Lee Sedol gegen AlphaGo: Was im Match wirklich geschah

Jahrzehntelang nahm Go eine Sonderstellung ein: In anderen Spielen zogen die Maschinen früher oder später an den Menschen vorbei – im Go nicht. Seine Tiefe, die Rolle der Intuition und sein Widerstand gegen rohe Rechengewalt ließen es zutiefst menschlich wirken.

2015 bekam diese Gewissheit erste Risse: DeepMind stellte AlphaGo vor – ein System, das nicht nur rechnete, sondern lernte.

Wenige Monate später schlug es einen Profi, und im März 2016 trat es gegen Lee Sedol an, einen der größten Go-Spieler seiner Generation – in einem Match, das den Blick auf das Spiel selbst veränderte.

Dieser Artikel erzählt diese Geschichte aus der Sicht eines Go-Spielers: Es geht nicht um Code und Algorithmen, sondern um Momente, Entscheidungen und Folgen.

Dieser Artikel basiert auf einem Video von unserem YouTube-Kanal.

Mehr als ein Match: Warum AlphaGo zur Geschichte wurde

Auf den ersten Blick wirken die AlphaGo-Matches wie ein weiteres Kapitel einer vertrauten Erzählung: Computer schlagen die Menschen irgendwann auch in diesem Spiel. Dieses Drehbuch war schon mehrfach durchgespielt worden. In den 1990ern fiel Dame, kurz darauf Schach. Als AlphaGo auftauchte, gingen viele davon aus, dass Go schlicht der nächste Punkt auf der Liste sei.

Doch Go widersetzte sich diesem Schicksal jahrzehntelang – und als es dann so weit war, fühlte es sich nicht nach einer routinierten Übergabe der Vorherrschaft an. Zur Geschichte wurden die AlphaGo-Matches nicht, weil eine Maschine gewann, sondern weil sich zeigte, wie sie gewann – und was dabei ans Licht kam.

Aus der Sicht eines Go-Spielers ging es nie nur um das Endergebnis. Es ging darum, dass die Intuition infrage gestellt wurde, dass jahrzehntealte Vorstellungen von „guter Form“ und „richtigem Spiel“ leise in sich zusammenfielen – und um die unbequeme Erkenntnis, dass Kreativität kein rein menschliches Refugium mehr war. Die Partien zwangen die Spieler, Gewohnheiten zu überdenken, die zeitlos gewirkt hatten.

Deshalb lässt sich die Geschichte von AlphaGo nicht auf Diagramme und Zugnummern reduzieren. Sie entfaltete sich wie eine Erzählung: Skepsis, Unglaube, allmähliches Begreifen und schließlich Akzeptanz. Lange bevor von neuronalen Netzen und Trainingspipelines die Rede war, spürten Go-Spieler bereits, dass sich auf dem Brett etwas Grundlegendes verschoben hatte.

Was AlphaGo war – und warum kaum jemand ein Wunder erwartete

Entwickelt wurde AlphaGo von DeepMind, einem Forschungsunternehmen unter dem Dach von Google. Anfangs löste diese Herkunft unter Go-Profis allerdings wenig Furcht aus. Programme wurden seit Jahren stetig besser, hinkten den besten Menschen aber immer noch weit hinterher – und die Erfahrung sprach dafür, dass AlphaGo derselben Kurve folgen würde.

Grob gesagt war das System so gebaut, dass es auch technisch weniger versierte Beobachter nachvollziehen konnten. Am Anfang stand eine große Datenbank menschlicher Go-Partien – Trainingsmaterial, keine starre Vorschrift. Mehrere neuronale Netze arbeiteten zusammen. Eines von ihnen lernte, Stellungen zu überblicken, wiederkehrende Muster zu erkennen und wahrscheinliche nächste Züge vorherzusagen. Seine Vorhersagen waren alles andere als perfekt – keine absolute Wahrheit, eher fundierte Vermutungen. Nützlich genug, aber weit entfernt von Unfehlbarkeit.

