Lee Sedol vs. AlphaGo: qué pasó realmente en el duelo

Durante décadas, el Go se mantuvo aparte de esos juegos en los que las máquinas terminaron superando a los humanos. Su profundidad, su componente intuitivo y su resistencia al cálculo por fuerza bruta lo hacían parecer irreductiblemente humano.

Esa confianza empezó a resquebrajarse en 2015, cuando DeepMind presentó AlphaGo — un sistema que no se limitaba a calcular, sino que aprendía.

En cuestión de meses derrotó a un jugador profesional y, en marzo de 2016, se enfrentó a Lee Sedol, uno de los mejores jugadores de Go de su generación, en un duelo que cambió la forma de entender el juego.

Este artículo repasa aquella historia desde la mirada de un jugador de Go: no habla de código ni de algoritmos, sino de momentos, decisiones y consecuencias.

Este artículo es una adaptación de un video de nuestro canal de YouTube.

Más que un duelo: por qué AlphaGo se convirtió en una historia

A primera vista, los duelos de AlphaGo parecen un capítulo más de un relato conocido: tarde o temprano, los ordenadores acaban ganando a los humanos en un juego más. Ese guion ya se había representado antes. Las damas cayeron en los años noventa. El ajedrez fue poco después. Cuando apareció AlphaGo, muchos daban por hecho que el Go sería, sin más, el siguiente de la lista.

Pero el Go se resistió a ese destino durante décadas y, cuando por fin ocurrió, no pareció un relevo rutinario en la cima. Los duelos de AlphaGo se convirtieron en una historia no porque ganara una máquina, sino por cómo ganó y por lo que fue revelando en el camino.

Para un jugador de Go, lo importante nunca fueron solo los marcadores finales. Era la intuición puesta en duda, ideas asentadas durante generaciones sobre la «buena forma» y el «juego correcto» viniéndose abajo sin hacer ruido, y la incómoda constatación de que la creatividad ya no era un refugio exclusivamente humano. Aquellas partidas obligaron a los jugadores a revisar hábitos que parecían casi eternos.

Por eso la historia de AlphaGo no se puede reducir a diagramas y números de jugada. Se desplegó como un relato: escepticismo, incredulidad, reconocimiento gradual y, al final, aceptación. Mucho antes de que se hablara de redes neuronales y procesos de entrenamiento, los jugadores de Go ya intuían que algo esencial había cambiado sobre el tablero.

Qué era AlphaGo — y por qué casi nadie esperaba un milagro

AlphaGo lo desarrolló DeepMind, una empresa de investigación que opera bajo el paraguas de Google. Pero en sus primeros tiempos ese pedigrí no bastaba para inquietar a los profesionales del Go. Los programas llevaban años mejorando de forma constante y aun así seguían muy por detrás de los mejores humanos; la experiencia decía que AlphaGo seguiría la misma trayectoria.

A grandes rasgos, el sistema se construyó de una forma que hasta un observador sin conocimientos técnicos podía entender. Partía de una gran base de datos de partidas humanas de Go, usada como material de entrenamiento y no como manual de instrucciones. Varias redes neuronales trabajaban juntas. Una de ellas aprendió a escanear posiciones, reconocer patrones recurrentes y predecir las jugadas más probables. Sus predicciones distaban mucho de ser perfectas — no eran una verdad absoluta, sino algo más parecido a conjeturas informadas. Lo bastante certeras para resultar útiles, pero ni de lejos infalibles.

En paralelo, otra red se entrenó con partidas terminadas. Se le mostraban posiciones y se le decía quién había acabado ganando desde allí. Con el tiempo aprendió a estimar qué bando iba por delante en cualquier posición. También aquí la evaluación era imprecisa: al principio su acierto era modesto, a veces más cerca del sesenta por ciento que de la certeza. Pero no hacía falta que fuera perfecta. Solo tenía que ser lo bastante buena para guiar el paso siguiente.

Ese paso era jugar contra sí mismo.

Con esas herramientas predictivas todavía toscas, AlphaGo empezó a jugar cantidades ingentes de partidas contra sí mismo. Cada partida generaba datos nuevos. Cada resultado volvía al sistema y afinaba su idea de qué decisiones llevaban al éxito y cuáles no. Los patrones se generalizaban, las suposiciones se ajustaban y el ciclo entero se repetía una y otra vez. En ese proceso — el aprendizaje por refuerzo — es donde empezó a asomar la fuerza real de AlphaGo, despacio y sin ruido, más allá de lo que podía darle ninguna base de datos estática.

