La partida entre AlphaGo y Lee Sedol, también conocida como el Desafío DeepMind, fue una competición de Go de cinco partidas entre Lee Sedol, un jugador profesional de Go de primer nivel, y AlphaGo, un programa informático desarrollado por Google DeepMind. Celebrada en Seúl, Corea del Sur, del 9 al 15 de marzo de 2016, AlphaGo ganó cuatro de las cinco partidas, todas ellas terminando por rendición. El evento es ampliamente considerado un hito en la inteligencia artificial, a menudo comparado con la partida de ajedrez de 1997 en la que el Deep Blue de IBM derrotó al campeón mundial Garry Kasparov.
La partida atrajo la atención mundial porque el Go había sido considerado durante mucho tiempo un desafío formidable para las computadoras. El vasto factor de ramificación del juego y su dependencia de la intuición y el reconocimiento de patrones lo hacían significativamente más difícil de dominar que el ajedrez. Antes de AlphaGo, los mejores programas de Go solo podían alcanzar el nivel de dan amateur en el tablero completo de 19x19, y muchos investigadores creían que pasaría otra década antes de que una computadora pudiera vencer a un jugador humano de élite. La victoria de AlphaGo demostró que las técnicas de aprendizaje automático y red neuronal podían superar los enfoques tradicionales de código rígido en dominios estratégicos complejos.
Background
Go es un juego de tablero que requiere pensamiento estratégico, creatividad y un sentido intuitivo de la posición. Su complejidad proviene del enorme número de configuraciones posibles del tablero, lo que hace inviable la búsqueda por fuerza bruta. El matemático I. J. Good escribió en 1965 que programar una computadora para jugar bien al Go sería incluso más difícil que el ajedrez, porque los principios de una buena estrategia son más cualitativos y misteriosos. Antes de 2015, los programas de Go más fuertes solo alcanzaban el nivel de dan amateur, aunque algunos rendían mejor en el tablero más pequeño de 9x9. Investigadores como Jonathan Schaeffer habían expresado escepticismo sobre el progreso a corto plazo, y Elon Musk, un inversor temprano en DeepMind, señaló en 2016 que los expertos pensaban que la IA estaba a unos diez años de derrotar a un profesional de élite.
AlphaGo se diferenciaba de los esfuerzos anteriores al usar técnicas de aprendizaje profundo y aprendizaje por refuerzo. Sus redes neuronales se entrenaron inicialmente con una base de datos de alrededor de 30 millones de movimientos de 160,000 partidas jugadas por fuertes jugadores amateurs en el servidor de Go KGS. Tras alcanzar cierta competencia, AlphaGo mejoró jugando millones de partidas contra sí mismo, usando aprendizaje por refuerzo para refinar su estrategia. El sistema también empleaba búsqueda de árbol de Monte Carlo para evaluar movimientos potenciales. A diferencia de los programas de ajedrez tradicionales, AlphaGo no dependía de una base de datos de movimientos preprogramada; sus decisiones emergían del proceso de entrenamiento, que sus creadores describieron como impredecible incluso para ellos.
Previous victory against Fan Hui
En octubre de 2015, AlphaGo derrotó al campeón europeo Fan Hui, un profesional de 2 dan, por un marcador de 5-0. Esta fue la primera vez que una inteligencia artificial había vencido a un jugador humano profesional en un tablero de tamaño completo sin handicap. Sin embargo, los comentaristas señalaron que Fan estaba clasificado muy por debajo de Lee Sedol, un profesional de 9 dan. Programas informáticos anteriores como Zen y Crazy Stone solo habían vencido a profesionales de élite con grandes handicaps. Schaeffer, comentando después de la partida contra Fan, comparó a AlphaGo con un niño prodigio sin experiencia y predijo que Lee ganaría la partida de marzo. Fan Hui dijo más tarde que la experiencia le enseñó a ver el juego de manera diferente, y su clasificación mundial mejoró de alrededor de 633 a aproximadamente 300 para marzo de 2016.