Daneben wurde ein weiteres Netz mit beendeten Partien trainiert. Man zeigte ihm Stellungen und sagte ihm, wer daraus am Ende als Sieger hervorgegangen war. Mit der Zeit lernte es abzuschätzen, welche Seite in einer beliebigen Stellung vorn liegt. Auch diese Einschätzung war ungenau. Die Trefferquote fiel anfangs bescheiden aus, mitunter näher bei sechzig Prozent als bei Gewissheit. Perfekt musste sie aber gar nicht sein. Sie musste nur gut genug sein, um den nächsten Schritt zu lenken.

Dieser Schritt hieß: Partien gegen sich selbst.

Mit diesen groben Vorhersagewerkzeugen ausgestattet, begann AlphaGo, in gewaltiger Zahl Partien gegen sich selbst zu spielen. Jede Partie erzeugte neue Daten. Jedes Ergebnis floss zurück ins System und schärfte sein Gespür dafür, welche Entscheidungen zum Erfolg führten und welche nicht. Muster wurden verallgemeinert, Annahmen angepasst, und der ganze Kreislauf begann von vorn – wieder und wieder. In diesem Prozess – dem Reinforcement Learning, dem bestärkenden Lernen – entstand AlphaGos eigentliche Stärke, langsam und unspektakulär, jenseits von allem, was eine statische Datenbank je hätte liefern können.

Man sollte betonen, wie vorläufig das alles noch war. Nach eigenem Bekunden der Entwickler übergeht diese Beschreibung unzählige technische Details. Sie ist eine bewusste Vereinfachung – ein Weg, die Idee zu skizzieren, ohne in Mathematik zu ertrinken. Wer tiefer im Thema steckt, findet darin zweifellos Lücken und Abkürzungen, und die Einladung, sie zu benennen, steht nach wie vor offen.

Für die Geschichte zählt jedoch vor allem, wie AlphaGo damals aussah. Es war noch nicht die kalte, gnadenlose Maschine, die man sich später vorstellte. Sein Spiel wirkte über weite Strecken erkennbar menschlich. Es folgte etablierten Eröffnungen, traf zurückhaltende Entscheidungen und übersah gelegentlich Chancen, die heutige KI-Werkzeuge sofort finden. Selbst seine Entwickler beschrieben es als unfertiges Projekt, nicht als fertige Waffe.

Das erklärt, warum die Erwartungen gedämpft blieben. Go-Spieler hatten schon vielversprechende Programme gesehen und sie dann mit relativer Leichtigkeit zerlegt. AlphaGo wirkte zumindest auf dem Papier wie eine weitere Verbesserung in kleinen Schritten – beeindruckend vielleicht, aber nicht revolutionär.

Was dann folgte, sollte zeigen, wie trügerisch diese Annahme war.

Das Match gegen Fan Hui: Der erste Riss im Selbstvertrauen der Menschen

Bevor die Welt nach Seoul blickte, hatte AlphaGo bereits gegen einen Profi gespielt. Im Oktober 2015 organisierte DeepMind ein stilles, fast unauffälliges Match gegen Fan Hui, einen in China geborenen Go-Profi, der in Frankreich lebt und dreifacher Europameister ist.

Auf dem Papier war Fan Hui eine vernünftige Wahl. Er war zweifellos stark, erfahren und vollwertiger Profi, aber nicht von jener fast mythischen Aura umgeben, die der absoluten Elite Ostasiens vorbehalten ist. Als die Einladung kam, lag Skepsis nahe. Programme hatten schon früher Profis herausgefordert, und die Ergebnisse waren selten beunruhigend. Fan Hui sagte zu und rechnete vermutlich mit einer sportlichen, aber beherrschbaren Begegnung.

Diese Erwartung löste sich schnell in Luft auf.

