AlphaGo ist ein Computerprogramm, das von DeepMind entwickelt wurde, um das Brettspiel Go zu spielen, ein Spiel, das lange als eine große ungelöste Herausforderung für künstliche Intelligenz galt, aufgrund seines riesigen Suchraums, der weit größer ist als der von Schach, was Brute-Force-Ansätze wie die in Deep Blue verwendeten rechnerisch unpraktikabel machte. AlphaGo kombinierte tiefe neuronale Netze mit Monte-Carlo-Baumsuche und verwendete Netze, die sowohl mit menschlichen Expertenpartien als auch mit Bestärkendem Lernen durch Selbstspiel trainiert wurden, um Brettpositionen zu bewerten und Züge auszuwählen.
Das Lee-Sedol-Match
AlphaGo wurde international bekannt durch sein Match 2016 gegen Lee Sedol, einen der stärksten professionellen Go-Spieler der Welt, das vom 9. bis 15. März 2016 in Seoul, Südkorea, stattfand. AlphaGo gewann das Match mit fünf Spielen mit 4:1, ein Ergebnis, das einen Großteil der Go- und KI-Gemeinschaft überraschte, die allgemein erwartet hatten, dass die menschliche Meisterschaft im Go angesichts der Komplexität des Spiels mindestens ein weiteres Jahrzehnt gegen Maschinen Bestand haben würde. Das Match wurde weltweit übertragen und von schätzungsweise 200 Millionen Menschen gesehen, was es zu einer der sichtbarsten öffentlichen Demonstrationen von KI-Fähigkeiten bis zu diesem Zeitpunkt machte, möglicherweise der Moment, in dem tiefes Lernen in das allgemeine öffentliche Bewusstsein gelangte, ähnlich wie der Start von ChatGPT sieben Jahre später.
Zug 37
Spiel zwei des Matches produzierte einen Moment, der zum Sinnbild für AlphaGos Neuartigkeit wurde: Bei Zug 37 spielte AlphaGo einen Zug auf der fünften Linie des Bretts, den professionelle Kommentatoren und Lee Sedol selbst zunächst als höchst ungewöhnlich, sogar als wahrscheinlichen Fehler betrachteten, da er der über Jahrhunderte angesammelten menschlichen Go-Strategie widersprach. Der Zug erwies sich später als entscheidend für AlphaGos Sieg in diesem Spiel, und er wurde danach weithin als Beweis dafür zitiert, dass das System wirklich neuartige strategische Einsichten abgeleitet hatte, anstatt einfach menschliches Spiel zu imitieren oder zu interpolieren, eine Behauptung, die spätere Analysen der internen Zugwahrscheinlichkeitsschätzungen des Systems weitgehend stützten. Zug 37 wurde ein häufig referenziertes Beispiel, sowohl in der KI-Forschung als auch in populärer Literatur, für ein maschinelles Lernsystem, das kreative, nicht-menschliche Problemlösungen hervorbringt.
Vorgänger von AlphaZero
AlphaGos Training stützte sich zunächst auf einen großen Datensatz aufgezeichneter menschlicher Expertenpartien, um sein Politiknetzwerk zu initialisieren, bevor Selbstspiel-Bestärkendes Lernen es weiter verfeinerte. DeepMind entwickelte anschließend AlphaGo Zero, das 2017 angekündigt wurde und Go rein durch Selbstspiel von zufälliger Initialisierung lernte, ohne menschliche Spieldaten zu verwenden, und das die Spielstärke des ursprünglichen AlphaGo übertraf. Diese Forschungslinie führte direkt zu AlphaZero, einer Verallgemeinerung desselben Selbstspielansatzes auf Schach und Shogi zusätzlich zu Go, die später im Jahr 2017 veröffentlicht wurde.
Rezeption und Vermächtnis
AlphaGos Sieg über Lee Sedol wird weithin als ein Meilenstein in der Geschichte der KI angesehen, vergleichbar in kultureller Bedeutung mit Deep Blues Niederlage von Garry Kasparov 1997 im Schach, aber unterschieden durch AlphaGos Abhängigkeit von gelernter Mustererkennung anstelle von erschöpfender Suche, was den Wandel in der KI-Forschung von symbolischen und Brute-Force-Methoden hin zu Ansätzen auf Basis tiefen Lernens widerspiegelt. Lee Sedol zog sich 2019 aus dem professionellen Go-Wettbewerb zurück und nannte dabei teilweise das Gefühl, dass KI im Spiel unschlagbar geworden sei, und bemerkte, dass selbst er als Top-Spieler "eine Entität, die nicht besiegt werden kann", nicht besiegen könne. DeepMinds AlphaGo-Forschungsprogramm wird häufig neben AlphaFold als Beleg für DeepMinds breitere Strategie zitiert, Bestärkendes Lernen und tiefes Lernen auf klar definierte, zuvor unlösbare Probleme anzuwenden.