La historia de AlphaGo: cómo la IA conquistó el juego de mesa más difícil

Todos los juegos parecen correr la misma suerte: a medida que los ordenadores mejoran, acaban adelantándonos — de Chinook contra Marion Tinsley en las damas (1994) a Deep Blue contra Garry Kasparov en ajedrez (1997).

El Go parecía inmune: su factor de ramificación hacía naufragar la fuerza bruta y, durante años, los programas de Go fueron mucho más débiles que un humano fuerte.

Menos de veinte años después de Deep Blue, en 2015, DeepMind presentó AlphaGo y en apenas un año dio la vuelta a esas certezas, obligando a repensar qué significan la «intuición» y la «creatividad» en el Go.

Ese fue el umbral en el que la última frontera del Go se convirtió en el banco de pruebas de la IA.

Este artículo es una adaptación del video de nuestro canal Go Magic.

Por qué el Go es diferente

Antes de que entre la IA en escena, conviene encuadrar el juego. El Go combina unas reglas tan simples que se explican en un minuto con posiciones que se disparan hacia la sorpresa y la incertidumbre; esa mezcla mantuvo durante mucho tiempo a los ordenadores muy por detrás de los humanos fuertes.

Reglas simples, complejidad sin límites

Los jugadores colocan piedras negras y blancas en las intersecciones vacías; Negro juega primero, Blanco responde y los turnos se alternan. El objetivo es dividir el tablero en zonas de territorio seguro, y las capturas son un medio, no el fin. Las libertades de una piedra son sus intersecciones adyacentes: quítalas todas y la piedra sale del tablero. En el ejemplo más básico, una piedra blanca solitaria tiene cuatro intersecciones adyacentes; en cuanto Negro ocupa las cuatro, la piedra queda capturada. A partir de ese puñado de reglas, el árbol de decisiones del juego desborda enseguida cualquier cálculo directo. Si quieres una introducción a las reglas más a fondo y paso a paso, consulta nuestra guía interactiva.

×

Los primeros programas de Go iban muy por detrás de los humanos: bastaban unos pocos meses de estudio para que una persona superara a los motores más fuertes de la época. La razón de fondo era simple: el Go presenta demasiadas variantes para que la búsqueda por fuerza bruta las resuelva. El juego real se apoya en una mezcla de lectura local y olfato. Las posiciones son tan impredecibles que a menudo no se puede calcular todo con exactitud y hay que elegir jugadas construidas sobre la intuición. Solo con algoritmos nuevos empezaron las máquinas a recortar distancias.

El juego con handicap permite que el bando más débil coloque piedras antes de la primera jugada — dos, tres, cinco o más — para que las partidas sigan teniendo sentido pese a la diferencia de nivel. Esas mismas configuraciones se convirtieron en una prueba de esfuerzo para los primeros motores. Incluso en posiciones que parecían abrumadoramente favorables, con el tablero entero sembrado de piedras negras, los humanos seguían ganando a los programas sin apenas despeinarse. 

El punto de inflexión

Durante años la curva fue suave: algoritmos nuevos, programas mejores, un progreso constante pero poco espectacular. Entonces llegó 2015 y la historia dio un giro brusco.

El equipo de DeepMind contactó con Fan Hui, profesional 2 dan nacido en China, por entonces residente en Francia y, sobre todo, tres veces campeón de Europa. Era un primer examen natural. En octubre de 2015, ambas partes jugaron un duelo a cinco partidas. Fan Hui, como casi todos los profesionales de la época, era escéptico: la experiencia decía que ningún programa podía ganar de verdad a un humano fuerte. Esa expectativa se vino abajo casi de inmediato. Tras la primera partida quedó claro que la balanza había cambiado de lado, y el duelo acabó en barrida: cinco derrotas en cinco partidas. El resultado sorprendió a muchos observadores, pero el mundo del Go, en conjunto, no se sintió trastocado del todo; bastantes jugadores sospechaban que aquel todavía no era el ajuste de cuentas «de verdad» entre el hombre y la máquina.