Partie um Partie gewann AlphaGo. Nicht knapp, nicht dank eines einzelnen Patzers, sondern überzeugend. Das Match endete 5:0 für die Maschine – zum ersten Mal war ein Go-Profi in einer Serie ohne Vorgabe von einer KI glatt vom Brett gefegt worden.

Und doch fielen die Schockwellen seltsam gedämpft aus.

In der Go-Welt löste das Ergebnis eher Getuschel als Panik aus. Manche zweifelten Fan Huis tatsächliche Spielstärke an. Andere meinten, das Leben und Spielen vorwiegend in Europa habe ihn im Vergleich zu asiatischen Profis stumpf werden lassen. Und es gab Mitgefühl: Fünf Niederlagen in Folge gegen eine Maschine legen jedem Spieler eine enorme psychische Last auf.

Vor allem aber lasen viele Spieler das Match schlicht nicht als endgültiges Urteil. AlphaGo hatte gewonnen, ja – aber vielleicht nicht bedeutsam. Die vorherrschende Überzeugung blieb bestehen: Gegen die allerbesten Menschen würde diese Maschine schon straucheln.

Im Rückblick liest sich dieser Moment wie die Ruhe vor dem Sturm – der Punkt, an dem die Warnzeichen sichtbar waren und bequem übersehen wurden.

Eine menschenähnliche Maschine: Grenzen und Fehler des frühen AlphaGo

Dass AlphaGos Sieg über Fan Hui keinen Alarm auslöste, lag zum Teil an der Art seines Spiels. Diese frühe Version des Systems hatte wenig von jener unerbittlichen, unmenschlichen Wucht, die man später mit KI-Go verband.

Seine Eröffnungen wirkten vertraut. Auf dem Brett tauchten bekannte Joseki auf. Verteidigungsformen, die seit Jahrzehnten Standard waren, spielte es ohne Zögern. In etlichen Stellungen wählte AlphaGo solide, zurückhaltende Erweiterungen, die heutige KI-Werkzeuge als ineffizient oder überflüssig einstufen. Für ein erfahrenes Auge war vieles an der Partie angenehm wiedererkennbar.

Noch auffälliger: AlphaGo machte Fehler.

Aus heutiger Sicht, mit weit stärkeren Analyse-Engines, sind manche seiner Entscheidungen klar suboptimal. Es gab verpasste Abtausche, ignorierte dringende Punkte und Momente, in denen ein schärferer Zug die Balance deutlicher verschoben hätte. In einzelnen Partien legt moderne KI-Analyse sogar nahe, dass Fan Huis Spiel im Mittelspiel streckenweise besser war als das von AlphaGo.

Die Ära der gnadenlosen Präzision war noch nicht angebrochen. AlphaGos Stil spiegelte menschliche Vorsicht. Es zog sichere Wege zum Sieg dem maximalen Gewinn vor und begnügte sich bisweilen mit sicherem Gebiet, statt größere Vorteile zu erzwingen. Später sollte man darin ein prägendes Merkmal statt eines Mangels erkennen, doch damals nährte es eine tröstliche Illusion: Die Maschine war stark, aber immer noch menschenähnlich, immer noch fehlbar.

Durch diese Brille betrachtet, wirkte das 5:0 weniger wie eine Prophezeiung als wie ein Ausreißer. Die Go-Welt hatte noch nicht begriffen, dass dies erst eine Zwischenstufe war – ein System, das noch dabei war zu lernen, wie weit jenseits menschlicher Gewohnheiten es gehen konnte.

Die eigentliche Prüfung, so glaubten viele, stand noch bevor.

Lee Sedol vor dem Match: Das Selbstvertrauen einer Legende

Als DeepMind bekannt gab, dass AlphaGos nächster Gegner Lee Sedol sein würde, änderte sich der Kontext schlagartig. Das war kein stiller Test gegen einen starken Profi mehr. Das war eine öffentliche Konfrontation mit einer der prägenden Figuren des modernen Go.

