分為兩個部分，一個是計算下一子可能出現在哪些地方。
另一個則是根據每個可能性，再推算這樣下之後接下來繼續推算直到終手時是否勝利，反算勝率後，再選高勝率處落子。這樣可做大量減少計算量，對於短期干擾也能免疫。機器就這樣「不慌不忙、按部就班」直到終點，然後呢？然後就贏了。
算得快、記得久
換句話說，贏是結果，而非機器的目標，反正每一子背後都是計算上億局之後的選擇，也絕對不會有狹路相逢勇者勝的問題，不必問，一定是電腦勝，因為計算後會輸的狀況都被排除了。有人挑刺，「可就是狹路啊?」「少年，你想多了，十步之前電腦就看到狹路，老早迴避掉了。」
機器心思很簡單，只是算得快、記得久罷了。一般人搞不懂，看著機器贏，然後還一路贏，嚇壞了，以為機器要主宰未來。
其實並非如此，不是機器主宰未來，是能用得起機器的人才能主宰未來，其他人為這個架構提供服務，許多關於機器學習的哲學思考從這裡才算開始，包括機器民主、AI貧民等，先前的說法就只能歸類成科幻小說了。