好问题。时隔一年再来答这个题，也许大家看这个问题会更客观。
还是先上结论。我认为 AlphaGo理解围棋，而且AlphaGo比人类对围棋的理解高一个层次。
这个问题下面, @SIY.Z 的答案对我很有启发，推荐大家可以看看。
这位答主提到，
你或许还是不能接受AlphaGo这个样子，我想这是因为，人们下围棋，一定要先理解「围棋」什么东西，下面才可以操作。但是AlphaGo却是在不知道(或者没有被提供数据)「围棋是一种2个人的，而且两个人面对面做的，对抗的，零和的，棋盘19*19的，棋盘是方的，上面是打格子的，格子也是方的，有黑白两个子的，黑子先下的，两个轮流下的，要下在格点而不是格子中间的，有限时要求的，棋子数量足够的，一个棋子不会占超过一格的，棋子是圆的，两边凸起的，中国古代发明的，一种博弈游戏」中的任何一点的时候，可以战胜人类。说得好。不过，AlphaGo眼里其实是有「围棋」这个概念的。计算机围棋界有基于中国规则的Tromp-Taylor规则（Tromp-Taylor Rules）。详细的条文就不在这里贴了，我简单转述一下。Tromp-Taylor规则定义，围棋是一个在19*19格点上进行，两个玩家「小黑」、「小白」，轮流分别把棋盘上的某一个格点染成黑色或白色的游戏。再加上提子和禁循环的规则，以及终局判断，就是完整的Tromp-Taylor规则。请各位想一想，这样的围棋，和我们眼中的围棋，有什么本质区别吗？如果不考虑围棋文化，那么我可以肯定地说，没有区别。
既然对于AlphaGo，「围棋」这个概念本身，和人类理解的「围棋」这个概念没有区别，那我们就先聊聊我们人类，特别是职业棋手，是怎么理解围棋的。
这里引用一段我去年写的文章。
围棋是世界上最复杂的游戏之一。所谓「一着不慎，满盘皆输」，每一步棋都可能左右全局的结果。一般来说，一手棋的决策分两步。第一步，「选点」：凭经验或感觉给出几个候选的点；第二步，「判断」：分别对这几个点做形式判断，并进行比较。这两步，说来容易，但要做到笑傲众生的水平，对于天赋和勤勉的要求，不亚于一个优秀数学家所需要的。
从初学者成长为大师，棋手需要先学会基本的布局理论、掌握基本的死活、对杀常识，然后熟记数百个定式及掌握其主要分支（飞刀）、练习数万死活题，同时在大量对局中磨练。有些外行据此认为，围棋只是复杂一点的「体力劳动」。对于这一观点，下图古力同学白1这一招抵得上千言万语。
图中右上的形状，在任何一本死活题的书中都不曾出现。实战白棋这一招的位置，也属于一般「选点」思路下的盲点。但古力同学在短时间内看到了这一招，一举扭转乾坤。
「体力劳动」让天赋平平者能够成为业余高手，但山巅最美的风景只属于天才 。
我们再说「判断」。判断很难吗？在中国象棋或者国际象棋中，形势判断对于程序来说并非难事：只需观察双方子力的差距就可以大致判断出形式的好坏。当年战胜卡斯帕罗夫的「深蓝」，其形式判断算法大致就是如此，非常简洁。而围棋的形势判断是个真正的难题。围棋的胜负由终局时双方控制地盘的多寡决定。然而棋局进行到一半，双方的地盘都尚未封闭，怎么判断形势呢？
职业棋手采用的算法是估算双方的目数（地盘大小）差距。那如果地盘的边界没有完全确定怎么办呢？如果有先手官子就判给先手方，如果是双方后手官子就算一人一半。如果有一些模糊的地方，比如说一块厚势折算成几目呢？这时候就只能凭经验感觉了。职业棋手之间微妙的水平差异，很多时候也体现在模糊判断能力上。
对于如图所示的中盘阶段末期的局面，职业棋手一般能在一到两分钟内大致判断出双方地盘的差距，并据此决定接下来的策略是保守或是激进。这样的判断速度和准确度，和「搜索」能力的训练一样，背后也是数千盘对局积累下来的经验。
——————
小结一下，对于高手来说，除了十几年日复一日训练的积累以外，灵感和天赋也是必不可少的。在复杂局面下，棋手的选点需要灵光一现，而模糊判断的准确性，离不开棋手的天赋。
