3月15日最後AlphaGo以4勝1負的比數擊敗李世乭，眾人期待的結果分曉，李世乭一改賽前的自信，心悅誠服的向電腦圍棋AlphaGo認輸。Google DeepMind總裁德米斯·哈薩比斯（Demis Hassabis）高興之餘，還是稱讚李世乭展現高度棋藝智慧，謙稱圍棋程式再厲害還是需要人類幫忙下棋，連小孩子都比不上。
自主學習及人工智慧
電腦圍棋AlphaGo除了從3000萬份棋譜學習歷史棋步之外，還經過與真人實戰及電腦間實戰訓練，相當受了1000年人類的下棋訓練。平常每盤圍棋要花半小時到一小時下完，人類不眠不休的下棋，一天最多下50場，扣掉每天必須的作息，精力及集中力一天能應付10盤棋就不錯了。AlphaGo的電腦圍棋每天可以使用兩台電腦彼此撕殺300盤，每天的學習量就是一般人的30倍。機器持續的快速運轉，人機學習連續次數會越離越遠。
電腦人工智慧從資料及學習而來，機器不斷練習並經過實戰結果，不斷修正並強化學習得來的智慧。加上快速的搜尋及分析能力，勝過體力及集中力會逐漸遞減的人類，並非不可能。
人類及電腦學習都需要有背景資料，從80年代之後使用電腦資料處理產生了大量記錄，如何轉化資料為資訊，再淬取相關資訊作為決策依據，會影響各種人類活動的效能及效用。資料的轉化相當於我們常說的『言之有理』，產生的資訊相當『言之有據』，正確的決策相當『言之有物』。
AlphaGo的自主學習及人工智慧有些特別，它用非監督（unsupervised）方式進行深度學習（deep learning），配合深度神經網路，能進行機器學習。在90年代初由加拿大多倫多大學（University of Toronto）的佈雷登·費雷（Brendan Frey）及傑佛瑞·辛頓（Geoffrey Hinton）發展出睡眠喚醒演算法（Wake-sleep algorithm）在1995年發表在科學雜誌（Science），並將之運用於分析不正常基因及破解DNA中的剪接密碼，也在2008及2010年發表於自然雜誌(Nature)。非監督方法不需要將資料加上標籤，運演算法會自動從資料中找出隱藏的資料結構。Google公司2011年在Google Brain計劃，由Google公認最聰明的傑夫·迪恩Jeff Dean及斯坦福的吳恩達（Andrew Y. Ng）教授做了一個Google Cat的實驗，從YouTube裡面1000萬個視頻中由 16,000個電腦CPU自動判讀畫面，在沒有任何人為分類下，程式自我訓練判讀認出人臉(81.7%準確),人體(76.7)及貓(74.8%)來。另外一位法國裔紐約大學的燕樂存（Yann LeCun）教授，也發展出誤差反向傳播（Backpropagation）運演算法，辨識郵件手寫郵遞區號的深層學習方法。現在辛頓已經被Google挖角，燕樂存被Facebook挖角，吳恩達在2014加入百度，负责百度研究院Baidu Brain计划的工作。
