AlphaGo (2016) war das erste KI-Programm, das einen Weltmeister im Go, Lee Sedol, besiegte. Es nutzte überwachtes Lernen mit Millionen menschlicher Spiele, kombiniert mit Bestärkendem Lernen durch Spiele gegen sich selbst. AlphaGo Zero (2017) revolutionierte diesen Ansatz, indem es von Grund auf lernte, ohne menschliche Daten: nur die Spielregeln und Millionen von Spielen gegen sich selbst. Innerhalb von 40 Tagen übertraf AlphaGo Zero alle vorherigen AlphaGo-Versionen und besiegte sie in Testspielen mit 100 zu 0. Dieser Sieg zeigte, dass KI übermenschliche Leistungen erbringen kann, ohne durch menschliche Daten oder Strategien eingeschränkt zu sein.
Die Geschichte des Treffens zwischen AlphaGo und AlphaGo Zero markiert einen bedeutenden Wendepunkt im Bereich der künstlichen Intelligenz (KI). Diese beiden von DeepMind, einer Tochtergesellschaft von Google, entwickelten Systeme erweiterten nicht nur die Grenzen dessen, was für Maschinen für möglich gehalten wurde, sondern eröffneten auch neue Möglichkeiten für maschinelles Lernen und KI im Allgemeinen.
AlphaGo wurde 2016 eingeführt und sorgte für FuroreLee Sedol, einer der besten Go-Spieler der Welt, in einer Reihe hochkarätiger Matches. Go, ein komplexes Strategiespiel mit Ursprung in China, galt als eine der letzten Bastionen menschlicher Überlegenheit in Strategiespielen. DortAlphaGo-Siegzeigte, dass Maschinen den Menschen bei Aufgaben, die fortgeschrittene Intelligenz und Strategie erfordern, nicht nur mithalten, sondern sie sogar übertreffen können.
AlphaGo verwendete eine Kombination ausüberwachtes LernenUndVerstärkungslernen. Er wurde in Millionen von Go-Spielen trainiert, die von Menschen gespielt wurden, und verfeinerte dann seine Fähigkeiten, indem er gegen sich selbst spielte. Dieser Ansatz ermöglichte es AlphaGo, innovative Strategien zu entwickeln und sogar menschliche Experten zu überraschen.
Die Einführung von AlphaGo Zero im Jahr 2017 stellte einen noch beeindruckenderen Fortschritt dar. Im Gegensatz zu AlphaGo wurde AlphaGo Zero nicht auf von Menschen gespielte Go-Spiele trainiert. Stattdessen lernte er das Spielen von Go von Grund auf, indem er nur die Spielregeln befolgte und Millionen von Spielen gegen sich selbst spielte. Dieser Ansatz, bekannt alsVerstärkungslernen von Grund aufermöglichte es AlphaGo Zero, in nur 40 Trainingstagen völlig neue Strategien zu entwickeln und AlphaGo zu übertreffen.
Das theoretische Treffen zwischen AlphaGo und AlphaGo Zero war ein entscheidender Moment zur Bewertung der Fortschritte im Bereich KI. Diese Matches fanden in einer Laborumgebung bei DeepMind mit Sitz in London statt. Sie wurden zu Forschungszwecken durchgeführt und fanden nicht vor Publikum oder in einem Wettbewerbsumfeld statt. Die Ergebnisse zeigten eine überwältigende Dominanz von AlphaGo Zero mit einer Siegquote von 100 zu 0 gegen AlphaGo Master. Dieser Sieg zeigte, dass KI-Systeme autonom lernen und sich verbessern können, ohne dass sie auf menschliche Daten angewiesen sind.