这听上去有点像艺术创作。确实，围棋自古以来与琴、书、画并称君子四艺，现在我们仍然这么提。但是，围棋终究是一个游戏。如果你对博弈论有所涉猎，大概会知道，围棋是一种「完全信息」博弈。更懂行一点的读者知道，根据 策梅洛定理 ，像围棋这样的二人、完全信息、无运气成分、有限回合、且不存在和棋的游戏，对局的其中一方是有必胜策略的。（这里有必要解释一下「有限回合」和「不存在和棋」。围棋的中国规则中，有「禁循环」一条，这就杜绝了棋局无限制进行下去的可能。另外，如果严格执行「禁循环」规则，三劫循环、长生等特殊棋型，相当于打一个普通的劫争，不必判和棋。现实中将三劫循环判和，只是一种权宜之计，相信未来可能会改变。）
那么，既然必胜策略一定存在，为什么围棋手不去研究必胜策略，搞什么选点、判断？为什么围棋手不能踏踏实实用逻辑推理解决战斗，是不是他们在故弄玄虚，或者说装逼？
当然不是。
因为围棋太难了。
1950年，「信息论之父」克劳德·香农在论文「Programming a Computer for Playing Chess」 中给出了国际象棋复杂度的一个下限。香农写道，一盘象棋一般有40个回合，平均每回合的变化总量大约在10^3这个数量级，那么国际象棋的变化总数至少是10^120这个数量级。后人把10^120这个数称作「香农数(Shannon Number)」。香农用此计算说明，利用纯暴力搜索破解国际象棋是不现实的。
如果我们估计一下围棋的香农数呢？19路围棋盘上，一盘棋大约是120个回合（240手），平均每回合的变化数总量在10^5以上，这样算下来，围棋的变化总数不少于10^600。可观测宇宙的原子总量10^80，相形之下，真是小巫见大巫。刘慈欣的小说【诗云】中写道，就算把宇宙中的每一个原子都做成储存器，而且技术先进到一个原子能储存一比特信息，也只能存下很小一部分的棋局。
诚然，计算，或者说单纯的逻辑推理，是围棋技艺的基础。不过，当计算量远远超出人脑的能力之时，减少计算量的技巧，选点、判断，就必须出场了。经验性的选点，让棋手快速将有限的计算力集中到几个重要分支上；而准确的判断，能够让棋手在优势局面下鸣金收兵，避免复杂计算，减小风险；或者在劣势局面下放弃幻想，奋力一搏。当然，选点、判断时的模糊性，在逻辑上难免不严谨，有一定风险，这就要求棋手权衡利弊，合理分配时间。
-----------------
讲了很多人类棋手的事，是时候让AlphaGo出场了。事实上，摆在AlphaGo面前的最大问题，和人类棋手是一样的： 围棋太难了，计算力不够 。「深蓝」战胜卡斯帕罗夫那一套，对国际象棋还行，套用到围棋上根本不可能，毕竟围棋的复杂度远超国际象棋。想要战胜人类，只能把有限的计算力用在刀刃上。怎么办？AlphaGo团队的做法是， 像人类棋手一样，去选点和判断 。
深度卷积神经网络，是AlphaGo采用的一项先进技术。我们可以把神经网络看成一个黑箱。
如上图。给定一个输入，神经网络经过一系列处理后输出结果。具体到AlphaGo的架构，可以用下图粗略地解释。
请看上图。人类棋手的思维方式，是根据输入的局面，输出候选招法和形势判断，综合以后给出最终输出。AlphaGo的大框架与此非常相似。AlphaGo的策略网络，大致对应人类「选点」的决策；AlphaGo的价值网络，大致对应人类「判断」的决策。
在此基础上，蒙特卡洛搜索树算法将策略网络和价值网络串联起来，形成完整的决策系统。
AlphaGo基于蒙特卡洛搜索树的单次决策过程，附有我的诠释。进行此循环多次以后，AlphaGo选择在过程中 重复次数最多 的分支为最终落子点。
以上我对AlphaGo的解读为了方便大家理解，有不严谨之处。关于AlphaGo原理的深度解读，推荐 @袁行远 的答案DeepMind 研发的围棋 AI AlphaGo 是如何下棋的？。轻松一点的解读，也可以看围棋 AI（人工智能）的发展历程是怎么样的？，我和 @Haochen Liu 以及 @云天外 一起做的Live的逐字稿。
前面的内容讲到，AlphaGo下棋时决策的方式和人类相似，因此可以说AlphaGo「理解」围棋。接下来进入我要论证的主题， AlphaGo比人类更懂围棋 。
