Die Geschichte von AlphaGo: Wie die KI das schwerste Brettspiel bezwang

Jedes Spiel scheint dasselbe Schicksal zu ereilen: Computer werden besser und ziehen irgendwann an uns vorbei – von Chinook gegen Marion Tinsley im Damespiel (1994) bis zu Deep Blue gegen Garri Kasparow im Schach (1997).

Go schien immun: Sein Verzweigungsfaktor ließ jede Brute-Force-Suche kollabieren, und jahrelang waren Go-Programme weit schwächer als starke Menschen.

Keine zwanzig Jahre nach Deep Blue, im Jahr 2015, stellte DeepMind AlphaGo vor – und binnen eines Jahres warf das System diese Annahmen über den Haufen und erzwang ein neues Nachdenken über „Intuition“ und „Kreativität“ im Go.

Das war die Schwelle, an der die letzte Bastion des Go zum Prüfstein der KI wurde.

Dieser Artikel basiert auf unserem Video auf dem Kanal von Go Magic.

Warum Go anders ist

Bevor die KI ins Spiel kommt, verdient das Spiel selbst eine kurze Einordnung. Go verbindet Regeln, die sich in einer Minute erklären lassen, mit Stellungen, die voller Überraschungen und Ungewissheit stecken – eine Kombination, die Computer lange weit hinter starken Menschen zurückhielt.

Einfache Regeln, grenzenlose Komplexität

Die Spieler setzen schwarze und weiße Steine auf leere Schnittpunkte; Schwarz beginnt, Weiß antwortet, und dann wird abwechselnd gezogen. Ziel ist es, das Brett in Bereiche sicheren Gebiets aufzuteilen – Steine zu schlagen ist dabei Mittel, nicht Zweck. Die Freiheiten eines Steins sind seine benachbarten Schnittpunkte; nimm ihm alle, und der Stein kommt vom Brett. Im einfachsten Beispiel hat ein einzelner weißer Stein vier benachbarte Schnittpunkte; sobald Schwarz alle vier besetzt, ist der Stein geschlagen. Aus diesem winzigen Regelsatz wächst ein Entscheidungsbaum, der jede geradlinige Berechnung schnell sprengt. Eine ausführliche Einführung in die Regeln, Schritt für Schritt, findest du in unserem interaktiven Guide.

×

Frühere Go-Programme hinkten den Menschen deutlich hinterher: Schon ein paar Monate Lernen konnten reichen, um an den stärksten Engines der Zeit vorbeizuziehen. Der strukturelle Grund war einfach: Go bietet zu viele Varianten, als dass eine Brute-Force-Suche es lösen könnte. In der Praxis lebt das Spiel von einer Mischung aus lokalem Lesen und Gefühl. Stellungen sind unberechenbar genug, dass Spieler oft nicht alles exakt ausrechnen können und ihre Züge stattdessen auf Intuition gründen. Erst neue Algorithmen ließen die Maschinen aufholen.

In einer Vorgabepartie darf die schwächere Seite vor dem ersten Zug Steine setzen – zwei, drei, fünf oder mehr –, damit Partien über Spielstärkeunterschiede hinweg spannend bleiben. Genau diese Aufbauten wurden zum Belastungstest für frühe Engines. Selbst Stellungen, die erdrückend günstig aussahen, weil das ganze Brett mit schwarzen Steinen gefüllt war, endeten damit, dass Menschen die Programme mühelos schlugen. 

Der Durchbruch

Jahrelang verlief die Kurve flach: neue Algorithmen, bessere Programme, stetiger, aber unspektakulärer Fortschritt. Dann kam 2015, und die Geschichte machte einen scharfen Knick.

DeepMinds Team wandte sich an Fan Hui, einen Profi im zweiten Dan, ursprünglich aus China, damals in Frankreich lebend – und, entscheidend, dreifachen Europameister. Ein naheliegender erster Test. Im Oktober 2015 spielten beide Seiten ein Match über fünf Partien. Wie die meisten Profis jener Zeit war Fan Hui skeptisch; die Erfahrung sprach dagegen, dass ein Programm einen starken Menschen wirklich schlagen könnte. Diese Erwartung brach fast sofort zusammen. Schon nach der ersten Partie war klar, dass sich die Kräfteverhältnisse verschoben hatten, und das Match endete mit einem glatten Durchmarsch: fünf Niederlagen in fünf Partien. Das Ergebnis schockierte viele Beobachter, doch die Go-Welt als Ganzes fühlte sich noch nicht entscheidend erschüttert; viele Spieler vermuteten, dies sei noch nicht die „wahre“ Abrechnung zwischen Mensch und Maschine.