Preparation
Los expertos en Go habían identificado debilidades en el juego de AlphaGo contra Fan, particularmente en cuanto a su conciencia de todo el tablero. No estaba claro cuánto había mejorado el programa en los meses previos a la partida contra Lee. El entrenamiento de AlphaGo comenzó con partidas de servidores de Go de Internet y luego implicó decenas de millones de partidas de autojuego. Hajin Lee, un jugador profesional y secretario general de la Federación Internacional de Go, expresó entusiasmo por la partida y pensó que ambos jugadores tenían las mismas posibilidades de ganar.
Players
AlphaGo
AlphaGo fue desarrollado por Google DeepMind, una empresa de investigación en IA con sede en Londres adquirida por Google en 2014. El programa combinaba aprendizaje automático con técnicas de búsqueda de árbol. Sus redes neuronales se entrenaron primero para imitar el juego humano usando registros históricos de partidas, luego se refinaron mediante aprendizaje por refuerzo jugando contra sí mismo. El sistema no usaba una base de datos de movimientos; en cambio, sus movimientos eran una propiedad emergente de los algoritmos de entrenamiento. En la partida contra Lee, AlphaGo usó aproximadamente la misma potencia de cómputo que en la partida contra Fan Hui, con informes que citan 1,202 CPUs y 176 GPUs, o hasta 1,920 CPUs y 280 GPUs. Google también declaró que sus unidades de procesamiento tensorial propietarias se usaron durante la partida.
Lee Sedol
Lee Sedol era un jugador profesional de Go de rango 9 dan, ampliamente considerado uno de los jugadores más fuertes en la historia del juego. Comenzó su carrera en 1996, ascendido a rango profesional de dan a los 12 años, y había ganado 18 títulos internacionales en el momento de la partida. Lee era conocido por su estilo agresivo y creativo, y su participación dio a la partida un prestigio significativo.
Match summary
La partida se desarrolló en cinco juegos, con un juego por día del 9 al 15 de marzo de 2016. AlphaGo ganó los juegos uno, dos, tres y cinco, mientras que Lee ganó el juego cuatro. Todos los juegos concluyeron con la rendición del jugador perdedor. Los primeros tres juegos fueron victorias decisivas para AlphaGo, lo que llevó a muchos observadores a concluir que el programa había alcanzado un nivel de juego más allá de la capacidad humana. La victoria de Lee en el juego cuatro fue celebrada como un triunfo humano y demostró que AlphaGo no era invencible. El juego cinco fue muy disputado, pero AlphaGo finalmente prevaleció.
Prize and aftermath
Se esperaba que el ganador recibiera $1 millón. Dado que AlphaGo ganó, Google DeepMind anunció que el premio se donaría a organizaciones benéficas, incluidos UNICEF y organizaciones de Go. Lee recibió $170,000, que consistían en $150,000 por participar en los cinco juegos y $20,000 adicionales por ganar un juego. Después de la partida, la Asociación Coreana de Baduk otorgó a AlphaGo un rango honorario de 9 dan, el nivel de gran maestro más alto en Go, en reconocimiento a sus "esfuerzos sinceros" por dominar el juego. La partida fue nombrada finalista para el Avance del Año por la revista Science el 22 de diciembre de 2016.
La victoria tuvo implicaciones más amplias para la investigación en inteligencia artificial. Demostró que las redes neuronales y el aprendizaje por refuerzo podían abordar problemas previamente considerados que requerían intuición humana. Las técnicas utilizadas en AlphaGo se han aplicado desde entonces a otros dominios, incluido el plegamiento de proteínas y el descubrimiento científico. La partida también impulsó el interés en la ética de la IA y la relación entre la inteligencia humana y la de las máquinas. La investigación relacionada ha influido en campos como la ciencia cognitiva, el reconocimiento de patrones y el aprendizaje automático en general.
Legacy
La partida entre AlphaGo y Lee Sedol se cita a menudo como un punto de inflexión en la percepción pública de la IA. Mostró que las máquinas podían sobresalir en tareas que requieren juicio estratégico, no solo velocidad computacional. El evento también destacó el potencial de las arquitecturas de aprendizaje profundo y red neuronal, que más tarde se convirtieron en fundamentales para los desarrollos en IA generativa y sistemas de modelos de lenguaje grandes. La partida sigue siendo un punto de referencia en las discusiones sobre las capacidades y límites de la inteligencia artificial.