L'histoire d'AlphaGo : comment l'IA a conquis le jeu le plus difficile

Tous les jeux semblent connaître le même sort : à mesure que les ordinateurs progressent, ils nous dépassent — Chinook face à Marion Tinsley au jeu de dames (1994), Deep Blue face à Garry Kasparov aux échecs (1997).

Le Go semblait épargné : son facteur de branchement faisait s’effondrer la force brute, et pendant des années les programmes de Go sont restés très loin des joueurs humains forts.

Moins de vingt ans après Deep Blue, en 2015, DeepMind a dévoilé AlphaGo : en un an, il a renversé ces certitudes et imposé de repenser ce qu’« intuition » et « créativité » veulent dire au Go.

C’est à ce moment que l’ultime frontière du Go est devenue le terrain d’essai de l’IA.

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

Pourquoi le Go est différent

Avant de faire entrer l’IA en scène, un mot sur le jeu lui-même. Le Go associe des règles assez simples pour être expliquées en une minute à des positions qui basculent vite dans la surprise et l’incertitude — une combinaison qui a longtemps maintenu les ordinateurs très loin des joueurs forts.

Des règles simples, une complexité sans limite

Les joueurs posent des pierres noires et blanches sur les intersections vides : Noir commence, Blanc répond, et les tours alternent. Le but est de découper le goban en zones de territoire sûr, la capture n’étant qu’un moyen et non l’objectif. Les libertés d’une pierre sont les intersections vides qui lui sont adjacentes ; occupez-les toutes et la pierre quitte le goban. Exemple élémentaire : une pierre blanche isolée dispose de quatre intersections adjacentes ; dès que Noir les occupe toutes les quatre, la pierre est capturée. À partir de ce minuscule jeu de règles, l’arbre de décision du Go dépasse très vite tout calcul direct. Pour une introduction aux règles plus détaillée et pas à pas, voyez notre guide interactif.

×

Les premiers programmes de Go accusaient un retard considérable : quelques mois d’étude suffisaient à un humain pour dépasser les meilleurs moteurs de l’époque. La raison structurelle était simple : le Go offre trop de variantes pour qu’une recherche en force brute en vienne à bout. Le jeu réel repose sur un mélange de lecture locale et de sens de la position. Les positions sont si imprévisibles que les joueurs ne peuvent souvent pas tout lire précisément : ils choisissent alors des coups fondés sur l’intuition. Il a fallu de nouveaux algorithmes pour que les machines commencent à combler l’écart.

Le jeu à handicap permet au camp le plus faible de poser des pierres avant le premier coup — deux, trois, cinq ou davantage — pour que la partie garde du sens malgré l’écart de niveau. Ces mêmes dispositifs ont servi de test de résistance aux premiers moteurs. Même dans des positions qui leur semblaient largement favorables, le goban couvert de pierres noires, les programmes se faisaient encore battre par les humains sans grande difficulté. 

La percée

Pendant des années, la courbe est restée douce : de nouveaux algorithmes, de meilleurs programmes, des progrès réguliers mais sans éclat. Puis vint 2015, et la trajectoire s’est brusquement infléchie.

L’équipe de DeepMind a contacté Fan Hui, professionnel 2 dan originaire de Chine, installé en France et, surtout, triple champion d’Europe. Un premier test tout trouvé. En octobre 2015, les deux camps ont disputé un match en cinq parties. Comme la plupart des professionnels de l’époque, Fan Hui était sceptique : l’expérience disait qu’aucun programme ne pouvait réellement battre un humain fort. Cette attente s’est effondrée presque tout de suite. Dès la première partie, il était clair que le rapport de force avait changé, et le match s’est soldé par un score sans appel : cinq défaites en cinq parties. Le résultat a choqué beaucoup d’observateurs, sans pour autant donner au monde du Go le sentiment d’un basculement définitif ; beaucoup de joueurs soupçonnaient que le « vrai » duel entre l’homme et la machine restait à venir.

