AlphaGo ist ein von DeepMind entwickeltes Programm für das Brettspiel Go, das im März 2016 den südkoreanischen Weltklassespieler Lee Sedol mit 4:1 besiegte. Der Sieg gilt als einer der sichtbarsten Wendepunkte der KI-Geschichte, weil Go als für Maschinen nicht in absehbarer Zeit beherrschbar galt.
Zusammenfassung
Go galt aus zwei Gründen als schwieriger als Schach: Die Zahl möglicher Stellungen übersteigt jene des Schachs um ein Vielfaches, und die Bewertung einer Stellung lässt sich kaum in Regeln fassen – starke Spieler sprechen von Intuition.
Vollständige Suchverfahren, die im Schach 1997 zum Erfolg geführt hatten, sind hier aussichtslos. AlphaGo verband stattdessen zwei neuronale Netze – eines zur Auswahl aussichtsreicher Züge, eines zur Bewertung von Stellungen – mit einer stichprobenbasierten Baumsuche.
Der Sieg über Lee Sedol wurde weltweit übertragen und verschob die öffentliche Wahrnehmung dessen, was maschinelles Lernen leisten kann. Die Nachfolgeversion AlphaGo Zero zeigte 2017, dass menschliche Partien als Ausgangsmaterial gänzlich entbehrlich sind.
Funktionsweise
AlphaGo kombiniert drei Bestandteile:
Politiknetz. Ein neuronales Netz schlägt aussichtsreiche Züge vor und schränkt damit den zu durchsuchenden Raum drastisch ein. Es wurde zunächst an menschlichen Partien trainiert und anschließend im Spiel gegen sich selbst verbessert.
Wertnetz. Ein zweites Netz bewertet eine Stellung unmittelbar, ohne die Partie zu Ende zu rechnen. Damit entfällt der Bedarf, jede Variante vollständig zu verfolgen.
Monte-Carlo-Baumsuche. Ein Suchverfahren, das nicht alle Fortsetzungen prüft, sondern stichprobenartig aussichtsreiche Pfade vertieft. Die beiden Netze steuern, welche Pfade das sind.
Die Neuerung liegt in der Verbindung: Gelernte Bewertung ersetzt handgeschriebene Bewertungsfunktionen, gelenkte Suche ersetzt vollständige Durchmusterung.
Wettkämpfe
| Jahr | Gegner | Ergebnis |
|---|---|---|
| Okt. 2015 | Fan Hui (Europameister) | 5:0 für AlphaGo |
| März 2016 | Lee Sedol | 4:1 für AlphaGo |
| Mai 2017 | Ke Jie (Weltranglistenerster) | 3:0 für AlphaGo |
Der Wettkampf gegen Lee Sedol fand in Seoul statt und wurde von Millionen verfolgt. Zwei Partien gingen in die Spielgeschichte ein: Zug 37 der zweiten Partie, den menschliche Kommentatoren zunächst für einen Fehler hielten und der sich als entscheidend erwies, sowie Zug 78 der vierten Partie, mit dem Lee Sedol die einzige Niederlage des Programms herbeiführte.
Hassabis wies nach dem Wettkampf darauf hin, Lee Sedol habe Schwächen des Systems offengelegt, und betonte, die verwendeten Verfahren seien auf Probleme von der Medizin bis zur Wissenschaft übertragbar.
Nachfolger
AlphaGo Zero (2017) verzichtete vollständig auf menschliche Partien und lernte allein durch Spiel gegen sich selbst, ausgehend von den Spielregeln. Es übertraf die Fassung, die Lee Sedol geschlagen hatte, nach kurzer Trainingszeit deutlich. Der Befund ist bedeutsam: Menschliches Vorwissen erwies sich nicht nur als entbehrlich, sondern als begrenzend.
AlphaZero (2018) verallgemeinerte den Ansatz auf Schach und Shogi, ohne spielspezifische Anpassungen. MuZero (2020) verzichtete zusätzlich darauf, die Regeln vorzugeben, und erlernte ein Modell der Spieldynamik selbst.
