Lee Sedol contre AlphaGo : ce qui s'est vraiment passé

Pendant des décennies, le Go a fait figure d’exception parmi les jeux où les machines ont fini par dépasser l’homme. Sa profondeur, la part d’intuition qu’il exige et sa résistance au calcul par force brute lui donnaient quelque chose de profondément humain.

Cette certitude a commencé à se fissurer en 2015, quand DeepMind a présenté AlphaGo — un système qui ne se contentait pas de calculer : il apprenait.

En quelques mois, il a battu un joueur professionnel, et en mars 2016 il affrontait Lee Sedol, l’un des plus grands joueurs de Go de sa génération, dans un match qui a bouleversé notre façon de comprendre le jeu.

Cet article revient sur cette histoire du point de vue d’un joueur de Go : pas de code ni d’algorithmes, mais des moments, des décisions et leurs conséquences.

Cet article est adapté d’une vidéo de notre chaîne YouTube.

Plus qu’un match : pourquoi AlphaGo est devenu une histoire

À première vue, les matchs d’AlphaGo ressemblent à un chapitre de plus dans un récit déjà connu : les ordinateurs finissent par battre l’homme à un jeu supplémentaire. Le scénario avait déjà été joué. Le jeu de dames est tombé dans les années 1990. Les échecs ont suivi peu après. Quand AlphaGo est apparu, beaucoup tenaient pour acquis que le Go serait simplement le suivant sur la liste.

Mais le Go a résisté à ce destin pendant des décennies, et quand la bascule est enfin venue, elle n’a rien eu d’une passation de pouvoir de routine. Si les matchs d’AlphaGo sont devenus une histoire, ce n’est pas parce qu’une machine a gagné, mais à cause de la manière dont elle a gagné, et de ce que cela a révélé en chemin.

Pour un joueur de Go, l’enjeu n’a jamais été le score final. Il était ailleurs : dans une intuition mise en défaut, dans des idées reçues sur la « bonne forme » et le « coup juste » qui s’effondraient sans bruit, et dans cette prise de conscience inconfortable — la créativité n’était plus un refuge exclusivement humain. Ces parties ont obligé les joueurs à réexaminer des habitudes qu’on croyait presque intemporelles.

C’est pourquoi l’histoire d’AlphaGo ne se résume pas à des diagrammes et à des numéros de coups. Elle s’est déroulée comme un récit : scepticisme, incrédulité, reconnaissance progressive, et enfin acceptation. Bien avant qu’on parle de réseaux de neurones et de pipelines d’entraînement, les joueurs de Go sentaient déjà que quelque chose d’essentiel avait bougé sur le goban.

Ce qu’était AlphaGo — et pourquoi presque personne n’attendait de miracle

AlphaGo a été développé par DeepMind, une société de recherche rattachée à Google. À ses débuts, pourtant, ce pedigree n’effrayait guère les joueurs de Go professionnels. Les programmes progressaient régulièrement depuis des années, mais ils restaient très loin des meilleurs humains, et l’expérience laissait penser qu’AlphaGo suivrait la même trajectoire.

Dans les grandes lignes, le fonctionnement du système reste accessible même sans bagage technique. Tout part d’une vaste base de parties humaines, utilisée comme matière d’apprentissage plutôt que comme consigne rigide. Plusieurs réseaux de neurones travaillaient de concert. L’un d’eux a appris à balayer les positions, à reconnaître des motifs récurrents et à prédire les coups les plus probables. Ses prédictions étaient loin d’être parfaites — non pas une vérité absolue, plutôt des paris éclairés. Assez justes pour être utiles, très loin d’être infaillibles.

En parallèle, un autre réseau a été entraîné sur des parties terminées. On lui montrait des positions en lui indiquant qui l’avait finalement emporté. Peu à peu, il a appris à estimer quel camp menait dans une position donnée. Là encore, l’évaluation manquait de précision : au début, la justesse était plus proche de 60 % que de la certitude. Mais elle n’avait pas besoin d’être parfaite. Elle devait seulement être assez bonne pour guider l’étape suivante.