AlphaGo以4:1战胜李世乭，又化名Master在快棋中横扫职业棋手，实力无疑超过所有人类棋手。然而，还有更恐怖的事情。棋手们在这一年多以来，一直在向AlphaGo学习。在具体招法上，也有了不少心得。 但是，AlphaGo的判断力是人类永远没法学习或者模仿的。 下面这一段，我将人类与AlphaGo的判断能力做个简单比较。
——————
人类「数地盘」式的判断常有失灵之时。除了模糊判断可能带来的误差以外，对于某一块地盘归属的错判也是经常发生的。李世乭-AlphaGo五番棋第一局中，职业棋手们就在局中集体给我们演示了一次这样的错判。
这是棋局进行到第101手时的局面。李世乭在棋盘上落下的这一手确保了右上黑棋的安全。由于AlphaGo在左下步伐紊乱，黑棋收获颇丰。沉浸在乐观情绪中的职业棋手们一致判断黑棋明显优势。直观来看，此局面的判断并不复杂：黑方下边一块确定的目数，基本可以和白方全局确定的目数+厚味抗衡；黑方额外多出右边红框里的地盘，意味着黑棋盘面（即不计贴目）领先15目左右。然而，当时没有人想到，右边红框范围内看上去已经万无一失属于黑棋的地盘，即将被AlphaGo掏空。
敏锐如柯洁者，第一时间看到了白棋在R10（图中绿圈）打入的手段。不过，柯洁当时的说法是，这是落后一方孤注一掷的手法。局后回顾，才发现此处黑棋已无法全身而退，而AlphaGo对此早已成竹在胸。从DeepMind公布的数据来看，AlphaGo认为此局面下白方的胜率超过75%，这意味着AlphaGo对R10打入之后的变化充满信心。棋局的走向证明了AlphaGo判断的正确，而职业棋手的直觉在此处集体失灵。
————
AlphaGo在复杂局面下的形势判断，比职业棋手的判断更精准。
更重要的是，AlphaGo基于概率的形势判断，比人类棋手比较地盘多寡的判断，更接近围棋的本质。学棋的时候，老师常说，赢半目和赢一百目没有区别。围棋十诀第一条就是「不得贪胜」。说明人类棋手都认同，保住胜利果实，比拿到更多地盘更重要（也许藤泽秀行棋圣是个例外）。然而，具体操作中，人类的形势判断算法并不能实现这一目标。
为了帮助理解，我举个例子。
在某一盘棋的后半盘，黑方确定目数70目，没有潜力。白方确定目数40目，有一块40目潜力的大空。如果黑方立即打入（选项A）并活出（结局A1），则40目的潜力只能转化成10目的实地，黑方获胜。如果黑方打入失败（结局A2），则白棋40目大空围成，白方获胜。黑棋也可以选择保守的浅消（选项B），则白方的40目潜力 大约 能转换为25目实地 。
这个局面下，如果选择浅消（选项B），虽然最后差距会缩小，然而其实胜机也很少。很遗憾，这种局面下，职业棋手很难准确估算打入成活的概率，然而AlphaGo可以。于是心存幻想的人类棋手觉得落后不多，而打入无成算，选择浅消白棋大空，结果白方40目的潜力转化成25目实地，黑棋盘面仅多5目，从而落败。阿尔法狗估算出选择打入（选项A）的胜率是40%，而选择浅消胜率仅为25%，于是毅然选择打入。不论最后胜负如何，选择打入显然是更好的策略。
换句话说，只「领先两目」而胜率80%，和「领先五目」而胜率70%，其实是前者优势更大，然而人类会认为后者优势更大。
AlphaGo有能力精确地估算胜率，人类棋手不能。因此我说，AlphaGo对围棋的理解，比人类高一个境界。
我们可以进一步想象，假如有一天，人类造出了一台能够做无限快计算，且储存能力无限大的机器。那么这台机器判断一个围棋局面，不会输出胜率，而是会输出「此局面黑棋（白棋）必胜」。这就又比AlphaGo对围棋的理解高一个境界，是真正破解了围棋。
不过，由于围棋的复杂度，我不认为这样的机器能够在一百年（原来写千年，有人批评，我也觉得不谨慎）以内被发明出来。 换句话说，AlphaGo的算法，是目前我们能做到的对围棋问题的最好解决方案。 此后的围棋AI，大概只需要在这个框架的基础上修修补补了吧。
而人类也没必要为此感到悲哀。AlphaGo是个好老师。虽然学不了她的判断方法，但是具体招法可以借鉴。将来AlphaGo或者其他AI的形势判断，也可供参考。将来十年，围棋技术一定会快速发展变化，我等棋迷有好戏可以看了。
相关文章：AlphaGo与人类的恩怨情仇（一）：世纪难题 - 知乎专栏