Eine größere Prüfung war unausweichlich. Der Gegner des Folgejahres sollte eine Legende sein: Lee Sedol aus Südkorea. Im Sprachgebrauch von 2015 blieb ein Vergleich hängen: „der Michael Jordan des Go“ – achtzehn internationale Titel, berühmt für einen aggressiven, intuitiven Stil. Vor dem Match sah sich Lee die fünf Partien gegen Fan Hui an und blieb, wie Fan Hui vor ihm, unbeeindruckt; das gezeigte Niveau wirkte schwächer als sein eigenes, und so rechnete er mit einem klaren Sieg. Womit er nicht rechnete: AlphaGos zusätzliches Training vor ihrer Begegnung – eine Vorbereitung, die die Vorzeichen für den März 2016 verschieben sollte.

Lee Sedol gegen AlphaGo

Anfang 2016 stieg die Erwartung, bis die Frage ebenso kulturell wie sportlich wurde: Was passiert, wenn eine lebende Legende auf eine Maschine trifft, die zwischen ihren Auftritten immer stärker wird? Die Wetten neigten zum Menschen, die meisten setzten auf Lee Sedol. Das Ereignis reichte weit über den Spielsaal hinaus: Live-Kommentare in mehreren Sprachen und riesige Leinwände unter freiem Himmel verwandelten Seouls Straßen in Zuschauerhallen. Als der erste Zug fiel, fühlte es sich an wie ein globaler Belastungstest der menschlichen Intuition.

Partie 1: Früher Kampf und ein unerwarteter Maschinenstil

Die gängige Meinung besagte, ein Programm solle gegen einen Spitzenprofi frühes Chaos meiden. AlphaGo tat das Gegenteil: Es begann direkt aus der Eröffnung heraus einen scharfen Kampf – also genau das Szenario, das dem Menschen liegen sollte – und gewann mit entwaffnender Leichtigkeit. Lee war überrascht, und der eigentliche Kampf, so schien es, hatte gerade erst begonnen.

Partie 2: Der „unmögliche“ Zug 37

Die zweite Partie brachte einen Moment, der den Saal erstarren ließ. Bei Zug 37 wählte die Maschine eine Variante, die Menschen „nicht spielen“. Dieser Zug verstieß gegen die elementarsten Grundsätze des Go, gegen genau das, was als Grundlage eingedrillt wird – und lag doch da auf dem Brett, ruhig und ungerührt. Die Zuschauer waren fassungslos, der Zug „überraschte alle, die zusahen“. Nach menschlicher Lehre „kann man das einfach nicht spielen“. Und trotzdem spielte das System ihn – und ließ ihn funktionieren. In diesem Augenblick war das Match kein Referendum über das Nachahmen von Datenbanken mehr. Es wurde zum Beweis, dass das Programm über seine ursprünglichen Datensätze hinauswachsen, die menschlichen Partien, aus denen es gelernt hatte, hinter sich lassen und selbst etwas Kreatives finden konnte. Der restliche Tag bestätigte den Schock. AlphaGo gewann die Partie und ging mit 2:0 in Führung – und drängte Lee Sedol in ein Terrain, in dem nur noch außergewöhnliche Ideen das Match am Leben halten würden.

Partie 3: Der Versuch, das Blatt zu wenden

Da das Match kippte, setzte Lee auf den einzig verbliebenen Weg: Komplikationen erzwingen und schon in der frühen Eröffnung einen riesigen Kampf beginnen. Der Plan ging nicht auf. AlphaGo stabilisierte die Lage, gewann erneut, und beim Stand von 3:0 war das Match praktisch vorbei.

Partie 4: Das menschliche Meisterwerk, Zug 78

Mitten in der vierten Partie schien alles entschieden. AlphaGo führte mit rund zehn Punkten – ein Abstand, der auf diesem Niveau normalerweise einen ruhigen Gleitflug ins Ziel ankündigt. Dann fand Lee Sedol in einer Stellung, die keine Wunder mehr zuzulassen schien, eine einzige, verblüffende Idee, die vor Ort niemand sah. Der Zug traf den blinden Fleck des Systems. AlphaGos Bewertung geriet ins Wanken, es kam mit der Stellung nicht zurecht, und das Momentum kippte. Dieser Funke hat in der Go-Geschichte einen Namen: Zug 78. Spätere Untersuchungen mit weit stärkerer KI als der Version von 2016 legen nahe, dass die Taktik im Prinzip nicht funktionieren dürfte – gegen jenen Build, an jenem Tag, tat sie es doch. Lee verwertete den Vorteil und gewann. Über das Ergebnis hinaus zählte die Szene, weil sie etwas über den Geist des Matches bewies. Die ersten drei Partien hatten eine Maschine gezeigt, die zu stiller Stärke und verblüffender Erfindung fähig ist; die vierte zeigte, dass menschliche Kreativität noch immer einen Riss in den Panzer schlagen kann. Es bleibt der einzige menschliche Sieg gegen genau diese Maschine – eine Ausnahme, die zur Legende wurde.