2016 war Lee Sedols Ruf längst gefestigt. Mehrfacher Weltmeister, bekannt für seinen Kampfgeist und sein kreatives Problemlösen, verkörperte er ein zutiefst menschliches Ideal der Go-Meisterschaft. Während andere Spieler für Stabilität und Effizienz bewundert wurden, fürchtete man Lee wegen seiner Fähigkeit, Stellungen zu verkomplizieren, unerwartete Ressourcen zu finden und aus Chaos Chancen zu machen. Gegen menschliche Gegner hatte ihm dieser Stil unzählige Titel eingebracht.

Natürlich sah Lee sich die Partien an, die AlphaGo gegen Fan Hui gespielt hatte. Was er sah, beunruhigte ihn nicht. Die Maschine wirkte stark, aber nicht überwältigend. Ihr Spiel wies noch sichtbare Ungenauigkeiten auf. Manche Entscheidungen sahen zurückhaltend aus, geradezu zaghaft. Aus Lee Sedols Sicht lag der Schluss auf der Hand: AlphaGo hatte einen Profi geschlagen – aber nicht diesen Profi.

Öffentlich gab er sich selbstbewusst. Die einzige Unsicherheit, die er privat einräumte, betraf das Endergebnis. Würde das Match 5:0 oder 4:1 für ihn ausgehen? Dass AlphaGo ihn schlicht beherrschen könnte, kam ernsthaft gar nicht zur Sprache.

Was Lee – und alle anderen – nicht sehen konnten, war das, was zwischen Oktober 2015 und März 2016 geschehen war. In diesen Monaten wurde AlphaGo unablässig trainiert. Millionen und Abermillionen Partien gegen sich selbst schärften sein Urteil, verringerten seine Schwächen und formten sein Verständnis des Bretts neu. Kein Beobachter von außen hatte Zugriff auf diese Ergebnisse. Die Maschine, die sich in Seoul ans Brett setzen würde, war nicht mehr dieselbe, die gegen Fan Hui gespielt hatte.

Dieses Wissensgefälle war entscheidend. Lee Sedol würde AlphaGos wahre Stärke erst kennenlernen, wenn die ersten Steine auf dem Brett lagen. Bis dahin füllte Selbstvertrauen die Lücke, die die Ungewissheit ließ – ein Selbstvertrauen, das der größte Teil der Go-Welt teilte.

Die Bühne war bereitet für ein Kräftemessen, deren Verlauf kaum jemand erwartet hätte.

Seoul, Partie eins: Als der Plan sofort scheiterte

Als das Match im März 2016 begann, reichte die Spannung längst weit über die Go-Welt hinaus. Die Partien wurden live übertragen, Kommentare liefen in mehreren Sprachen, und öffentliche Übertragungen füllten Hallen und Plätze in Seoul. Das war kein Profimatch mehr. Es war ein kultureller Moment geworden, inszeniert als Prüfung menschlicher Intuition gegen maschinelles Rechnen.

Die Auftaktpartie begann ruhig genug. Lee Sedol fand in einen entspannten Rhythmus und spielte mit der Gelassenheit eines Menschen, der die Kräfteverhältnisse zu kennen glaubte. Die frühen Stellungen sahen günstig aus. Schwarz hatte solide Punkte, Weiß wirkte leicht und verstreut, und die Kommentatoren nannten die Partie angenehm für die menschliche Seite.

Dann tat AlphaGo etwas Unerwartetes.

Statt Komplikationen aus dem Weg zu gehen, eröffnete es einen frühen Kampf. Es schnitt, spielte Nozoki und trennte Steine so, dass Lee Sedol plötzlich mit mehreren schwachen Gruppen gleichzeitig jonglieren musste. Fast augenblicklich stand das Brett unter Spannung. Statt auf ruhiges Gebiet zuzusteuern, trieb die Maschine die Partie in die Instabilität – also genau in jene Art von Stellung, in der menschliche Kreativität eigentlich glänzen sollte.