Une épreuve plus relevée devenait inévitable. L’adversaire de l’année suivante serait une légende : le Sud-Coréen Lee Sedol. En 2015, la comparaison qui circulait était celle du « Michael Jordan du Go » : dix-huit titres internationaux et un style agressif, intuitif. Avant le match, Lee a passé en revue les cinq parties de Fan Hui et, comme lui, n’a pas été convaincu ; le niveau affiché lui paraissait inférieur au sien, et il s’attendait à gagner sans forcer. Ce qu’il n’a pas vu venir, c’est l’entraînement supplémentaire d’AlphaGo avant leur rencontre — une préparation qui allait tout changer en mars 2016.

Lee Sedol contre AlphaGo

L’attente est montée tout au long du début 2016, jusqu’à ce que la question devienne culturelle autant que sportive : que se passe-t-il quand une légende vivante affronte une machine qui gagne en force entre deux sorties ? Les pronostics penchaient pour l’humain, et la plupart des paris allaient à Lee Sedol. L’événement a débordé la salle de jeu : commentaires en direct dans plusieurs langues, écrans géants dans les rues de Séoul transformées en salles de projection. Quand la première pierre est tombée sur le goban, cela ressemblait à un test grandeur nature de l’intuition humaine.

Partie 1 : combat précoce et un style de machine inattendu

L’idée reçue voulait qu’un programme évite le chaos précoce face à un professionnel de haut niveau. AlphaGo a fait l’inverse : un combat tranchant dès l’ouverture, précisément le scénario réputé favorable à l’humain — et une victoire d’une facilité déconcertante. Lee est resté interdit ; la vraie bataille, semblait-il, ne faisait que commencer.

Partie 2 : le coup 37, « impossible »

La deuxième partie a produit un moment qui a figé la salle. Au coup 37, la machine a choisi une suite que les humains « ne jouent pas ». Elle bafouait les bonnes manières les plus élémentaires, celles qu’on apprend comme des fondamentaux — et pourtant elle était là, sur le goban, tranquille et sans excuses. Les spectateurs sont restés sidérés : ce coup « a surpris tout le monde ». Selon la doctrine humaine, un tel choix « ne peut tout simplement pas se jouer ». Et pourtant, le système l’a joué, puis l’a fait fonctionner. À cet instant, le match a cessé d’être un référendum sur l’imitation de bases de données. Il est devenu la démonstration qu’un programme pouvait dépasser ses jeux de données d’origine, s’affranchir des parties humaines dont il avait appris et trouver quelque chose de créatif. La suite de la journée a confirmé le choc : AlphaGo a remporté la partie et mené 2–0, poussant Lee Sedol dans une zone où seules des idées extraordinaires pouvaient encore maintenir le match en vie.

Partie 3 : tenter de renverser la situation

Le match lui échappant, Lee a visé la seule voie qui restait : forcer les complications et déclencher un immense combat dès l’ouverture. Sans effet. AlphaGo s’est stabilisé, a gagné de nouveau, et à 3–0 le match était joué.

Partie 4 : le chef-d’œuvre humain, le coup 78

À la mi-parcours de la quatrième partie, le match semblait plié. AlphaGo menait d’une dizaine de points, un écart qui, à ce niveau, annonce d’ordinaire une fin tranquille. Puis, dans une position qui paraissait fermée aux miracles, Lee Sedol a trouvé une idée unique, saisissante, que personne sur place n’avait vue. Le coup a frappé l’angle mort du système. L’évaluation d’AlphaGo a vacillé, incapable de résoudre la position, et l’élan a changé de camp. Cette étincelle a un nom dans la mémoire du Go : le coup 78. Des analyses ultérieures, menées avec des IA bien plus fortes que la version de 2016, laissent penser que la tactique ne devrait pas fonctionner en théorie — mais contre cette version-là, ce jour-là, elle a fonctionné. Lee a converti son avantage et gagné. Au-delà du tableau d’affichage, la scène compte parce qu’elle dit quelque chose de l’esprit du match : les trois premières parties avaient montré une machine capable de force tranquille et d’inventions stupéfiantes ; la quatrième a montré que la créativité humaine pouvait encore fissurer l’armure. Elle reste l’unique victoire humaine contre cette machine, une exception devenue légende.