Conviene subrayar lo provisional que era todo esto todavía. Como reconocen los propios creadores, esta descripción se salta un sinfín de detalles técnicos. Es una simplificación deliberada — una forma de esbozar la idea sin ahogarse en matemáticas. Quien conozca el campo a fondo encontrará sin duda huecos y atajos en la explicación, y la invitación a señalarlos siempre ha estado abierta.

Lo que importa para la historia, en cambio, es el aspecto que tenía AlphaGo en aquella etapa. Todavía no era el motor frío e implacable que la gente imaginaría después. Su juego resultaba a menudo reconociblemente humano: seguía aperturas establecidas, tomaba decisiones conservadoras y a veces se le escapaban oportunidades que las herramientas de IA actuales detectan al instante. Sus propios creadores hablaban de un trabajo en curso más que de un arma terminada.

Ese contexto explica por qué las expectativas seguían siendo modestas. Los jugadores de Go ya habían visto programas prometedores y los habían desmontado con relativa facilidad. AlphaGo, al menos sobre el papel, parecía una mejora incremental más — llamativa, quizá, pero no revolucionaria.

Lo que vino después demostró hasta qué punto esa suposición era engañosa.

El duelo con Fan Hui: la primera grieta en la confianza humana

Antes de que el mundo mirara hacia Seúl, AlphaGo ya se había medido a un rival profesional. En octubre de 2015, DeepMind organizó un duelo discreto, casi de perfil bajo, contra Fan Hui, jugador profesional de Go nacido en China, residente en Francia y tres veces campeón de Europa.

Sobre el papel, Fan Hui era una elección sensata: fuerte sin discusión, experimentado y profesional de pleno derecho, pero sin el aura casi mítica que se reserva a la élite absoluta del Go de Asia Oriental. Cuando llegó la invitación, el escepticismo surgió por sí solo. Ya había habido programas que desafiaban a profesionales y los resultados rara vez asustaban. Fan Hui aceptó jugar, seguramente esperando un pulso competitivo pero manejable.

Esa expectativa se deshizo enseguida.

Partida tras partida, AlphaGo ganó. No por poco, ni aprovechando un descuido aislado, sino de forma convincente. El duelo acabó 5–0 a favor de la máquina — la primera vez que una IA barría por completo a un jugador profesional de Go en partidas sin handicap.

Y, aun así, la sacudida se sintió extrañamente amortiguada.

Dentro de la comunidad del Go, el resultado provocó murmullos más que pánico. Algunos pusieron en duda la fuerza real de Fan Hui. Otros apuntaron que vivir y competir sobre todo en Europa le había limado el filo frente a los profesionales asiáticos. También hubo empatía — perder cinco partidas seguidas contra una máquina supone una carga psicológica enorme para cualquier jugador.

Y lo más importante: muchos jugadores sencillamente no leyeron aquel duelo como algo definitivo. AlphaGo había ganado, sí, pero quizá no de forma concluyente. La creencia dominante seguía intacta: contra los mejores humanos, aquella máquina acabaría fallando.

Visto en retrospectiva, ese momento se lee como la calma antes de la tormenta — el punto en que las señales de alarma estaban a la vista y se ignoraron con toda comodidad.

Una máquina muy humana: los límites y los errores del primer AlphaGo

Parte de la razón por la que la victoria de AlphaGo sobre Fan Hui no disparó las alarmas estaba en cómo jugaba. Aquella versión temprana del sistema no se parecía a la fuerza implacable e inhumana que después se asociaría con el Go de la IA.

Sus aperturas resultaban familiares. Sobre el tablero aparecían joseki de manual. Formas defensivas que llevaban décadas siendo estándar se jugaban sin dudar. En varias posiciones, AlphaGo eligió extensiones sólidas y conservadoras que las herramientas de IA actuales consideran ineficientes o innecesarias. Para un observador con experiencia, buena parte de la partida resultaba cómodamente reconocible.

Y algo aún más llamativo: AlphaGo cometía errores.

Desde la perspectiva de hoy, con motores de análisis mucho más fuertes al alcance de cualquiera, algunas de sus decisiones son claramente subóptimas. Hubo intercambios que dejó pasar, puntos urgentes que ignoró y momentos en los que una jugada más afilada habría inclinado la balanza de forma más rotunda. En algunas partidas, el análisis moderno con IA llega a sugerir que Fan Hui jugó mejor que AlphaGo en tramos del medio juego.