Vom Kommentatorentisch kam weiterhin Beruhigung. Die Lage sah komplex aus, aber beherrschbar. Lee Sedol war schließlich dafür bekannt, im Chaos aufzublühen. Doch je weiter das Mittelspiel fortschritt, desto deutlicher wurde eine feine Verschiebung. AlphaGo überstand die Komplikationen nicht bloß, es kontrollierte sie. Jedes lokale Scharmützel ging eine Spur zu seinen Gunsten aus, und in der Summe machte sich das bemerkbar.

Moderne KI-Analysen sollten später bestätigen, was in Echtzeit kaum jemand erkannte: Die Partie war von sehr früh an angenehm für Weiß. Die scheinbare Balance täuschte. AlphaGos Vorteil, anfangs klein, wuchs nach dem ersten Kampf stetig an.

Als das Endspiel kam, stand der Ausgang nicht mehr infrage. AlphaGo brachte den Sieg mit ruhiger Effizienz nach Hause und traf zurückhaltende Entscheidungen, die Sicherheit über Spektakel stellten. Der Endabstand war bescheiden, die psychologische Wirkung alles andere als bescheiden.

Zum ersten Mal stand Lee Sedol vor einer Stellung, die er nicht mehr drehen konnte. Die Niederlage an sich war überraschend. Die Art der Niederlage war beunruhigend. AlphaGo hatte nicht mit roher Rechengewalt gewonnen und auch nicht dank eines einzelnen Versehens. Es hatte den Charakter der Partie von der Eröffnung an diktiert.

Das Match hatte kaum begonnen, und schon gerieten die ursprünglichen Annahmen ins Wanken.

Die Erkenntnis: AlphaGo spielte kreativ

Wenn die erste Partie die Erwartungen erschütterte, dann zerlegte die zweite sie.

Zu Beginn schien nichts ungewöhnlich. Die Eröffnung entwickelte sich geschmeidig, die Stellung blieb ausgeglichen, und Lee Sedol verfolgte einen vertrauten Plan: Einfluss aufbauen und sich alle Optionen offenhalten. Kein unmittelbares Gefühl von Gefahr, kein offensichtlicher Fehltritt. Dann spielte AlphaGo einen Zug, der den Saal erstarren ließ.

Er war nicht nur unerwartet. Er sah falsch aus.

Ein Schulterschlag auf der fünften Linie verstieß gegen die Grundinstinkte des Go. Traditionell drückt man mit einem solchen Zug die Steine des Gegners nach unten und beschneidet ihren Einfluss. Hier schien er das Gegenteil zu tun – als würde er Gebiet verschenken, statt es zu begrenzen. Die Kommentatoren zögerten. Die Zuschauer starrten. Selbst erfahrene Profis taten sich schwer zu erklären, was sie da sahen.

Und doch funktionierte der Zug.

Nach und nach zeigte sich sein Sinn. Der Stein zielte nicht auf sofortigen Profit. Stattdessen verband er weit entfernte Bereiche des Bretts, stützte mehrere schwache Gruppen zugleich und bereitete leise künftige Angriffe vor. Was zunächst wie ein Zugeständnis aussah, entfaltete sich zu einer Stellung von bemerkenswerter Harmonie. AlphaGo war nicht der menschlichen Konvention gefolgt, wohl aber einer Logik – einer Logik jenseits der etablierten Muster.

Das war der Moment, in dem die Erzählung kippte.

Bis dahin ließ sich noch glauben, AlphaGo sei bloß ein extrem schneller, disziplinierter Nachahmer, der Ideen aus menschlichen Partien neu kombiniert. Diese Erklärung brach hier zusammen. Kein Profi hätte diesen Zug gewählt. Kein Lehrbuch schlug ihn vor. Und doch hatte die Maschine ihn eigenständig gefunden und ihm genug vertraut, um ihn auf der Weltbühne zu spielen.

Nach der Partie räumte Lee Sedol selbst die Tragweite ein. Das war kein System, das blind eine Datenbank durchsuchte. Es war zu eigenen Ideen fähig. Es konnte Stellungen auf eine Weise bewerten, die Menschen noch nicht verstanden.