Cette étape, c’était le jeu contre soi-même.

Équipé de ces outils de prédiction encore grossiers, AlphaGo s’est mis à jouer des quantités vertigineuses de parties contre lui-même. Chaque partie produisait de nouvelles données. Chaque résultat était réinjecté dans le système et affinait son intuition de ce qui menait à la victoire et de ce qui n’y menait pas. Les schémas se généralisaient, les hypothèses s’ajustaient, et le cycle recommençait, encore et encore. C’est dans ce processus — l’apprentissage par renforcement — que la vraie force d’AlphaGo a commencé à émerger, lentement et sans bruit, bien au-delà de ce qu’une base de données figée pouvait offrir.

Il faut souligner à quel point tout cela restait provisoire. De l’aveu même de ses concepteurs, cette description passe sous silence d’innombrables détails techniques. C’est une simplification assumée — une façon d’esquisser l’idée sans se noyer dans les mathématiques. Ceux qui connaissent le domaine en profondeur y trouveront sans doute des raccourcis et des lacunes ; l’invitation à les signaler est restée ouverte.

Ce qui compte pour notre histoire, en revanche, c’est l’allure qu’avait AlphaGo à ce stade. Ce n’était pas encore le moteur froid et impitoyable qu’on imaginera plus tard. Son jeu paraissait souvent tout à fait humain. Il suivait des ouvertures établies, faisait des choix prudents et laissait parfois passer des occasions que les outils d’IA actuels repèrent immédiatement. Ses créateurs eux-mêmes le décrivaient comme un chantier en cours, pas comme une arme achevée.

Ce contexte explique la modestie des attentes. Les joueurs de Go avaient déjà vu des programmes prometteurs, qu’ils démontaient ensuite sans trop de peine. Sur le papier au moins, AlphaGo ressemblait à un progrès de plus — impressionnant, peut-être, mais pas révolutionnaire.

La suite allait montrer à quel point cette hypothèse était trompeuse.

Le match contre Fan Hui : la première fissure dans la confiance humaine

Avant que le monde entier ne tourne les yeux vers Séoul, AlphaGo avait déjà affronté un professionnel. En octobre 2015, DeepMind a organisé un match discret, presque confidentiel, contre Fan Hui, joueur de Go professionnel né en Chine, installé en France et triple champion d’Europe.

Sur le papier, Fan Hui était un choix judicieux : incontestablement fort, expérimenté, pleinement professionnel, mais sans l’aura quasi mythique réservée à l’élite absolue du Go d’Asie de l’Est. À la réception de l’invitation, le scepticisme allait de soi. Des programmes avaient déjà défié des professionnels, et les résultats étaient rarement inquiétants. Fan Hui a accepté de jouer, s’attendant sans doute à une rencontre disputée mais gérable.

Cette attente s’est dissipée très vite.

Partie après partie, AlphaGo l’a emporté. Il ne s’est pas imposé de justesse, ni en exploitant un unique oubli, mais nettement. Le match s’est terminé 5–0 pour la machine — la première fois qu’un joueur de Go professionnel se faisait balayer par une IA dans un match sans handicap.

Et pourtant, l’onde de choc est restée étrangement sourde.

Dans la communauté du Go, le résultat a suscité des murmures plutôt que la panique. Certains ont mis en doute la force réelle de Fan Hui. D’autres ont suggéré que vivre et jouer surtout en Europe lui avait fait perdre du tranchant par rapport aux professionnels asiatiques. Il y avait aussi de la compassion : perdre cinq parties d’affilée contre une machine représente une charge psychologique énorme pour n’importe quel joueur.