Partie 5 : sceller le match

La cinquième partie est arrivée avec un élan fraîchement renversé et les nerfs tendus des deux côtés. Lee a de nouveau appuyé, cherchant les complications et les moyens de rouvrir le goban. AlphaGo a répondu à la pression avec calme, échangé efficacement en milieu de partie et transformé un léger avantage en avance stable. Quand le décompte des territoires est devenu clair, Lee a abandonné. Le public avait vu à la fois le chef-d’œuvre humain de la partie précédente et la capacité du système à l’encaisser, puis à répondre dès la partie suivante.

Score final, portée durable

Le match s’est terminé 4–1. Derrière le score, un schéma inédit : une IA capable d’apprendre vite entre deux rencontres, de sortir des habitudes humaines et de tenir malgré la pression des projecteurs. C’est la semaine où l’homme a fini par perdre contre la machine au Go, et celle où la recherche créative d’une IA a cessé d’être une hypothèse pour devenir visible sur le goban.

Pour explorer l’héritage de ce match et ce qu’il signifie pour les joueurs d’aujourd’hui, lisez notre article « Lee Sedol et AlphaGo : l’héritage d’un combat historique ! »

D’AlphaGo à AlphaGo Zero

Après Séoul, des versions plus fortes ont continué d’arriver, mais le vrai tournant est venu un an plus tard, quand un système très différent est entré en scène avec un nouveau nom et un nouveau principe.

Ce nouveau système s’appelait AlphaGo Zero — « Zero » parce qu’il a appris le Go à partir de rien. Aucune archive de parties humaines, aucun joseki hérité, aucune habitude de professionnel : les règles de base, puis des parties contre lui-même sans relâche.

Au début, ses parties étaient affreuses selon les critères humains : des milliers de maladresses, des coups presque aléatoires. Mais la boucle d’apprentissage se moquait de l’élégance : seuls comptaient les résultats. Au fil de millions et de millions de parties contre lui-même, la force du système a grimpé régulièrement.

Le verdict a été sans détour : l’apprenti parti de zéro a dépassé toutes les versions entraînées sur des données humaines. Autrement dit, supprimer le point de départ humain, écarter le « facteur humain », s’est révélé meilleur pour la machine.

L’important n’était pas seulement la vitesse ou la force, mais la direction. Un système détaché des exemples humains pouvait explorer des suites que personne ne lui avait enseignées, trancher de vieilles questions par des choix assurés et banaliser des idées jugées jusque-là hétérodoxes. Des années plus tard, une IA de Go surhumaine se trouve dans la boîte à outils de chacun — bénédiction et malédiction pour la façon dont les joueurs étudient et dont le jeu évolue.

Pour installer les moteurs d’analyse modernes sur votre propre ordinateur, suivez notre guide pas à pas « Installer un logiciel d’analyse de parties de Go avec l’IA »

Au-delà du Go humain : un commencement, pas une fin

L’histoire ne se termine pas sur une note sombre. Cette victoire, il y a neuf ans, ne se résumait pas à apprendre à une machine à jouer au Go, au morpion ou à StarCraft. Elle a révélé une méthode : AlphaGo a montré comment entraîner correctement une IA à des tâches complexes.

En 2025, cette méthode va bien au-delà d’un goban 19×19 : des systèmes qui comprennent la parole humaine, génèrent des images et des vidéos, composent de la musique et bien plus encore font partie du quotidien. La frontière de la recherche reste pourtant ouverte — un chantier inachevé, dont on ignore jusqu’où il mènera notre espèce.

Autour du Go lui-même, la conversation s’élargit. On n’étudie plus seulement « comment jouer à ce jeu », mais aussi tout ce qui gravite autour du goban : la technologie, la créativité, les conséquences pour les joueurs et les passionnés. Le dernier mot n’est pas un point mais des points de suspension : d’un goban au monde entier, le prochain coup reste à écrire.