Das psychologische Gleichgewicht des Matches verschob sich unwiderruflich. AlphaGo gewann die zweite Partie und ging mit 2:0 in Führung, doch das Ergebnis erzählte nur einen Teil der Geschichte. Die tiefere Niederlage war eine gedankliche. Eine langgehegte Überzeugung – dass Kreativität die letzte Schranke sei, die Maschinen nicht überwinden können – war soeben gefallen.

Von hier an ging es im Match nicht mehr darum, ob AlphaGo gewinnen konnte. Es ging darum, ob die menschliche Seite irgendetwas finden würde, das die Maschine nicht längst gesehen hatte.

Druck und Anpassung: Wenn ein Stilwechsel nach hinten losgeht

Mit einem 0:2-Rückstand geriet das Match in eine gefährliche psychologische Zone. Auf diesem Niveau kämpfen Spieler nicht nur gegen die Stellung auf dem Brett, sondern auch gegen die eigenen Instinkte. Die Versuchung, etwas anderes zu tun, wird übermächtig.

In der dritten Partie änderte sich die menschliche Strategie sichtbar. Statt sich in vertrauten Strukturen einzurichten, steuerte Lee Sedol in der Eröffnung auf den sofortigen Konflikt zu. Früh fielen Tsuke, Gruppen wurden getrennt, und das Brett füllte sich auf beiden Seiten mit ungelösten Schwächen. Die Absicht war klar: Chaos erzwingen, das Tempo anziehen und die Partie aus AlphaGos ruhiger, methodischer Kontrolle herausreißen.

Dieser Ansatz ist nachvollziehbar. Gegen ein System, das alles mit stiller Präzision zu bewerten scheint, liegt es nahe, Stellungen zu schaffen, in denen die Bewertung selbst schwierig wird. Kampf-Go gilt seit jeher als menschliche Domäne – ein Feld für Intuition, Mut und das Gespür für den Gegner.

Doch die Erfahrung lehrt eine harte Lektion: Wer unter Druck seinen Grundstil ändert, hat damit selten Erfolg.

Im Verlauf der Partie ging AlphaGo mit beunruhigender Gelassenheit durch die Komplikationen. Die Gruppen blieben leicht. Verbindungen entstanden genau rechtzeitig. Auf Drohungen wurde reagiert, aber nie überreagiert. Wo ein Mensch sich gedrängt fühlt, einen Angriff durchzuziehen oder vorsorglich zu verteidigen, wählte die Maschine beständig den Zug, der die Beweglichkeit erhielt.

Der Kampf zog sich über Dutzende Züge. Keine einzige Gruppe starb. Es gab keinen dramatischen Zusammenbruch. Stattdessen ging AlphaGo aus dem Chaos mit dem hervor, worauf es ankam: einem großen, stabilen Gebietsrahmen und einem klaren Vorsprung im Gebiet. Die Schlacht war heftig gewesen, das Ergebnis fühlte sich seltsam leise an.

Moderne Analysen sollten später eine unbequeme Wahrheit untermauern. Von allen Partien des früheren Matches gegen Fan Hui war ausgerechnet die erste diejenige, die Fan Hui am besten gespielt hatte – bevor Druck und Verzweiflung einsetzten. Seine Genauigkeit sank, je mehr er ein Ergebnis erzwingen wollte. Hier wiederholte sich dasselbe Muster.

Am Ende der dritten Partie stand es 3:0. Das Match war praktisch entschieden. Zum ersten Mal stand die Go-Welt vor einem Ausgang, auf den sie sich nie ernsthaft vorbereitet hatte: Eine menschliche Legende stand kurz vor einer glatten Niederlage – nicht, weil ihr das Können fehlte, sondern weil der Gegner unter Druck nicht zerbrach.

Was blieb, war kein Kampf um den Sieg mehr, sondern ein Ringen um Sinn.