Surtout, beaucoup de joueurs n’ont tout simplement pas lu ce match comme un verdict. AlphaGo avait gagné, certes, mais peut-être pas vraiment. La conviction dominante restait intacte : face aux tout meilleurs humains, cette machine finirait bien par trébucher.

Avec le recul, ce moment ressemble au calme avant la tempête — l’instant où les signaux d’alerte étaient visibles, et confortablement ignorés.

Une machine très humaine : les limites et les erreurs du premier AlphaGo

Si la victoire d’AlphaGo sur Fan Hui n’a pas déclenché l’alarme, c’est en partie à cause de la nature de son jeu. Cette première version du système n’avait rien de la force implacable et inhumaine qu’on associera plus tard aux IA de Go.

Ses ouvertures semblaient familières. Des joseki bien établis apparaissaient sur le goban. Des formes défensives standard depuis des décennies étaient jouées sans hésiter. Dans plusieurs positions, AlphaGo choisissait des extensions solides et prudentes que les outils d’IA actuels jugent inefficaces, voire inutiles. Pour un observateur expérimenté, une grande partie du jeu restait d’une familiarité rassurante.

Plus frappant encore : AlphaGo se trompait.

Vues d’aujourd’hui, avec des moteurs d’analyse bien plus puissants, certaines de ses décisions sont clairement sous-optimales. Des échanges manqués, des points urgents ignorés, des moments où un coup plus incisif aurait fait basculer la partie plus nettement. Dans certaines parties, l’analyse moderne suggère même que le jeu de Fan Hui a surpassé celui d’AlphaGo sur des passages du milieu de partie.

Ce n’était pas encore l’ère de la précision impitoyable. Le style d’AlphaGo reflétait la prudence humaine. Il préférait les chemins sûrs vers la victoire aux gains maximaux, se contentant parfois d’un territoire acquis plutôt que de pousser son avantage. On comprendra plus tard qu’il s’agissait d’un trait de caractère et non d’un défaut ; sur le moment, cela renforçait une illusion rassurante : la machine était forte, mais encore très humaine, encore imparfaite.

Vu sous cet angle, le 5–0 ressemblait moins à une prophétie qu’à une anomalie. Le monde du Go n’avait pas encore saisi qu’il s’agissait d’une forme intermédiaire — un système encore en train d’apprendre jusqu’où il pouvait s’éloigner des habitudes humaines.

Le vrai test, pensaient beaucoup, restait à venir.

Lee Sedol avant le match : la confiance d’une légende

Quand DeepMind a annoncé que le prochain adversaire d’AlphaGo serait Lee Sedol, le contexte a changé d’un coup. Il ne s’agissait plus d’un test discret contre un professionnel solide, mais d’une confrontation publique avec l’une des figures majeures du Go moderne.

En 2016, la réputation de Lee Sedol n’était plus à faire. Plusieurs fois champion du monde, connu pour son goût du combat et son inventivité, il incarnait un idéal profondément humain de la maîtrise du Go. Là où d’autres joueurs étaient admirés pour leur solidité et leur efficacité, Lee était redouté pour sa capacité à compliquer les positions, à dénicher des ressources inattendues et à transformer le chaos en occasion. Contre des adversaires humains, ce style lui avait valu d’innombrables titres.

Lee a naturellement passé en revue les parties d’AlphaGo contre Fan Hui. Ce qu’il y a vu ne l’a pas inquiété. La machine paraissait forte, sans être écrasante. Son jeu comportait encore des imprécisions visibles. Certains choix semblaient prudents, voire timorés. De son point de vue, la conclusion coulait de source : AlphaGo avait battu un professionnel, mais pas ce professionnel-là.

En public, il affichait sa confiance. En privé, la seule incertitude qu’il concédait portait sur le score final : le match se terminerait-il 5–0 ou 4–1 en sa faveur ? L’hypothèse qu’AlphaGo puisse le dominer purement et simplement n’entrait pas sérieusement dans la discussion.