Una prueba mayor era inevitable. El rival del año siguiente sería una leyenda: Lee Sedol, de Corea del Sur. Por aquel entonces, la comparación que cuajó fue «el Michael Jordan del Go»: dieciocho títulos internacionales y fama de estilo agresivo e intuitivo. Antes del duelo, Lee repasó las cinco partidas de Fan Hui y, igual que él, siguió sin convencerse; el nivel que veía le parecía inferior al suyo, así que esperaba ganar con holgura. Lo que no vio venir fue el entrenamiento adicional de AlphaGo antes de la cita, una preparación que inclinaría la balanza de cara a marzo de 2016.

Lee Sedol vs. AlphaGo

La expectación creció durante los primeros meses de 2016 hasta que la pregunta se volvió tan cultural como deportiva: ¿qué pasa cuando una leyenda viva se mide a una máquina que se hace más fuerte entre una cita y la siguiente? Las apuestas se inclinaban por el humano, y la mayoría iban a favor de Lee Sedol. El acontecimiento desbordó la sala de juego: comentarios en directo en varios idiomas y pantallas gigantes al aire libre en Seúl que convirtieron las calles en salas de proyección. Cuando la primera jugada cayó sobre el tablero, aquello parecía una prueba de esfuerzo global para la intuición humana.

Partida 1: lucha temprana y un estilo de máquina inesperado

La sabiduría convencional decía que un programa debía evitar el caos temprano contra un profesional de élite. AlphaGo hizo lo contrario: inició una lucha afilada nada más salir de la apertura — justo el escenario que se suponía favorable al humano — y ganó con una facilidad desarmante. Lee se quedó descolocado y la batalla de verdad, al parecer, no había hecho más que empezar.

Partida 2: la «imposible» jugada 37

La segunda partida dejó un momento que congeló la sala. En la jugada 37, la máquina eligió una línea que los humanos «no juegan». Se saltaba de plano los buenos modales más elementales, esos que se enseñan como fundamentos, y sin embargo ahí estaba sobre el tablero, tranquila y sin pedir disculpas. Los espectadores se quedaron de piedra: la jugada «sorprendió a todo el que la vio». Según la doctrina humana, esa opción «sencillamente no se puede jugar». Y aun así el sistema la jugó y luego hizo que funcionara. En ese instante, el duelo dejó de ser un referéndum sobre la imitación de bases de datos. Pasó a ser una demostración de que el programa podía trascender sus datos de partida, ir más allá de las partidas humanas de las que había aprendido y encontrar algo creativo. El resto de la jornada confirmó el sobresalto: AlphaGo ganó la partida y se puso 2–0, empujando a Lee Sedol al terreno en el que solo unas ideas extraordinarias mantendrían vivo el duelo.

Partida 3: intentar darle la vuelta al guion

Con el duelo escapándosele, Lee apostó por el único camino que quedaba: forzar complicaciones y abrir una lucha enorme desde el principio de la apertura. No coló. AlphaGo estabilizó, volvió a ganar y, con el 3–0, el duelo estaba prácticamente terminado.

Partida 4: la obra maestra humana, la jugada 78

A mitad de la cuarta partida, el duelo parecía resuelto. AlphaGo llevaba unos diez puntos de ventaja, un margen que a este nivel suele anunciar un planeo tranquilo hasta el final. Entonces, en una posición que parecía cerrada a los milagros, Lee Sedol encontró una única idea deslumbrante que nadie en la sala fue capaz de ver. La jugada dio de lleno en el punto ciego del sistema: la evaluación de AlphaGo se tambaleó, no supo resolver la posición y la inercia cambió de bando. Esa chispa tiene nombre propio en la memoria del Go: la jugada 78. Los estudios posteriores, con IA mucho más fuerte que la versión de 2016, apuntan a que la táctica no debería funcionar en principio; y sin embargo, contra aquella versión y aquel día, funcionó. Lee convirtió la ventaja y ganó. Más allá del marcador, la escena importa porque demostró algo sobre el espíritu del duelo. Las tres primeras partidas habían mostrado una máquina capaz de una fuerza silenciosa y de una inventiva sorprendente; la cuarta mostró que la creatividad humana todavía podía abrir una grieta en la armadura. Sigue siendo la única victoria humana contra aquella máquina en concreto, una excepción convertida en leyenda.