Partie vier: Die menschliche Antwort

Vor der vierten Partie war der Ausgang des Matches keine Frage mehr. Mit 0:3 im Rückstand konnte Lee Sedol das Match nicht mehr gewinnen, sondern der Geschichte nur noch ein Gleichgewicht zurückgeben. Was folgte, war kein strategischer Neustart, sondern eine psychologische Befreiung. Da er nichts mehr zu verlieren hatte, spielte er frei auf.

Lange sah es aus, als würde AlphaGo die Sache auf gewohnte Weise zu Ende bringen. Die Maschine baute am oberen Rand ein großes Moyo auf, während Lee Sedol anderswo effizient Punkte einsammelte, mehrere Steine ungeklärt zurückließ und darauf vertraute, sie später retten zu können. Im weiteren Mittelspiel hielt AlphaGo einen Vorsprung von rund zehn Punkten – ein Abstand, der auf diesem Niveau normalerweise einen ruhigen Gleitflug zum Sieg ankündigt.

Dann kam ein Moment, den niemand im Saal erklären konnte.

In einer Stellung, die zugenagelt schien, fand Lee Sedol einen einzigen Zug, der verborgenes Potenzial über das ganze Brett hinweg zündete. Er aktivierte Schwächen, die belanglos gewirkt hatten, verknüpfte weit entfernte Drohungen zu einer einzigen Idee und zwang AlphaGo in unbekanntes Terrain. Der Zug drohte nicht bloß lokal; er stellte die gesamte Bewertung der Stellung durch die Maschine infrage.

Es ist der Zug, der später als Zug 78 unsterblich wurde.

Aus heutiger Sicht, mit weit stärkeren KI-Werkzeugen, wissen Analysten etwas Unbequemes: Objektiv hätte der Zug nicht funktionieren dürfen. Auch danach lag Schwarz noch komfortabel vorn. Doch dieses Wissen gehört der Zukunft. An jenem Tag, gegen jene Version von AlphaGo, traf der Zug einen blinden Fleck.

AlphaGo fand die richtige Antwort nicht. Eine ungenaue Entscheidung folgte auf die andere. Das zuvor so souveräne Spiel der Maschine wurde zögerlich und uneinheitlich. Lee Sedol nutzte die Gelegenheit präzise, verwandelte Chaos in Klarheit und rettete Steine, die kurz zuvor noch verloren aussahen.

Zum ersten und einzigen Mal im Match verlor AlphaGo die Kontrolle.

Lee Sedol gewann die Partie, und die Reaktion war außergewöhnlich. Er hatte zuvor viele Welttitel geholt, doch nie war ein einzelner Sieg mit solcher Intensität gefeiert worden. Applaus erfüllte den Raum. Erleichterung, Bewunderung und etwas, das an Trotz grenzte, gingen durch das Publikum.

Auf der Anzeigetafel stand es 3:1. AlphaGo war weiterhin überlegen. Aber etwas Wesentliches war zurückerobert worden. Die Partie bewies, dass sich selbst ein übermenschliches System überraschen lässt – nicht mit roher Rechengewalt, sondern mit einer Idee, die sonst niemand sah.

Jenseits von Lee Sedol: Als die Obergrenze verschwand

Mit dem Ende des Matches gegen Lee Sedol hatte DeepMind der Welt etwas Unmissverständliches gezeigt: Künstliche Intelligenz war nun stärker als jeder menschliche Go-Spieler. Die langgehegte Annahme, Go sei eine letzte, allein dem Menschen vorbehaltene Bastion, war endgültig gefallen.

Doch damit war die Geschichte nicht zu Ende.

Die AlphaGo-Version, die gegen Lee Sedol antrat, war bereits deutlich stärker als jene, die wenige Monate zuvor Fan Hui geschlagen hatte. Daraus ergab sich eine naheliegende Frage: Was würde passieren, wenn man dem System noch mehr Trainingszeit gäbe?

Die Antwort kam noch vor Jahresende.