Ce que Lee — comme tout le monde — ne pouvait pas voir, c’est ce qui s’était passé entre octobre 2015 et mars 2016. Pendant ces mois-là, AlphaGo a été entraîné sans relâche. Des millions et des millions de parties contre lui-même ont affiné son jugement, réduit ses faiblesses et remodelé sa compréhension du goban. Aucun observateur extérieur n’avait accès à ces résultats. La machine qui allait s’asseoir à Séoul n’était plus celle qui avait affronté Fan Hui.

Cette asymétrie d’information a pesé lourd. Lee Sedol ne découvrirait la vraie force d’AlphaGo qu’au moment de poser les premières pierres. En attendant, la confiance comblait le vide laissé par l’incertitude — une confiance partagée par presque tout le monde du Go.

Le décor était planté pour une confrontation dont presque personne n’imaginait le déroulement.

Séoul, première partie : quand le plan s’effondre d’entrée

Quand le match a débuté, en mars 2016, l’attente débordait largement le cadre de la communauté du Go. Les parties étaient diffusées en direct, commentées en plusieurs langues, et des retransmissions publiques remplissaient salles et places de Séoul. Ce n’était plus seulement un match professionnel : c’était devenu un moment culturel, présenté comme l’épreuve de l’intuition humaine face au calcul de la machine.

La première partie a démarré sans histoire. Lee Sedol a pris un rythme détendu, avec l’assurance de qui croit connaître le rapport de force. Les positions du début semblaient favorables : Noir avait des points solides, Blanc paraissait léger et dispersé, et les commentateurs décrivaient une partie confortable pour le camp humain.

Puis AlphaGo a fait quelque chose d’inattendu.

Au lieu de fuir les complications, il a lancé un combat précoce. Coupes, coups de sonde, pierres séparées : Lee Sedol s’est retrouvé à jongler avec plusieurs groupes faibles à la fois. Le goban s’est tendu presque aussitôt. Plutôt que de viser un territoire tranquille, la machine a poussé la partie vers l’instabilité — précisément le type de position où la créativité humaine était censée briller.

Du côté des commentateurs, on se voulait rassurant : la situation paraissait complexe, mais gérable. Lee Sedol, après tout, était réputé pour s’épanouir dans le chaos. Pourtant, à mesure que le milieu de partie se déployait, un glissement s’est fait sentir. AlphaGo ne survivait pas aux complications : il les contrôlait. Chaque escarmouche locale se réglait très légèrement à son avantage, et l’accumulation a fini par se voir.

L’analyse par IA a confirmé depuis ce que peu de gens ont perçu en direct : très tôt, la partie était déjà confortable pour Blanc. L’équilibre apparent était trompeur. L’avantage d’AlphaGo, minime au départ, s’est creusé régulièrement après le premier combat.

Au moment d’aborder le yose (la finale), l’issue ne faisait plus de doute. AlphaGo a assuré la victoire avec une efficacité tranquille, préférant des choix prudents à tout effet de manche. L’écart final était modeste ; l’impact psychologique, lui, ne l’était pas du tout.

Pour la première fois, Lee Sedol se heurtait à une position qu’il ne pouvait pas renverser. La défaite surprenait ; sa manière dérangeait. AlphaGo n’avait pas gagné par la force brute ni en exploitant un oubli isolé : il avait dicté le caractère de la partie dès l’ouverture.

Le match commençait à peine, et les certitudes de départ vacillaient déjà.

La prise de conscience : AlphaGo jouait de façon créative

Si la première partie a ébranlé les attentes, la deuxième les a démolies.

Au départ, rien d’anormal. L’ouverture se développait sans heurt, les positions restaient équilibrées, et Lee Sedol suivait un plan familier : bâtir de l’influence en gardant ses options ouvertes. Aucun danger immédiat, aucun faux pas évident. Puis AlphaGo a joué un coup qui a figé la salle.

Il n’était pas seulement inattendu. Il avait l’air faux.

