Lee Sedol contro AlphaGo: cosa è successo davvero nell'incontro

Per decenni il Go è rimasto un’eccezione: uno dei pochi giochi in cui le macchine non erano ancora riuscite a superare gli esseri umani. La sua profondità, l’intuito che richiede e la resistenza al calcolo a forza bruta lo facevano sembrare qualcosa di profondamente umano.

Quella certezza ha cominciato a incrinarsi nel 2015, quando DeepMind ha presentato AlphaGo: un sistema che non si limitava a calcolare, imparava.

Nel giro di pochi mesi ha battuto un professionista e nel marzo 2016 si è seduto di fronte a Lee Sedol, uno dei più grandi giocatori di Go della sua generazione, in un incontro che ha cambiato il modo di guardare al gioco.

Questo articolo ripercorre quella storia con gli occhi di un giocatore di Go: non codice e algoritmi, ma momenti, scelte e conseguenze.

Questo articolo è tratto da un video del nostro canale YouTube.

Più di un incontro: perché AlphaGo è diventato una storia

A prima vista gli incontri di AlphaGo sembrano l’ennesimo capitolo di una storia già nota: prima o poi i computer battono gli esseri umani in un altro gioco. Il copione era già noto. La dama è caduta negli anni Novanta, gli scacchi poco dopo. Quando è arrivato AlphaGo, in molti davano per scontato che toccasse al Go.

Ma il Go ha resistito a quel destino per decenni e, quando è successo, non è sembrato un normale passaggio di consegne. Gli incontri di AlphaGo sono diventati una storia non perché una macchina ha vinto, ma per come ha vinto e per quello che ha rivelato strada facendo.

Per chi gioca a Go il punto non è mai stato solo il risultato finale. Era l’intuito messo in discussione, erano le idee di sempre sulla «buona forma» e sul «gioco corretto» che crollavano in silenzio, era la scoperta scomoda che la creatività non era più un rifugio riservato agli esseri umani. Quelle partite hanno costretto i giocatori a mettere in dubbio abitudini che sembravano quasi senza tempo.

Per questo la storia di AlphaGo non si riduce a diagrammi e numeri di mossa. Si è svolta come un racconto: scetticismo, incredulità, riconoscimento graduale e infine accettazione. Molto prima che si parlasse di reti neurali e di cicli di addestramento, i giocatori di Go sentivano già che sul goban era cambiato qualcosa di profondo.

Che cos’era AlphaGo e perché in pochi si aspettavano un miracolo

AlphaGo è stato sviluppato da DeepMind, una società di ricerca del gruppo Google. Agli inizi, però, quel pedigree da solo non spaventava i professionisti di Go. I programmi miglioravano da anni in modo costante, ma restavano molto lontani dai migliori giocatori, e l’esperienza diceva che AlphaGo avrebbe seguito la stessa curva.

A grandi linee, il sistema era costruito in modo comprensibile anche a chi non è del mestiere. Si partiva da un grande archivio di partite umane, usato come materiale di allenamento e non come regola rigida. Diverse reti neurali lavoravano insieme. Una imparava a leggere le posizioni, a riconoscere gli schemi ricorrenti e a prevedere le mosse più probabili. Le sue previsioni erano tutt’altro che perfette: non verità assolute, piuttosto ipotesi ragionate. Abbastanza precise da servire, ben lontane dall’essere infallibili.

Accanto a questa, un’altra rete veniva addestrata su partite già concluse: le si mostrava una posizione e le si diceva chi aveva vinto da lì in avanti. Col tempo ha imparato a stimare chi fosse in vantaggio in una posizione qualsiasi. Anche qui la valutazione era imprecisa: all’inizio la precisione era modesta, più vicina al sessanta per cento che alla certezza. Ma non doveva essere perfetta, bastava che fosse abbastanza buona da guidare il passo successivo.

Il passo: giocare contro sé stesso.

Con questi strumenti di previsione ancora grezzi, AlphaGo ha cominciato a giocare un numero enorme di partite contro sé stesso. Ogni partita produceva nuovi dati. Ogni risultato tornava nel sistema e affinava il suo fiuto per capire quali scelte portavano al successo e quali no. Gli schemi venivano generalizzati, le ipotesi corrette, e il ciclo ripartiva da capo un’altra volta e un’altra ancora. È in questo processo, l’apprendimento per rinforzo, che la forza vera di AlphaGo ha cominciato a emergere, piano e in silenzio, ben oltre quello che un archivio statico poteva offrire.

Vale la pena sottolineare quanto tutto questo fosse ancora provvisorio. Va detto subito: questa descrizione salta un’infinità di dettagli tecnici: è una semplificazione voluta, un modo per dare l’idea senza affogare nella matematica. Chi conosce a fondo la materia troverà senz’altro buchi e scorciatoie nella spiegazione, e l’invito a segnalarli è sempre stato aperto.

Per la storia, però, conta come appariva AlphaGo in quella fase. Non era ancora il motore freddo e spietato che la gente avrebbe immaginato più tardi. Il suo gioco sembrava spesso umano in modo riconoscibile: seguiva aperture consolidate, faceva scelte prudenti e ogni tanto si lasciava sfuggire occasioni che oggi qualsiasi strumento di IA individua all’istante. Perfino i suoi creatori lo descrivevano come un progetto ancora in corso, non come un’arma finita.