Im Dezember 2016 tauchte auf dem Go-Server Tygem ein rätselhafter neuer Account auf. Er forderte die stärksten Spieler der Welt heraus – und schlug sie alle. Sechzig Partien. Sechzig Siege. Zunächst gab es keine Erklärungen, nur stillen Unglauben. Bald war klar: Das war eine weitere Entwicklungsstufe desselben Projekts, später bekannt als AlphaGo Master.

Im Jahr darauf traf AlphaGo Master in einem offiziellen Match auf Chinas stärksten Spieler, Ke Jie. Das Ergebnis war eindeutig. Ke Jie fand nie festen Halt. Das Match endete 3:0. Zu diesem Zeitpunkt hatte AlphaGo ein Niveau erreicht, das sich nur noch als übermenschlich beschreiben ließ.

DeepMind hörte trotzdem nicht auf.

AlphaGo Zero und das Ende der menschlichen Vorlagen

2017 wurde ein radikal anderes System vorgestellt: AlphaGo Zero. Anders als alle Vorgängerversionen wurde es ohne eine einzige menschliche Partie trainiert. Keine Profidatenbanken. Keine geerbten Eröffnungen. Keine überlieferte Weisheit. Es lernte Go vollständig von Grund auf.

Anfangs war sein Spiel chaotisch – fast zufällig. Doch durch unermüdliche Partien gegen sich selbst entwickelte es nach und nach ein eigenes Verständnis des Spiels. Mit der Zeit übertraf es jede frühere AlphaGo-Version. Im direkten Vergleich schlug AlphaGo Zero AlphaGo Master in 89 von 100 Partien.

Die Folgerung war beunruhigend. Schätzungen zufolge war AlphaGo Zero rund drei Steine stärker als die Version, die gegen Lee Sedol gespielt hatte. Hätte DeepMind mit dem Match in Seoul noch ein Jahr gewartet, wäre das Ergebnis weder dramatisch noch knapp geworden. Es wäre vermutlich erdrückend gewesen.

Als diese Mammutaufgabe erledigt war, veröffentlichte DeepMind seine Methoden. Andere Entwickler konnten den Prozess nachbauen, und heute gibt es mehrere übermenschliche Go-KIs. Auf diesem Niveau spielen Unterschiede kaum noch eine Rolle. Selbst frei verfügbare Werkzeuge wie KataGo spielen inzwischen weit jenseits jedes menschlichen Profis.

Nach dem Match dachte Lee Sedol auf eine Weise über das Geschehene nach, die viele Go-Spieler tief berührte. Generationenlang glaubten die Menschen, Go sei der höchste Ausdruck menschlicher Kreativität. AlphaGo stellte diesen Glauben infrage. Es zeigte, wie konservativ und konventionell das menschliche Spiel geworden war – geprägt von Gewohnheiten, die vom Lehrer an den Schüler weitergereicht werden, und gestützt auf Tradition statt auf Erkundung.

Ironischerweise droht nun, da die KI als Maßstab der Vollkommenheit dient, dieselbe Erstarrung von Neuem – nur mit einem anderen Satz „richtiger“ Züge.

Was AlphaGo am Ende verändert hat, war nicht nur die Eröffnungstheorie, so unumkehrbar dieser Umbruch auch war. Ideen, die 2017 schockierend wirkten, sind keine zehn Jahre später Standard. Die tiefere Veränderung liegt in der Perspektive. Go wurde größer als seine Traditionen, und Kreativität war nicht länger allein durch menschliche Intuition definiert.

Das Ausmaß dieser Verschiebung ist so gewaltig, dass ein einzelner Artikel es nicht fassen kann. Ihre Folgen entfalten sich noch immer und verdienen eine eigene, sorgfältige Betrachtung.

Fürs Erste bleibt das Brett. Die Steine bleiben. Und die Herausforderung bleibt dieselbe wie eh und je: etwas Bedeutsames zu schaffen, auch wenn die Vollkommenheit nicht mehr menschlich ist.