Un coup d’épaule sur la cinquième ligne, cela heurte les réflexes de base au Go. Ce coup sert traditionnellement à écraser les pierres adverses vers le bas et à réduire leur influence. Ici, il semblait faire l’inverse — offrir du territoire au lieu de le limiter. Les commentateurs ont hésité. Le public est resté figé. Même des professionnels chevronnés peinaient à expliquer ce qu’ils avaient sous les yeux.

Et pourtant, le coup fonctionnait.

Son intention s’est révélée peu à peu. La pierre ne visait pas un profit immédiat : elle reliait des zones éloignées du goban, soutenait plusieurs groupes faibles à la fois et préparait discrètement de futures attaques. Ce qui ressemblait d’abord à une concession a débouché sur une position d’une harmonie remarquable. AlphaGo n’avait pas suivi la convention humaine, mais une logique — une logique qui dépassait les schémas établis.

C’est là que le récit a basculé.

Jusque-là, on pouvait encore croire qu’AlphaGo n’était qu’un imitateur extrêmement rapide et discipliné, recombinant des idées glanées dans les parties humaines. Cette explication s’est effondrée ici. Aucun professionnel n’aurait choisi ce coup. Aucun manuel ne le proposait. Et pourtant, la machine l’avait trouvé seule et lui faisait assez confiance pour le jouer devant le monde entier.

Après la partie, Lee Sedol lui-même en a mesuré la portée. Ce n’était pas un système fouillant aveuglément une base de données : il était capable d’idées originales. Il évaluait les positions d’une manière que les humains ne comprenaient pas encore.

L’équilibre psychologique du match a basculé pour de bon. AlphaGo a remporté la deuxième partie et mené 2–0, mais le score ne disait qu’une partie de l’histoire. La vraie défaite était conceptuelle : une conviction ancienne — la créativité comme dernière barrière infranchissable pour les machines — venait de tomber.

À partir de là, la question n’était plus de savoir si AlphaGo pouvait gagner, mais si le camp humain pouvait trouver quoi que ce soit que la machine n’avait pas déjà vu.

Pression et adaptation : quand changer de style se retourne contre vous

À 2–0, le match est entré dans une zone psychologique dangereuse. À ce niveau, un joueur ne lutte pas seulement contre la position sur le goban, mais aussi contre ses propres réflexes. La tentation de faire autrement devient irrésistible.

Dans la troisième partie, la stratégie humaine a changé à vue d’œil. Au lieu de s’installer dans des structures connues, Lee Sedol a orienté l’ouverture vers le conflit immédiat : coups de contact dès les premiers coups, groupes coupés, goban parsemé de faiblesses non réglées des deux côtés. L’intention était claire : provoquer le chaos, accélérer le rythme et arracher la partie au contrôle calme et méthodique d’AlphaGo.

L’idée se comprend. Face à un système qui semble tout évaluer avec une précision tranquille, le réflexe naturel est de créer des positions où l’évaluation elle-même devient difficile. Le Go de combat a longtemps passé pour un bastion humain — un domaine d’intuition, de courage et de lecture émotionnelle de l’adversaire.

Mais l’expérience enseigne une leçon rude : changer radicalement de style sous la pression ne marche presque jamais.

Au fil de la partie, AlphaGo a géré les complications avec un sang-froid déconcertant. Ses groupes restaient légers. Les connexions arrivaient juste à temps. Les menaces étaient prises en compte, jamais surestimées. Là où un humain se sentirait obligé de poursuivre l’attaque ou de se défendre par précaution, la machine choisissait systématiquement le coup qui préservait sa souplesse.

Le combat s’est prolongé sur des dizaines de coups. Aucun groupe n’est mort. Aucun effondrement spectaculaire. AlphaGo est simplement sorti du chaos avec l’essentiel : un vaste cadre stable et un net avantage territorial. La bataille avait été féroce, l’issue est restée étrangement silencieuse.

