电脑在围棋对弈中表现不佳的主要原因可归纳为以下几点：

一、计算复杂度过高

状态空间庞大

围棋棋盘有361个交叉点，每步棋有200多种变化，总的可能走法达10²⁵种，远超国际象棋的10⁶⁰-10⁷⁰种。这种爆炸式增长导致传统穷举法在计算上不可行，现有AI的计算速度仅能满足简单局面分析，无法应对复杂局面。

动态评估困难

围棋的每一步价值取决于局部与全局的动态关系，需实时评估子力、棋形、气等复杂因素。AI难以像人类一样通过经验快速判断，导致在复杂局面中常陷入局部最优。

二、缺乏人类独有的认知能力

全局观与直觉

人类棋手通过长期训练形成的全局观和直觉，能快速判断棋局走向。例如，人类棋手在面对“外势”或“实地”时，能凭借经验选择最优策略，而AI缺乏这种基于经验的判断能力。

情感与心理因素

人类下棋时会受到情绪、压力等心理因素影响，但AI无法体验这些因素。部分人类棋手会因“棋形美观”或“心理战术”而做出非理性决策，AI则无法模拟这种复杂的人类行为。

三、算法与数据的局限性

估值函数不完善

围棋的估值需要考虑子力、形状、连接性等多维度因素，现有AI的估值函数难以精准描述这些复杂关系，导致在某些局面下评估偏差较大。

数据依赖与训练成本

虽然深度学习等技术可通过大量对局提升AI水平，但需要海量数据训练。且AI难以像人类一样通过少量经验快速适应新局面。

四、对人类优势的误解

部分观点认为AI在记忆公式和自我对弈方面优于人类，但围棋的精髓在于对局面的全局感知和动态调整，这是目前AI尚未完全掌握的领域。例如，人类棋手能通过“星”与“实地”的量化分析制定策略，而AI仍依赖固定算法。

总结：

围棋的复杂性源于其庞大的状态空间和动态评估需求，结合人类独有的全局观与经验，形成了AI难以逾越的门槛。尽管AI在局部计算和数据驱动策略上取得进展，但整体水平仍受限于算法和数据的局限性。