Aún no era la era de la precisión despiadada. El estilo de AlphaGo reflejaba la prudencia humana: prefería caminos seguros hacia la victoria antes que el máximo beneficio, y a veces se conformaba con territorio garantizado en lugar de exprimir ventajas mayores. Esa tendencia se entendería más tarde como un rasgo definitorio y no como un defecto, pero entonces reforzaba una ilusión tranquilizadora: la máquina era fuerte, pero seguía pareciéndose a un humano, seguía siendo imperfecta.

Visto con esas gafas, el 5–0 parecía menos una profecía que una anomalía. El mundo del Go todavía no había captado que aquello era solo una forma intermedia — un sistema que aún estaba aprendiendo hasta dónde podía alejarse de los hábitos humanos.

La prueba de verdad, creían muchos, todavía no había empezado.

Lee Sedol antes del duelo: la confianza de una leyenda

Cuando DeepMind anunció que el siguiente rival de AlphaGo sería Lee Sedol, el contexto cambió de golpe. Ya no se trataba de una prueba discreta contra un profesional fuerte, sino de un duelo público con una de las figuras que definen el Go moderno.

En 2016, la reputación de Lee Sedol estaba fuera de toda duda. Varias veces campeón del mundo, conocido por su espíritu combativo y su forma creativa de resolver problemas, encarnaba un ideal muy humano de maestría en el Go. Mientras que a algunos jugadores se les admiraba por su solidez y su eficacia, a Lee se le temía por su capacidad de complicar posiciones, encontrar recursos inesperados y convertir el caos en oportunidad. Contra rivales humanos, ese estilo le había dado incontables títulos.

Como es lógico, Lee repasó las partidas que AlphaGo había jugado contra Fan Hui. Lo que vio no lo inquietó. La máquina parecía fuerte, pero no abrumadora. Su juego aún arrastraba imprecisiones visibles y algunas decisiones resultaban conservadoras, incluso tímidas. Desde el punto de vista de Lee Sedol, la conclusión era evidente: AlphaGo había ganado a un profesional, pero no a este profesional.

En público se mostró confiado. En privado, la única duda que admitía tenía que ver con el marcador final: ¿acabaría el duelo 5–0 o 4–1 a su favor? La posibilidad de que AlphaGo lo dominara de principio a fin ni siquiera entró en serio en la conversación.

Lo que Lee — y todos los demás — no podía ver era lo ocurrido entre octubre de 2015 y marzo de 2016. Durante esos meses, AlphaGo se entrenó sin descanso. Millones y millones de partidas contra sí mismo afinaron su criterio, redujeron sus puntos débiles y reformularon su comprensión del tablero. Ningún observador externo tuvo acceso a esos resultados. La máquina que se sentaría en Seúl no era la misma que había jugado contra Fan Hui.

Esa asimetría de información pesó. Lee Sedol solo descubriría la fuerza real de AlphaGo cuando las primeras piedras cayeran sobre el tablero. Hasta entonces, la confianza llenó el hueco que dejaba la incertidumbre — una confianza que compartía casi todo el mundo del Go.

El escenario estaba listo para un desenlace que casi nadie imaginaba tal como acabó ocurriendo.

Seúl, primera partida: cuando el plan falla de entrada

Cuando el duelo arrancó, en marzo de 2016, la expectación había desbordado hacía tiempo los límites de la comunidad del Go. Las partidas se retransmitieron en directo, los comentarios se ofrecieron en varios idiomas y las proyecciones públicas llenaron salas y plazas de Seúl. Aquello ya no era solo un duelo profesional: se había convertido en un acontecimiento cultural, planteado como una prueba de la intuición humana frente al cálculo de las máquinas.

La primera partida empezó con calma. Lee Sedol se instaló en un ritmo relajado, jugando con la seguridad de quien cree entender el reparto de fuerzas. Las posiciones iniciales parecían favorables: Negro tenía puntos sólidos, Blanco se veía ligero y disperso, y los comentaristas describían la partida como cómoda para el bando humano.

Entonces AlphaGo hizo algo inesperado.

En lugar de esquivar las complicaciones, inició una lucha temprana. Cortó, jugó asomos (nozoki) y separó piedras de un modo que obligó a Lee Sedol a hacer malabares con varios grupos débiles a la vez. El tablero se tensó casi de inmediato. En vez de dirigirse hacia territorio tranquilo, la máquina empujó la partida hacia la inestabilidad — precisamente el tipo de posición en la que se suponía que brillaba la creatividad humana.