Bedeutung und Grenzen
AlphaGo markierte den Punkt, an dem tiefes bestärkendes Lernen öffentliche Aufmerksamkeit erlangte. Die Verfahren wurden anschließend auf andere Bereiche übertragen, unter anderem auf die Steuerung von Rechenzentren und, in weiterentwickelter Form, auf die Proteinstrukturvorhersage in AlphaFold.
Die Grenzen sind ebenso aufschlussreich. Go ist ein Problem mit vollständiger Information, festen Regeln, klarem Zielzustand und beliebig verfügbarer Übungsmöglichkeit durch Selbstspiel. Genau diese Eigenschaften fehlen den meisten realen Aufgaben.
Der Sieg belegt daher die Leistungsfähigkeit gelenkter Suche in wohldefinierten Räumen, nicht allgemeine Intelligenz – ein Punkt, den Kritiker wie Gary Marcus und Melanie Mitchell regelmäßig anführen und der auch in der Einordnung durch das Stufenmodell Levels of AGI seinen Ausdruck findet, das Spielprogramme als Virtuoso Narrow AI führt.
Der 37. Zug
Ein einzelner Vorgang aus der zweiten Partie gegen Lee Sedol hat die Rezeption des Ereignisses stärker geprägt als das Endergebnis. Das System setzte einen Stein an eine Stelle, die dem über Jahrhunderte gewachsenen Formenschatz des Spiels widersprach; Kommentatoren hielten den Zug zunächst für einen Fehler, Lee verließ für einige Minuten den Raum. Erst im weiteren Verlauf erwies sich der Zug als tragend.
Die Wirkung dieser Episode liegt darin, dass sie eine verbreitete Erwartung durchkreuzte. Von einem System, das aus menschlichen Partien gelernt hat, erwartet man menschliche Spielweise in höherer Güte – nicht Züge, die kein Mensch spielen würde und deren Begründung sich erst nachträglich erschließt.
Der Vorgang wurde deshalb als Beleg dafür angeführt, dass maschinelle Systeme innerhalb eines abgesteckten Bereichs Lösungen finden können, die außerhalb des kulturell überlieferten Suchraums liegen.
Die Folgen für das Spiel selbst sind gut dokumentiert: Eröffnungsmuster, die als abwegig galten, wurden in den Turnierbetrieb übernommen, und die Vorbereitung mit Spielprogrammen ist heute Standard. Für die begriffliche Debatte bleibt der Vorgang zweideutig. Er zeigt Neuartigkeit, aber innerhalb eines Systems mit festen Regeln und eindeutigem Erfolgsmaß – genau der Bedingung, deren Fehlen die Übertragung auf offene Aufgaben so schwierig macht.
Verwandte Begriffe
- Google DeepMind – Entwicklerorganisation
- Demis Hassabis – Mitgründer und Projektleiter
- AlphaFold – späteres Vorhaben mit verwandten Verfahren
- AlphaProof – Übertragung des Verfahrens auf die Mathematik
- Reinforcement Learning – zugrunde liegendes Lernverfahren
- Monte-Carlo-Baumsuche – Suchverfahren
- Levels of AGI – Stufenmodell, das Spielprogramme als enge KI einordnet
- ANI – Kategorie, der AlphaGo zuzurechnen ist
- Programmsynthese – alternativer Ansatz für Generalisierung
Quellenangaben
- Google DeepMind (2026): AlphaGo at 10: How AI Innovation Is Paving the Path to AGI. 10. März 2026.
- Morris, Meredith Ringel / Sohl-Dickstein, Jascha / Fiedel, Noah / Warkentin, Tris / Dafoe, Allan / Faust, Aleksandra / Farabet, Clement / Legg, Shane (Google DeepMind) (2023): Levels of AGI for Operationalizing Progress on the Path to AGI. arXiv: 2311.02462.
- Schrittwieser, Julian u. a., 2020. Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model. In: Nature 588, S. 604–609. DOI: 10.1038/s41586-020-03051-4. (MuZero).
- Silver, David u. a., 2017. Mastering the Game of Go without Human Knowledge. In: Nature 550 (7676), S. 354–359. DOI: 10.1038/nature24270.
- Silver, David / Huang, Aja / Hassabis, Demis u. a., 2016. Mastering the Game of Go with Deep Neural Networks and Tree Search. In: Nature 529 (7587), S. 484–489. DOI: 10.1038/nature16961.
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.