框架问题的本质是，对于人工智能来说，只选出与某个目的有关的相关事物，是一件非常困难的事。在围棋、将棋方面，人工智能的开发也遇到了类似的情况。
举例来说，棋牌类游戏软件所使用的算法中，应用了马尔可夫链蒙特卡尔理论。AlphaGo的软件性能之所以能取得飞跃性提升，原因之一也是应用了这种算法。
马尔可夫链蒙特卡尔理论是一种算法，它不论方法好坏，先计算出大量可以得到结果的方法，再从中进行比较分析，选出正确的方法。
对于将棋来说就是不管每一步棋的好坏，总之先算出通往多个结局的对战模式。从人类的角度来看，这不过是增加了大量无意义的作业罢了，可以说是一种非常莫明其妙的方法。
不过，正如“集腋成裘”这个词的意思一样，机器在比较大量模拟实验的结果之后，再进行统计学方面的处理，就容易得到正确的答案了。
正如第二章中已经说明的那样，人工智能的特征是通过庞大的数据分析，使量转化为质，这种算法很好地利用了人工智能的这种特征。
然而，这种算法虽然能在围棋中用得很顺利，在国际象棋中却不行。因为在下围棋的时候，电脑可以模拟出从第一步到最后一步的全部走法，然而在国际象棋中，有时候却会出现下不完的局面。
具体来说，围棋从第一步到最后一步的可能存在的下法，大致是10的360次方。这虽然是一个了不得的大数字，但毕竟是有限的数值。用程序开发的术语来说，这种计算叫做NP（Non-de-terministic Polynomial，非确定性多项式）时间，从理论上来说，计算机仍然可以在有限的时间内得到全部结果。
而国际象棋虽然下法只有10的120次方左右，比围棋要少得多，但是国际象棋的平局情况与围棋不同。当出现平局时，运算就会陷入没完没了的循环，而这种局面经常可能出现。
在思考框架问题的时候，我也联想到了这件事——人工智能可以处理人类处理不完的大量信息，但是面对平局这种死循环的情况，要像人类一样判断这是平局并放弃计算，这种行为对于人工智能来说太难了。
就像我们之前提到的，国际象棋或是围棋的软件，可以通过处理人类处理不完的庞大数据来获取质变。不过，类似将棋中的持将棋（王将与玉将都进入了对方阵地，无法分出胜负）这种有无数可能性的局面，人工智能是否也可以通过这种量变产生质变的方法来解决呢？框架问题研究的就是这样一类问题。
对于现阶段的围棋软件来说，运用回溯法的概算与马尔可夫链蒙特卡尔理论组合，还是很有效的。不过，随着技术的进步，三劫或是长生劫这种平局的情况也许会大量出现，使运算变得没完没了。
虽然框架问题是一个高难度的问题，但如果能突破它，给社会带来的冲击性恐怕会远超深度学习。在我看来，这是开发通用型人工智能的关键课题之一。