Desde la mesa de comentaristas seguían llegando mensajes tranquilizadores: la situación parecía compleja, pero manejable. Al fin y al cabo, Lee Sedol tenía fama de crecerse en el caos. Sin embargo, según avanzaba el medio juego se hizo visible un cambio sutil. AlphaGo no solo sobrevivía a las complicaciones: las controlaba. Cada escaramuza local se resolvía ligeramente a su favor, y el efecto acumulado empezó a notarse.

El análisis moderno con IA confirmaría después lo que pocos vieron en tiempo real: desde muy pronto, la partida había sido cómoda para Blanco. El equilibrio aparente engañaba. La ventaja de AlphaGo, pequeña al principio, se fue ensanchando sin pausa tras la lucha inicial.

Cuando llegó el final, el desenlace ya no admitía dudas. AlphaGo cerró la victoria con una eficacia serena, tomando decisiones conservadoras que priorizaban la certeza sobre el espectáculo. El margen final fue modesto; el impacto psicológico, cualquier cosa menos eso.

Por primera vez, Lee Sedol se enfrentó a una posición a la que no podía dar la vuelta. La derrota, en sí, sorprendía. La forma de perder inquietaba. AlphaGo no había ganado por fuerza bruta ni aprovechando un descuido puntual: había dictado el carácter de la partida desde la apertura.

El duelo apenas había empezado y las suposiciones de partida ya crujían.

La revelación: AlphaGo jugaba de forma creativa

Si la primera partida sacudió las expectativas, la segunda las desmontó.

Al principio nada parecía fuera de lo común. La apertura se desarrolló con fluidez, las posiciones se mantenían equilibradas y Lee Sedol seguía un plan conocido: construir influencia sin cerrarse opciones. No había sensación de peligro inmediato ni un paso en falso evidente. Entonces AlphaGo hizo una jugada que dejó helada la sala.

No era solo inesperada. Parecía errónea.

Un golpe de hombro en la quinta línea contradecía los instintos más básicos del Go. Esa jugada se usa tradicionalmente para presionar hacia abajo las piedras del rival y reducir su influencia. Aquí parecía hacer justo lo contrario — regalar territorio en lugar de limitarlo. Los comentaristas titubearon. El público se quedó mirando. Ni siquiera los profesionales con más experiencia acertaban a explicar lo que estaban viendo.

Y, aun así, la jugada funcionó.

Poco a poco fue revelándose su propósito. Aquella piedra no buscaba beneficio inmediato: conectaba zonas lejanas del tablero, sostenía varios grupos débiles a la vez y preparaba ataques futuros sin hacer ruido. Lo que al principio parecía una concesión se desplegó en una posición de una armonía notable. AlphaGo no había seguido la convención humana, pero sí una lógica — una lógica que iba más allá de los patrones establecidos.

Ese fue el momento en que el relato cambió.

Hasta entonces se podía creer que AlphaGo era sencillamente un imitador rapidísimo y disciplinado que recombinaba ideas aprendidas de las partidas humanas. Esa explicación se vino abajo aquí. Ningún profesional habría elegido esa jugada. Ningún manual la proponía. Y aun así, la máquina la había encontrado por su cuenta y confiaba en ella lo bastante como para jugarla ante el mundo entero.

Al terminar la partida, el propio Lee Sedol reconoció la magnitud de lo ocurrido. Aquello no era un sistema rebuscando a ciegas en una base de datos: era capaz de ideas originales y evaluaba posiciones de maneras que los humanos todavía no entendían.

El equilibrio psicológico del duelo cambió de forma irreversible. AlphaGo ganó la segunda partida y se puso 2–0, pero el marcador contaba solo una parte de la historia. La derrota de fondo era conceptual: acababa de caer una creencia sostenida durante mucho tiempo — que la creatividad era la última barrera que las máquinas no podrían cruzar.

A partir de ahí, el duelo ya no giraba en torno a si AlphaGo podía ganar. Ahora se trataba de si el bando humano era capaz de encontrar algo, lo que fuera, que la máquina no hubiera visto ya.

Presión y adaptación: cuando cambiar de estilo sale mal

Con un 2–0 en contra, el duelo entró en una zona psicológica peligrosa. A este nivel, un jugador no solo pelea contra la posición sobre el tablero, sino también contra sus propios instintos. La tentación de hacer algo distinto se vuelve irresistible.