L’analyse moderne a depuis confirmé une vérité désagréable. De toutes les parties du match contre Fan Hui, celle que Fan Hui a le mieux jouée était la première — avant que la pression et le désespoir ne s’installent. Sa précision a baissé à mesure qu’il forçait pour obtenir un résultat. Le même schéma s’est répété ici.

À la fin de la troisième partie, le score était de 3–0. Le match était joué. Pour la première fois, le monde du Go affrontait une conclusion à laquelle il ne s’était pas sérieusement préparé : une légende humaine au bord de la défaite totale, non par manque de talent, mais parce que l’adversaire ne craquait pas sous la pression.

Ce qui restait n’était plus un combat pour la victoire, mais une lutte pour le sens.

Quatrième partie : la réponse humaine

À la quatrième partie, l’issue du match ne faisait plus débat. Mené 3–0, Lee Sedol ne pouvait plus gagner : seulement rendre au récit un peu d’équilibre. Ce qui a suivi n’était pas une remise à plat stratégique, mais un relâchement psychologique. N’ayant plus rien à perdre, il a joué librement.

Pendant une bonne partie du jeu, tout indiquait qu’AlphaGo conclurait comme d’habitude. La machine s’est bâti une vaste sphère d’influence en haut du goban, tandis que Lee Sedol engrangeait efficacement des points ailleurs, laissant plusieurs pierres non stabilisées et comptant sur sa capacité à les sauver plus tard. Au fil du milieu de partie, AlphaGo a conservé une avance d’une dizaine de points — un écart qui, à ce niveau, annonce d’ordinaire un glissement tranquille vers la victoire.

Puis est venu un moment que personne, dans la salle, n’a su expliquer.

Dans une position qui paraissait scellée, Lee Sedol a trouvé un coup unique qui a réveillé un potentiel latent sur tout le goban. Il a activé des faiblesses qu’on croyait sans importance, relié des menaces lointaines en une seule idée et poussé AlphaGo en terrain inconnu. Ce coup ne menaçait pas seulement un résultat local : il remettait en cause toute l’évaluation de la position par la machine.

C’est le coup que la postérité retiendra sous le nom de coup 78.

Avec les outils d’IA d’aujourd’hui, bien plus puissants, les analystes savent une chose désagréable : objectivement, ce coup ne devrait pas fonctionner. Même après lui, Noir gardait une avance confortable. Mais ce savoir appartient au futur. Ce jour-là, contre cette version d’AlphaGo, le coup a touché un angle mort.

AlphaGo n’a pas trouvé la bonne réponse. Une imprécision en a entraîné une autre. Son jeu, jusque-là si assuré, est devenu hésitant et décousu. Lee Sedol a saisi l’occasion avec précision, transformant le chaos en clarté et sauvant des pierres qui, quelques instants plus tôt, semblaient condamnées.

Pour la première et unique fois du match, AlphaGo a lâché prise.

Lee Sedol a remporté la partie, et la réaction a été extraordinaire. Il avait déjà gagné de nombreux titres mondiaux, mais jamais une seule victoire n’avait été fêtée avec une telle intensité. La salle a croulé sous les applaudissements. Le soulagement, l’admiration et quelque chose qui ressemblait à un défi ont parcouru le public.

Le tableau affichait désormais 3–1. AlphaGo restait dominateur. Mais quelque chose d’essentiel avait été repris. Cette partie a prouvé qu’un système surhumain pouvait encore être surpris — non par la force brute, mais par une idée que personne d’autre ne voyait.

Après Lee Sedol : quand le plafond a disparu

Le match contre Lee Sedol terminé, DeepMind avait montré au monde une chose indiscutable : l’intelligence artificielle était désormais plus forte que n’importe quel joueur de Go humain. L’idée ancienne selon laquelle le Go constituait une ultime frontière réservée à l’homme venait de s’effondrer.

