计算机的速度越来越快，算法也越来越进步，迟早会出现pc上能下赢职业选手的软件的

alphago, 其实可以分解为:
1. 深度神经网络算法
2.一些额外策略补充
其中,深度神经网络是12层,重要的是它的参数,
求这些参数的确需要大量的时间,50个gpu算了三周才算出来,
算出来后又花了大量的时间左右互搏来微调

问题在于, 一旦这些参数求出来了, 真正做成执行文件使用的时候
每一步其实就是一瞬间的事
所以,简化版的alpha只包含深度神经网络算法, 其实是随便一台电脑都能运行
举个最直观的例子:
大家都知道google翻译也用的深度学习算法, 算参数的时候也算了很久(据说算了300mb的参数)
但是真正使用的时候, googl翻译只需要点一下就能秒出

以前我还以为, 类似alphago的软件只有大公司才用得起,而且运行成本太高
现在才知道, 真正在比赛中占用计算资源的只是那无关紧要的 额外策略补充
真正的核心程序,只要给了参数,随便什么人都能用

选点的直觉和局面判断的直觉确实是一秒出来，因为参数已经确定，局面作输入自然很快出来。求解参数的过程即学习过程才是漫长的。
但阿狗真的下棋并不是只有一层选点啊，这其中也包括搜索，即蒙特卡洛搜索。这个搜索的广度深度是很费时间的，需要很好的硬件支撑。即你根据参数直觉确定了一组可能的选点，判断了当前局面的胜率，然后他会对每个选点进行对方走子的选点，又是一堆，然后在自己走子的选点一直这么下去展开一个博弈树，显然这个过程和传统软件没撒差别，是很耗时的，而且搜索树越深最终选点也越准确（其实就是反复调用参数进行局面判断的选点层层下推，对当前局面走子的验真过程）。
所以单机版本和分布式差距还是很大的。不过由于训练的好，一般来说单机版本参数直接算出的值（即直觉）已经有很高的准确度

确实是这样。所以去年8月美国围棋大会上，Aja说如果阿法狗运行在手机上，也能轻松击败他。