一句话定义：AlphaZero 是 DeepMind 提出的一套棋类算法——只告诉它规则，不给它任何人类棋谱，它靠自我对弈（self-play）、AI 词典：蒙特卡洛树搜索">蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）和神经网络的反复迭代，从零练出超越人类顶尖棋手的水平。
三个零件，一个循环
它其实只有三样东西：
一个神经网络，两个头。 策略头（policy）回答"这一步该往哪走"，给出每个着法的概率；价值头（value）回答"照现在这个局面走，我大概会赢还是输"。你可以把它想成一个棋手的直觉。
蒙特卡洛树搜索。 面对当前局面，它不急着落子，而是往下"试走"很多条分支，根据试走的结果决定选哪一步。分支太多算不完，所以用神经网络的直觉来指路：直觉觉得有戏的分支就多看几层，没戏的就早早砍掉。
自我对弈。 自己跟自己下棋，下完知道输赢。然后做两件事：把搜索过程中算出来的着法概率当作"标准答案"去训练策略头，把最终胜负当作标签去训练价值头。
打个比方：一个棋手闭关，不读任何棋谱。每步棋他都先在脑子里推演很多变化（搜索），推演时靠直觉判断哪条线值得深挖（网络）；一盘下完，赢了输了都很清楚，他就回头修正自己的直觉。下一盘推演得更准，直觉又更强——搜索让网络变强，网络又让搜索更准，转起来就停不下来。这就是它从"完全不会"到"宗师"的全部秘密，属于强化学习（reinforcement learning）里"策略迭代"的路子。
和邻居们的区别
| 用人类棋谱吗 | 有搜索吗 | 会自己学习吗 | |
|---|---|---|---|
| 传统棋类程序 | 常用 | 有（人工调参评估） | 基本不学 |
| 纯 MCTS | 不用 | 有 | 不学，只靠随机模拟 |
| AlphaGo 初版 | 用（先监督学习预训练） | 有 | 学 |
| AlphaGo Zero | 不用 | 有 | 学，但只下围棋 |
| AlphaZero | 不用 | 有 | 学，且推广到国际象棋、将棋 |
关键差别就在第一列和最后一列：它把"人类经验"这一项整个删掉了。 早期 AlphaGo 要先模仿人类棋谱，AlphaZero 连这一步都省了，且同一套算法换个规则就能下另一种棋。
对从业者的意义
它证明了一件事：在规则清楚、能低成本自己模拟的领域，"造数据—评分—改进"的闭环可以完全自给自足，人类先验知识不但不是必需品，有时还是天花板。这套"生成器 + 评估器"的思路，如今在推理阶段的搜索、代码与数学题的自我验证上都能看到影子。
它的局限同样明显：得有一个完美的模拟器，还得有一个干净的胜负信号。现实里大多数问题既模拟不准，也说不清什么叫"赢"。具体实现细节以官方论文和代码页面为准。