打劫，是指黑白双方都把对方的棋子围住，这种局面下，如果轮白下，可以吃掉一个黑子;如果轮黑下，同样可以吃掉一个白子。因为如此往复就形成循环无解，所以围棋禁止“同形重复”。根据规则规定“提”一子后，对方在可以回提的情况下不能马上回提，要先在别处下一着，待对方应一手之后再回“提”。如图中的情况：
打劫因为反复走同一个点，会使搜索树的深度加大，而且因为其他位置劫才会影响劫的输赢，劫才之间又相互影响，有可能打劫中又产生新的劫。总之，打劫规则会使围棋的复杂度加大。
因为前两局棋没有下出打劫，有人会怀疑DeepMind和李世石有不打劫协议。在后面的棋局中，AlphaGo确实下出了主动打劫。而且从算法层面看，打劫也不会是她的模拟框架崩溃(可能会有一些小麻烦)。
13.遇强则强，遇弱则弱?
AlphaGo的表现似乎是遇强则强，遇弱则弱。这可能是由于她的学习监督信息决定的。policy和value学习时，和rollout模拟时，最后的结果是谁赢(的概率)，而不是谁赢“多少”(赢几目)。所以在AlphaGo领先时(几乎已经是常态了)，她不会下出过分的棋，她只要保证最后赢就行了，而不是像人一样要赢的多，赢的漂亮。即使有杀大龙(一大块棋)的机会，她也不一定杀，而是走温和的棋，让你无疾而终。估计只有在AlphaGo判断她大大落后的时候，她才会冒险走过分的棋(这好像不常见)。
14.AlphaGo下棋为什么花钱?
AlphaGo有单机版，多机(分布式)。分布式明显比单机强。去年的分布式有40个搜索线程，1202个CPU，176个GPU(显卡)。和李世石下棋时可能更多。这么多机器的运作和维护就是烧钱。
15.AlphaGo有漏洞吗?
AlphaGo解决的是一个树搜索问题，并不是遍历所有着法的可能性，她的着法只是接近正解，不是一定正解。
最简单的人战胜AlphaGo的方法就是改规则，比如扩大棋盘。人类能比较简单的适应，搜索空间增大，AlphaGo不一定能适应。
就现有状况来说，棋手可以主要攻击AlphaGo模拟中的着法选择函数a。比如尽量下全局互相牵扯的棋(多劫，多块死活)，就是尽量是中盘局面复杂，不要搞一道本(一条路走到底)局部的着法，当然，这对职业选手也不简单。
16.AlphaGo有哪些技术突破，使她能战胜人类顶尖棋手?
继承了蒙特卡洛树搜索的框架进行模拟。
在学习policy中使用了监督学习，有效的利用现有的棋手的棋谱，学到了他们的选点策略。
在学习policy中使用了增强学习，从左右互搏中提高自己。
利用policy net(选点模型)近似正解，用policy net的对弈的结果模拟正解对弈的结果，即正确的形势判断，从而打破形势判断和选点相互嵌套的死结。就是先学policy，再学value。
在学习policy， value， rollout中使用深度学习模型。深度学习有非常强的学习能力。使得选点和形势判断前所未有的准(对比蒙特卡洛是随机选点，现在是职业棋手帮她选点 了)。因为在每次模拟中用到了这两个“准”，使得在树搜索(就是推演)的过程更有目的性(树大量减枝，只模拟比较优良的下法)。
当然还有机器一贯的优势，不疲劳，不受心理情绪影响，不会错的记忆力等等。