Mais l’histoire ne s’est pas arrêtée là.

La version d’AlphaGo qui a affronté Lee Sedol était déjà nettement plus forte que celle qui avait battu Fan Hui quelques mois plus tôt. D’où une question évidente : que se passerait-il si on laissait le système s’entraîner encore plus longtemps ?

La réponse est arrivée avant la fin de l’année.

En décembre 2016, un compte mystérieux est apparu sur le serveur de Go Tygem. Il a défié les joueurs les plus forts du monde — et les a tous battus. Soixante parties. Soixante victoires. Aucune explication au début, seulement une incrédulité silencieuse. Il est vite devenu clair qu’il s’agissait d’une nouvelle évolution du même projet, connue depuis sous le nom d’AlphaGo Master.

L’année suivante, AlphaGo Master a affronté le meilleur joueur chinois, Ke Jie, dans un match officiel. Le verdict a été sans appel : Ke Jie n’a jamais trouvé de prise. Le match s’est terminé 3–0. À ce stade, AlphaGo avait atteint ce qu’on ne peut qualifier que de niveau surhumain.

DeepMind ne s’est pas arrêté pour autant.

AlphaGo Zero et la fin des modèles humains

En 2017 est apparu un système radicalement différent : AlphaGo Zero. Contrairement à toutes les versions précédentes, il a été entraîné sans une seule partie humaine. Aucune base de données professionnelle. Aucune ouverture héritée. Aucune sagesse établie. Il a appris le Go entièrement à partir de zéro.

Au début, son jeu était chaotique — presque aléatoire. Mais à force de jouer contre lui-même sans relâche, il s’est forgé peu à peu sa propre compréhension du jeu. Avec le temps, il a dépassé toutes les versions antérieures d’AlphaGo. En confrontation directe, AlphaGo Zero a battu AlphaGo Master dans 89 parties sur 100.

La conclusion avait de quoi troubler. Selon les estimations, AlphaGo Zero était environ trois pierres plus fort que la version qui avait joué contre Lee Sedol. Si DeepMind avait attendu un an de plus avant d’organiser le match de Séoul, le résultat n’aurait été ni serré ni dramatique : il aurait sans doute été écrasant.

Une fois ce chantier monumental achevé, DeepMind a publié ses méthodes. D’autres développeurs ont pu reproduire le procédé, et il existe aujourd’hui plusieurs IA de Go surhumaines. À ce niveau, les différences n’ont plus grand sens. Même des outils gratuits comme KataGo jouent désormais bien au-dessus du niveau de n’importe quel professionnel.

Après le match, Lee Sedol est revenu sur ce qui s’était passé d’une façon qui a marqué beaucoup de joueurs de Go. Pendant des générations, on a cru que le Go était l’expression ultime de la créativité humaine. AlphaGo a bousculé cette croyance. Il a révélé à quel point le jeu humain était devenu prudent et convenu, façonné par des habitudes transmises du maître à l’élève, entretenu par la tradition plutôt que par l’exploration.

Ironie de l’histoire : maintenant que l’IA sert d’étalon de la perfection, les joueurs risquent de se figer tout autant — avec un autre catalogue de coups « corrects ».

Ce qu’AlphaGo a changé, ce n’est pas seulement la théorie de l’ouverture, même si cette transformation-là est irréversible. Des idées qui paraissaient scandaleuses en 2017 sont devenues, moins de dix ans plus tard, la pratique courante. Le changement profond tient au regard : le Go est devenu plus vaste que ses traditions, et la créativité n’est plus définie par la seule intuition humaine.

L’ampleur de ce basculement est telle qu’un seul article ne peut la contenir. Ses conséquences continuent de se déployer et méritent un examen à part entière.

Pour l’instant, le goban est toujours là. Les pierres aussi. Et le défi reste le même qu’avant : créer quelque chose qui ait du sens, même quand la perfection n’est plus humaine.