遵循DeepMind说明，MuZero的技术背后，代表可以通过人工智能技术也能感知到中复杂规则，或者事前无法确知规则的难题。

 

而现有的DQN，R2D2或Agent57人工智能技术，MuZero能够以转换效率纠正既有规则，并快速解决问题。规则，甚至面临全新的运算场景也能快速发现问题解决方式。

 

过去研究人员分别透过预先搜寻（lookahead search），以及基于现有运算模型规划能力，让人工智能能针对未知规则情况进行运算，但由于既有运算方式仍仰赖前期规则训练，因此必须花费更多时间才能顺利发现全新的运算环境对应规则，因此并不适合用于解决未知条件的运算需求，同时也难以解决条件相对复杂的运算情境。

 

因此，DeepMind在MuZero技术中采用不同的作法，或者让人工智能可循序地进行搜集资讯进行分析学习，转换为在变化的环境条件下所需的运算时间，其中包括当前的决策价值，最佳的运算方法，以及前一个决策执行成果，进行进行反覆学习，制服从中学习最佳规则执行决策能力。

 

在这样的运算模型执行下，将可让MuZero人工智能技术在围棋，西洋棋，将棋，或者57款Atari电子游戏发挥作用，甚至在棋艺能力比拟的AlphaZero，并且在Atari电子游戏执行成果更胜现有的人工智能技术。

 

同时，若允许MuZero以更连续进行“思考”，其在棋艺表现会有更显著的下子正确率，并且呈现更精湛的进攻方式，甚至可在电子游戏内容中具有更高的学习效率。

 

未来DeepMind团队预计利用MuZero技术解决更多人工智能前期学习与分析未知解法问题，预期未来也将带来更多机器人，自动驾驶汽车等经常处于未知判断条件的运算需求，能够在更短的时间内找到合适的执行方式。