Der Sieg von AlphaGo Zero hatte tiefgreifende Auswirkungen auf die KI. Es zeigte sich, dass maschinelle Lernsysteme noch leistungsfähiger und effektiver sein könnten, wennbefreit von den Zwängen menschlicher Daten. Der Sieg von AlphaGo Zero bestärkte Chinas Entschlossenheit, stark in die KI-Forschung und -Entwicklung zu investieren. Die chinesische Regierung hat bereits mehrere Initiativen ergriffen, um in diesem Bereich weltweit führend zu werden. So enthält der Plan „Made in China 2025“ ehrgeizige Ziele für KI und chinesische Unternehmen wie Baidu, Alibaba und Tencent investieren Milliarden in KI-Projekte.
Das theoretische Treffen zwischen AlphaGo und AlphaGo Zero wird als entscheidender Moment in die Annalen der KI-Geschichte eingehen. Es demonstrierte nicht nur die beeindruckenden Fähigkeiten maschineller Lernsysteme, sondern eröffnete auch neue Perspektiven für die Zukunft der KI.
Go ist ein Strategiespiel von astronomischer kombinatorischer Komplexität. Während Schach etwa 10¹²⁰ mögliche Positionen hat, hat Go etwa 10¹⁷⁰ (mehr als die Anzahl der Atome im sichtbaren Universum). Diese Komplexität macht einen "Brute-Force"-Ansatz (erschöpfende Suche aller Züge) unmöglich. Lange Zeit galt Go als eine der letzten Bastionen menschlicher Überlegenheit über Maschinen, da es strategische Intuition, Positionsbewertung und eine globale Vision erfordert, die schwer zu programmieren sind.
Der Hauptunterschied liegt in ihren Trainingsdaten. AlphaGo wurde in zwei Phasen trainiert: zuerst mit überwachtem Lernen auf Millionen von menschlichen Spielen (um die besten Spieler zu imitieren), dann mit bestärkendem Lernen durch Spiele gegen sich selbst. AlphaGo Zero eliminierte die erste Phase: Es lernte von Grund auf (tabula rasa), kannte nur die Spielregeln und spielte Millionen von Spielen gegen sich selbst. Es entdeckte eigenständig innovative Strategien, die Menschen nie erdacht hatten. Dieser Ansatz übertraf nicht nur AlphaGo, sondern erzeugte auch ein "kreativeres" und effizienteres Spiel.
Der Sieg von AlphaGo Zero hat weitreichende Auswirkungen: Er zeigt, dass KI übermenschliche Leistungen erbringen kann, ohne auf potenziell verzerrte oder suboptimale menschliche Daten angewiesen zu sein. Dieses Prinzip des "bestärkenden Lernens von Grund auf" wurde auf andere Bereiche übertragen: Proteinfaltung (AlphaFold), Energieoptimierung von Rechenzentren, Entdeckung neuer Materialien und Strategieentwicklung in Chemie und Grundlagenphysik. Die Methode besteht darin, Regeln und eine Belohnungsfunktion zu definieren und die KI dann selbstständig explorieren und optimieren zu lassen.
KI-Tools: Wie wählt man aus? 
Generative KI vs AGI: Wo endet Nachahmung, wo beginnt Bewusstsein? 
Künstliche Netzwerke vs. biologische Netzwerke: Zwei Systeme, eine gemeinsame Architektur 
Menschliches Gehirn und künstliche Intelligenzen: Ähnlichkeiten und Unterschiede 
AlphaGo gegen AlphaGo Zero: Eine Revolution der künstlichen Intelligenz 
Der nächste Schritt intelligenter Maschinen 
Der erste Schritt zur Entstehung des Lebens 
Vom biologischen Neuron zum formalen Neuron: Vereinfachung des Gehirns 
Künstliche Intelligenz: Die Explosion des Gigantismus 
Wenn künstliche Intelligenz verrückt wird! 
Entstehung der künstlichen Intelligenz: Illusion oder echte Intelligenz? 
Wie Maschinen Sprache ähnlich wie Menschen verstehen, interpretieren und erzeugen 
Wie funktioniert ein künstliches neuronales Netzwerk?