En la tercera partida, la estrategia humana cambió de forma visible. En lugar de asentarse en estructuras conocidas, la apertura se dirigió hacia el conflicto inmediato: jugadas de contacto muy pronto, grupos partidos y un tablero lleno de debilidades sin resolver en ambos bandos. La intención estaba clara: forzar el caos, acelerar el ritmo y sacar la partida del control sereno y metódico de AlphaGo.

El planteamiento se entiende. Frente a un sistema que parece evaluarlo todo con una precisión silenciosa, la respuesta natural es crear posiciones en las que evaluar sea lo difícil. El Go de lucha lleva mucho tiempo considerándose un bastión humano — el terreno de la intuición, el valor y la lectura emocional del rival.

Pero la experiencia deja una lección dura: cambiar radicalmente de estilo bajo presión casi nunca funciona.

A medida que avanzaba la partida, AlphaGo manejó las complicaciones con una serenidad inquietante. Sus grupos se mantenían ligeros. Las conexiones aparecían justo a tiempo. Atendía las amenazas sin reaccionar nunca de más. Donde un humano se habría sentido obligado a apretar un ataque o a defender por si acaso, la máquina elegía siempre la jugada que conservaba la flexibilidad.

La lucha se prolongó durante decenas de jugadas. No murió ni un solo grupo. No hubo derrumbe dramático. AlphaGo salió del caos con lo que de verdad importaba: un marco amplio y estable y una clara ventaja territorial. La batalla había sido feroz, pero el desenlace resultó extrañamente silencioso.

El análisis moderno reforzaría después una verdad incómoda. De todas las partidas del duelo anterior contra Fan Hui, la que Fan Hui jugó mejor fue justamente la primera — antes de que aparecieran la presión y la desesperación. Su precisión bajó a medida que se esforzaba más por forzar resultados. Aquí se repitió el mismo patrón.

Al terminar la tercera partida, el marcador era de 3–0. El duelo estaba decidido a efectos prácticos. Por primera vez, el mundo del Go se enfrentaba a una conclusión para la que no se había preparado en serio: una leyenda humana al borde de una derrota sin paliativos, no por falta de nivel, sino porque el rival no se quebraba bajo tensión.

Lo que quedaba ya no era una pelea por la victoria, sino una lucha por el sentido.

Cuarta partida: la respuesta humana

Para cuando llegó la cuarta partida, el desenlace del duelo ya no estaba en discusión. Con un 3–0 en contra, Lee Sedol no podía ganarlo; a lo sumo podía devolverle el equilibrio a la historia. Lo que vino después no fue un reajuste estratégico, sino una liberación psicológica: sin nada que perder, jugó libre.

Durante buena parte de la partida pareció que AlphaGo iba a cerrarla de la forma acostumbrada. La máquina levantó una gran esfera de influencia en la parte superior del tablero, mientras Lee Sedol recogía puntos con eficacia en otras zonas, dejaba varias piedras sin asentar y confiaba en poder rescatarlas más tarde. Con el medio juego avanzado, AlphaGo mantenía una ventaja de unos diez puntos — un margen que, a este nivel, suele anunciar un planeo tranquilo hacia la victoria.

Entonces llegó un momento que nadie en la sala supo explicar.

En una posición que parecía sellada, Lee Sedol encontró una sola jugada que hizo detonar un potencial oculto por todo el tablero. Activó debilidades que parecían irrelevantes, enlazó amenazas lejanas en una única idea y llevó a AlphaGo a un terreno desconocido. Aquella jugada no amenazaba solo un resultado local: ponía en cuestión toda la evaluación que la máquina hacía de la posición.

Es la jugada que quedaría inmortalizada como la jugada 78.

Desde la atalaya de hoy, con herramientas de IA muchísimo más potentes, los analistas saben algo incómodo: objetivamente, esa jugada no debería funcionar. Incluso después de ella, Negro seguía ganando con un margen holgado. Pero ese conocimiento pertenece al futuro. Aquel día, contra aquella versión de AlphaGo, la jugada dio de lleno en un punto ciego.

AlphaGo no encontró la respuesta correcta. Una decisión imprecisa siguió a otra. Su juego, hasta entonces tan seguro, se volvió dubitativo e inconsistente. Lee Sedol aprovechó la ocasión con precisión: convirtió el caos en claridad y rescató piedras que instantes antes parecían condenadas.

Por primera y única vez en el duelo, AlphaGo perdió el control.

Lee Sedol acabó ganando la partida y la reacción fue extraordinaria. Había ganado muchos títulos mundiales, pero ninguna victoria suya se había celebrado con semejante intensidad. La sala se llenó de aplausos. Por el público corrieron el alivio, la admiración y algo muy parecido a la rebeldía.

