AlphaGo的核心算法是reinforcement learning。通过大量棋谱学习两个参数，一个是policy函数

，另一个是value函数。policy 函数决定下一步棋下那个位置，而value函数一般是来计算未来总奖励的期望值，这里是计算赢棋的概率。这两个函数的学习（逼近）是通过deep feed forward neural networks 来实现的。后来，AlphaGo Zero不用棋谱了，而是通过和自己下产生大量棋谱，再从棋谱中学习这两个函数。policy 函数是两个，每个棋手一个。