Partida 5: el duelo queda sellado

La quinta partida llegó con la inercia recién cambiada y los nervios tensos en los dos bandos. Lee volvió a apretar, buscando complicaciones y formas de reabrir el tablero. AlphaGo respondió a la presión con calma, hizo intercambios eficaces en el medio juego y convirtió una pequeña ventaja en una renta estable. Cuando el recuento de territorio quedó claro, Lee abandonó. El público se llevó las dos imágenes: la obra maestra humana de la víspera y la capacidad del sistema para encajarla y responder en la partida siguiente.

Marcador final, huella duradera

El duelo terminó 4–1. Más allá del marcador había un patrón nuevo: una IA capaz de aprender deprisa entre cita y cita, de salirse de los hábitos humanos y de rendir igualmente bajo los focos más intensos. Aquella fue la semana en que los humanos perdieron definitivamente contra las máquinas en el Go, y la semana en que la búsqueda creativa de una IA dejó de ser una especulación para hacerse visible sobre el tablero.

Para profundizar en el legado del duelo y en lo que significa hoy para los jugadores, consulta nuestro artículo «Lee Sedol y AlphaGo: ¡el legado de un duelo histórico!».

De AlphaGo a AlphaGo Zero

Después de Seúl siguieron llegando versiones más fuertes, pero el giro de verdad llegó un año después, cuando subió al escenario un sistema muy distinto, con nombre nuevo y premisa nueva.

El nuevo sistema se llamó AlphaGo Zero — «Zero» porque aprendió el Go desde cero. Sin archivo de partidas humanas, sin joseki heredados ni hábitos de profesional: solo las reglas básicas y, a partir de ahí, jugar contra sí mismo sin descanso.

Al principio, las partidas eran horribles según el criterio humano: miles de tropiezos, jugadas que parecían casi aleatorias. Pero al bucle de aprendizaje no le importaba la elegancia, sino los resultados. Con millones y millones de partidas contra sí mismo, la fuerza del sistema fue subiendo sin pausa.

La recompensa fue rotunda: el aprendiz que partía de cero superó a todas las versiones anteriores entrenadas con datos humanos. Dicho de otro modo, quitar el punto de partida humano, excluir el «factor humano», resultó ser mejor para la máquina.

Lo importante no era solo la velocidad o la fuerza, sino la dirección. Un sistema desligado de los ejemplos humanos podía explorar líneas que nadie le había enseñado, responder con decisiones firmes a preguntas que llevaban décadas abiertas y normalizar ideas que antes parecían heterodoxas. Años después, la IA de Go sobrehumana está en la caja de herramientas de cualquiera: una bendición y una maldición para la forma de estudiar de los jugadores y para la evolución del juego.

Para instalar en tu propio ordenador los motores modernos de análisis de Go, sigue nuestra guía paso a paso «Cómo instalar software para analizar partidas de Go con IA»

Más allá del Go humano: un principio, no un final

La historia no termina con una nota sombría. Aquella victoria de hace nueve años significó mucho más que enseñar a una máquina a jugar al Go, al tres en raya o al StarCraft. Reveló un método: AlphaGo enseñó cómo entrenar bien una IA para tareas complejas.

En 2025, ese método va mucho más allá de un tablero de 19×19: sistemas que entienden el habla humana, generan imágenes y video, componen música y bastante más son ya parte de la vida diaria. Pero la frontera de la investigación sigue abierta: un trabajo inacabado cuyo techo — y lo que puede significar para nuestra especie — nadie conoce todavía.

Alrededor del propio Go, la conversación se ensancha. Estudiar ya no es solo «cómo se juega a esto», sino también las ideas que orbitan el tablero: la tecnología, la creatividad, lo que implica para jugadores y aficionados. La última línea no es un punto final, sino unos puntos suspensivos: del tablero al mundo entero, la siguiente jugada sigue sin escribirse.