当我问哈尔姆怎么看待新科围棋冠军时，他告诉我这“绝对令人叹为观止，是一个很显著的进步”，但他不认为这个算法是从零开始学习的。
哈尔姆告诉我，“雅达利游戏的规则对算法来说是未知的，因此它必须学会这些规则。”神经网络要“自下而上”地学会下棋，就必须弄清屏幕如何随动作发生变化。而科学家们已经将这些信息提供给计算机，供阿尔法狗使用了。
开发语言处理神经网络的脸书工程师托马斯·米科洛夫并不认为，阿尔法狗的成功代表着我们向强人工智能迈出了重要一步。他对我说，如果一个人长期浸淫在解决高度人工化的问题上，比如电脑游戏、围棋、国际象棋等，那么他就有可能对某些和创造人工智能这一终极目标无关的东西持过度乐观的态度。托马斯认为，只有在解决以语言为基础的任务时，通过与人工智能交流并指导它们，我们才能开发出真正的智能。
我回想起了自己的童年。当我第一次玩《吃豆人女士》和《太空入侵者》时，我前后花了不到几分钟时间就明白了怎么玩这两个游戏。控制电视屏幕上的图形对我来说再自然不过了，我的大脑很快就弄清了手柄的活动和屏幕画面之间的关系，并开始不断刷新游戏的得分记录。当我12岁的儿子第一次在PlayStation4上玩暴雪公司出品的《守望先锋》（Overwatch）时，我也目睹了同样的场景：他立刻就明白了移动的图形都是什么，也明白了应该如何使用手柄，并开始考虑游戏的策略。
当孩子们学玩电脑游戏时，他们使用的策略与我们在神经网络中使用的策略大不相同。当他们开始接触游戏时，他们就已经对物体之间的互动有所了解，不管这些物体是现实生活中的还是游戏中的。纽约大学(New York University）的布兰登·莱克（Brenden Lake）与麻省理工学院（MIT）和哈佛大学（Harvard）的同行们一起，对一款名为“寒霜”
被算法操控的生活OUTNUMBERED
214