先說結論，增大隨機性，減少策略性。規則越復雜，策略性越高，越有利於AI。
古早的棋類AI依賴於對規則的理解，對棋子的價值（棋力、位置和對其他棋子的影響等）進行賦值，並遍歷所有的可能性，從而找出最優的走法。比如打敗西洋棋大師的「更深的藍」。
深藍是平行運算的電腦系統，建基於RS/6000 SP，另加上480顆特別制造的VLSI象棋晶片。下棋程式以C語言寫成，執行AIX作業系統。 1997年版本的深藍運算速度為每秒2億步棋，是其1996年版本的2倍。1997年的深藍可搜尋及估計隨後的12步棋，而一名人類象棋好手大約可估計隨後的10步棋。每增加1步棋的搜尋能力約等於增加下棋強度約80 ELO分。1996年2月10日，深藍首次挑戰西洋棋世界冠軍卡斯巴羅夫，但以2-4落敗。比賽在2月17日結束。其後研究小組把深藍加以改良——它有一個非官方的昵稱「更深的藍」（Deeper Blue）——1997年5月再度挑戰卡斯巴羅夫，比賽在5月11日結束，最終深藍電腦以3.5–2.5擊敗卡斯巴羅夫，成為第一個在標準比賽時限內擊敗西洋棋世界冠軍的電腦系統。
對於這樣的棋類AI，我們可以透過增大遊戲規則的復雜度來增加棋子價值的不確定性，從而加大計算量，使得AI無法找出最優解。比如，當年的圍棋就是這樣的。
一般認為，電腦要在圍棋中取勝比在西洋棋等遊戲中取勝要困難得多，因為圍棋的下棋點極多，分支因子遠多於其他遊戲，而且每次落子對情勢的好壞飄忽不定， 諸如暴力搜尋法、Alpha-beta剪枝、啟發式搜尋的傳統人工智慧方法在圍棋中很難奏效。圍棋無法僅透過尋找最佳棋步來解決。遊戲一盤平均約有150步，每一步平均約有200種可選的下法，這意味著有太多需要解決的可能性。
但是，新的棋類AI已經沒必要解讀這些規則了。新的AI只要經過大量的對戰，就可以自主地找到最優解，像AlphoGo那樣。
AlphaGo使用蒙地卡羅樹搜尋 （Monte Carlo tree search），借助估值網路（value network）與走棋網路（policy network）這兩種深度神經網路 ，透過估值網路來評估大量選點，並透過走棋網路選擇落點。AlphaGo最初透過模仿人類玩家，嘗試匹配職業棋手的過往棋局，其資料庫中約含3000萬步棋著。後來它達到了一定的熟練程度，它開始和自己對弈大量棋局，使用強化學習 進一步改善它。因此，棋類遊戲的策略如果過於復雜，很可能人類自己都無法深刻理解並完全掌握，從而出現像圍棋中的「神之一手」或「迷之勝利」這樣的情況。那麽，AI很可能透過大量對戰，先於人類掌握了最優步驟或者必勝步驟。
為了使人類在棋類遊戲中保持一定的勝率，我們需要增加隨機性，而減少策略性。簡單來說，就是將AI拉低到和人類一樣的水平，大家都靠天吃飯，勝負看臉。需要指出的是，這裏所說的隨機性，指的是「真隨機性」，而不是現在一些電子遊戲中的「假隨機性」。否則，AI還是能夠透過對機率的預測而完爆人類。
極致的隨機性遊戲就是擲骰子，不過跟AI玩擲骰子有點無聊。我們可以在棋類遊戲（比如象棋）的基礎上加入擲骰子環節。每一回合先擲骰子，贏的走棋；吃子之前先擲骰子，贏了才能吃，輸了這步作廢。這樣一來，應該能將AI的勝率降下來。不過還是有點無聊啊。
以上。
