学習に使ってるパラメータ空間が広大すぎていっこうに収束してくれないとか。
チェスだの将棋だのと違って不確定 不完全情報のゲームだと、
そういう可能性がかなり高まりそうだとか。
まあ、収束する必要は無いといえば無いんだが。