El marcador seguía diciendo 3–1. AlphaGo seguía dominando. Pero se había recuperado algo esencial: aquella partida demostró que incluso un sistema sobrehumano podía ser sorprendido — no por la fuerza bruta, sino por una idea que nadie más era capaz de ver.

Más allá de Lee Sedol: cuando el techo desapareció

Con el duelo contra Lee Sedol concluido, DeepMind le había enseñado al mundo algo inequívoco: la inteligencia artificial ya era más fuerte que cualquier jugador de Go humano. La vieja suposición de que el Go era la última frontera reservada a las personas se había derrumbado por fin.

Pero la historia no se detuvo ahí.

La versión de AlphaGo que se midió a Lee Sedol ya era bastante más fuerte que la que había derrotado a Fan Hui apenas unos meses antes. De ahí surgía una pregunta evidente: ¿qué pasaría si al sistema se le diera todavía más tiempo para entrenar?

La respuesta llegó antes de que acabara el año.

En diciembre de 2016 apareció una cuenta nueva y misteriosa en el servidor de Go Tygem. Desafió a los jugadores más fuertes del mundo — y los venció a todos. Sesenta partidas. Sesenta victorias. Al principio, ninguna explicación: solo una incredulidad callada. Pronto quedó claro que se trataba de otra evolución del mismo proyecto, conocida después como AlphaGo Master.

Al año siguiente, AlphaGo Master se midió al jugador más fuerte de China, Ke Jie, en un duelo oficial. El resultado fue contundente: Ke Jie no encontró nunca un punto de apoyo. El duelo terminó 3–0. A esas alturas, AlphaGo había alcanzado un nivel que solo cabe describir como sobrehumano.

Aun así, DeepMind no se detuvo.

AlphaGo Zero y el fin de los moldes humanos

En 2017 se presentó un sistema radicalmente distinto: AlphaGo Zero. A diferencia de todas las versiones anteriores, se entrenó sin una sola partida humana. Ninguna base de datos profesional. Ninguna apertura heredada. Ninguna sabiduría convencional. Aprendió el Go enteramente desde cero.

Al principio su juego era caótico — casi aleatorio. Pero, a base de jugar sin descanso contra sí mismo, fue desarrollando su propia comprensión del juego. Con el tiempo superó a todas las versiones anteriores de AlphaGo. Al medirse directamente, AlphaGo Zero derrotó a AlphaGo Master en 89 de 100 partidas.

La conclusión era inquietante. Según las estimaciones, AlphaGo Zero era unas tres piedras más fuerte que la versión que jugó contra Lee Sedol. Si DeepMind hubiera esperado un año más antes de organizar el duelo de Seúl, el resultado no habría sido dramático ni ajustado: lo más probable es que hubiera sido aplastante.

Una vez completada esa tarea monumental, DeepMind publicó sus métodos. Otros desarrolladores pudieron replicar el proceso y hoy existen varias IA de Go sobrehumanas. A ese nivel, las diferencias entre ellas casi dan igual. Incluso herramientas gratuitas como KataGo juegan hoy muy por encima de cualquier profesional humano.

Después del duelo, Lee Sedol reflexionó sobre lo ocurrido de una forma que caló hondo entre los jugadores de Go. Durante generaciones se creyó que el Go era la máxima expresión de la creatividad humana. AlphaGo puso esa creencia en duda: dejó al descubierto lo conservador y convencional que se había vuelto el juego humano, moldeado por hábitos que pasaban de maestro a alumno y reforzado por la tradición más que por la exploración.

La ironía es que, con la IA convertida ahora en el patrón de la perfección, los jugadores corren el riesgo de volverse igual de rígidos — solo que con otro repertorio de jugadas «correctas».

Lo que AlphaGo cambió al final no fue solo la teoría de la apertura, aunque esa transformación fuera irreversible. Ideas que en 2017 escandalizaban son práctica habitual menos de una década después. El cambio de fondo está en la perspectiva: el Go se hizo más grande que sus propias tradiciones, y la creatividad dejó de definirse únicamente por la intuición humana.

La magnitud de este giro es tan grande que no cabe en un solo artículo. Sus consecuencias siguen desplegándose y merecen un análisis detenido por sí solas.

Por ahora queda el tablero. Quedan las piedras. Y el reto sigue siendo el mismo de siempre: crear algo con sentido, aunque la perfección ya no sea humana.