Partie 5: Die Entscheidung

Die fünfte Partie begann mit frisch verschobenem Momentum und angespannten Nerven auf beiden Seiten. Lee drückte erneut, suchte Komplikationen und Wege, das Brett wieder zu öffnen. AlphaGo begegnete dem Druck mit Ruhe, tauschte im Mittelspiel effizient und machte aus einem kleinen Vorteil eine stabile Führung. Als die Gebietsbilanz klar wurde, gab Lee auf. Das Publikum sah beides: das menschliche Meisterwerk vom Vortag und die Fähigkeit des Systems, es zu verkraften und schon in der nächsten Partie zu antworten.

Endstand und bleibende Bedeutung

Das Match endete 4:1. Hinter dem Ergebnis stand ein neues Muster: eine KI, die zwischen Begegnungen schnell dazulernt, menschliche Gewohnheiten hinter sich lässt und trotzdem im grellsten Licht abliefert. Das war die Woche, in der die Menschen im Go endgültig gegen die Maschinen verloren – und die Woche, in der kreative Suche durch KI aufhörte, Spekulation zu sein, und auf dem Brett sichtbar wurde.

Einen tieferen Blick auf das Vermächtnis des Matches und darauf, was es für Spieler heute bedeutet, findest du in unserem Artikel „Lee Sedol und AlphaGo: Das Vermächtnis eines historischen Duells!“

Von AlphaGo zu AlphaGo Zero

Nach Seoul kamen immer stärkere Versionen, doch die eigentliche Wegbiegung folgte ein Jahr später, als ein ganz anderes System die Bühne betrat – mit neuem Namen und neuer Prämisse.

Das neue System hieß AlphaGo Zero – „Zero“, weil es bei null anfing, Go zu lernen. Kein Archiv menschlicher Partien, keine geerbten Joseki, keine Profigewohnheiten, nur die Grundregeln und dann unermüdliche Partien gegen sich selbst.

Anfangs waren die Partien nach menschlichen Maßstäben grauenhaft: Tausende Fehlgriffe, Züge, die fast zufällig wirkten. Doch die Lernschleife kümmerte sich nicht um Eleganz, sondern um Ergebnisse. Mit Millionen und Abermillionen Partien gegen sich selbst stieg die Spielstärke des Systems stetig.

Das Resultat war unmissverständlich: Das System, das bei null angefangen hatte, übertraf jede frühere Version, die auf menschlichen Daten trainiert worden war. Anders gesagt: Den menschlichen Startpunkt zu streichen, den „Faktor Mensch“ auszuschließen, erwies sich für die Maschine als besser.

Wichtig war daran nicht nur Tempo oder Stärke, sondern die Richtung. Ein System, das nicht an menschlichen Beispielen hängt, konnte Linien erkunden, die ihm nie jemand beigebracht hatte, langjährige Streitfragen mit klaren Entscheidungen beantworten und Ideen zum Normalfall machen, die früher unorthodox aussahen. Jahre später gehört übermenschliche Go-KI zum Werkzeugkasten aller – Segen und Fluch zugleich für die Art, wie Spieler lernen und wie sich das Spiel weiterentwickelt.

Wie du moderne Go-Analyse-Engines auf deinem eigenen Rechner einrichtest, zeigt dir Schritt für Schritt unser Guide „Software für die Go-Analyse mit KI installieren“

Jenseits des menschlichen Go: Ein Anfang, kein Ende

Die Geschichte endet nicht düster. Dieser Sieg vor neun Jahren bedeutete mehr, als einer Maschine Go beizubringen – oder Tic-Tac-Toe oder StarCraft. Er brachte eine Methode ans Licht: AlphaGo zeigte, wie man KI für komplexe Aufgaben richtig trainiert.

2025 reicht diese Methode weit über ein 19×19-Brett hinaus: Systeme, die menschliche Sprache verstehen, Bilder und Videos erzeugen, Musik komponieren und vieles mehr, sind Alltag. Und doch bleibt die Forschungsfront offen – unfertige Arbeit, deren Obergrenze und deren Bedeutung für unsere Spezies ungewiss bleiben.

Auch rund um Go selbst weitet sich das Gespräch. Es geht längst nicht mehr nur darum, „wie man dieses Spiel spielt“, sondern auch um die Ideen, die das Brett umkreisen: die Technik, die Kreativität, die Folgen für Spieler und Fans. Am Ende steht kein Punkt, sondern drei Auslassungspunkte: von einem Brett hinaus in die weite Welt – der nächste Zug ist noch ungeschrieben.