Questo spiega perché le aspettative restassero modeste. I giocatori di Go avevano già visto programmi promettenti e li avevano smontati senza troppa fatica. AlphaGo, almeno sulla carta, sembrava l’ennesimo miglioramento graduale: notevole, forse, ma non rivoluzionario.

Quello che è successo dopo ha mostrato quanto quell’idea fosse sbagliata.

L’incontro con Fan Hui: la prima crepa nelle certezze umane

Prima che il mondo puntasse gli occhi su Seul, AlphaGo aveva già affrontato un professionista. Nell’ottobre 2015 DeepMind ha organizzato un incontro discreto, quasi in sordina, contro Fan Hui: professionista di Go nato in Cina, residente in Francia e tre volte campione europeo.

Sulla carta Fan Hui era una scelta sensata: forte senza discussioni, esperto, professionista a tutti gli effetti, ma senza l’aura quasi mitica riservata all’élite assoluta del Go in Asia orientale. Quando è arrivato l’invito, lo scetticismo è venuto da sé: i programmi avevano già sfidato dei professionisti e i risultati raramente facevano paura. Fan Hui ha accettato, aspettandosi con ogni probabilità un confronto combattuto ma gestibile.

Quell’aspettativa è svanita in fretta.

Partita dopo partita, AlphaGo ha vinto. Non di misura, non sfruttando una singola svista, ma in modo netto. L’incontro si è chiuso 5–0 per la macchina: era la prima volta che un professionista di Go subiva un cappotto da un’IA in un incontro alla pari.

Eppure l’onda d’urto è stata stranamente sommessa.

Nel mondo del Go il risultato ha suscitato mormorii, non panico. Qualcuno ha messo in dubbio la forza reale di Fan Hui. Altri hanno fatto notare che vivere e giocare soprattutto in Europa gli aveva smussato il filo rispetto ai professionisti asiatici. E c’era anche solidarietà: perdere cinque partite di fila contro una macchina è un peso psicologico enorme per chiunque.

Soprattutto, in molti non hanno letto quell’incontro come definitivo. AlphaGo aveva vinto, sì, ma forse non in modo significativo. La convinzione diffusa restava intatta: contro i migliori in assoluto quella macchina avrebbe vacillato.

Con il senno di poi, quel momento si legge come la quiete prima della tempesta: i segnali c’erano tutti, ed è stato comodo ignorarli.

Una macchina quasi umana: limiti ed errori del primo AlphaGo

Se la vittoria su Fan Hui non ha fatto scattare l’allarme, una ragione sta nel modo in cui AlphaGo giocava. Questa prima versione del sistema non assomigliava alla forza implacabile e disumana che oggi associamo al Go dell’IA.

Le sue aperture sembravano familiari. Sul goban comparivano joseki consolidati. Giocava senza esitare forme difensive che erano standard da decenni. In diverse posizioni AlphaGo sceglieva estensioni solide e prudenti che gli strumenti di IA di oggi considerano inefficienti o superflue. A un osservatore esperto gran parte della partita risultava rassicurante e riconoscibile.

Ancora più sorprendente: AlphaGo sbagliava.

Oggi, con motori di analisi molto più forti a disposizione, alcune sue scelte sono chiaramente tutt’altro che ottimali. Ci sono scambi mancati, punti urgenti ignorati e momenti in cui una mossa più incisiva avrebbe spostato l’equilibrio in modo più netto. In alcune partite l’analisi con l’IA moderna dice addirittura che, in certi tratti del medio gioco, Fan Hui ha giocato meglio di AlphaGo.

Non era ancora l’epoca della precisione spietata. Lo stile di AlphaGo rispecchiava la prudenza umana: preferiva una vittoria sicura al guadagno massimo e a volte si accontentava di territorio certo invece di spingere su vantaggi più grandi. Quella tendenza sarebbe stata poi interpretata come un tratto distintivo e non come un difetto, ma allora rafforzava un’illusione consolante: la macchina era forte, però ancora simile a noi, ancora imperfetta.

Visto attraverso quella lente, il 5–0 sembrava non tanto una profezia quanto un’anomalia. Il mondo del Go non aveva ancora capito che quella era solo una forma intermedia: un sistema che stava ancora imparando quanto lontano dalle abitudini umane potesse spingersi.

La prova vera, secondo molti, doveva ancora cominciare.

Lee Sedol prima dell’incontro: la sicurezza di una leggenda

Quando DeepMind ha annunciato che il prossimo avversario di AlphaGo sarebbe stato Lee Sedol, il quadro è cambiato di colpo. Non era più una prova discreta contro un professionista forte: era un confronto pubblico con una delle figure simbolo del Go moderno.

Nel 2016 la fama di Lee Sedol era ormai consolidata. Più volte campione del mondo, noto per lo spirito combattivo e per il modo creativo di risolvere le posizioni, incarnava un ideale tutto umano di maestria nel Go. Se altri giocatori erano ammirati per solidità ed efficienza, Lee faceva paura per la capacità di complicare le posizioni, trovare risorse impreviste e trasformare il caos in occasione. Contro avversari umani quello stile gli aveva fatto vincere titoli su titoli.

Naturalmente Lee ha analizzato le partite di AlphaGo contro Fan Hui. Quello che ha visto non lo ha turbato: la macchina sembrava forte, non travolgente. Nel suo gioco restavano imprecisioni visibili, e certe scelte apparivano prudenti, quasi timide. Dal punto di vista di Lee Sedol la conclusione era ovvia: AlphaGo aveva battuto un professionista, ma non questo professionista.

In pubblico si è detto sicuro. In privato l’unico dubbio che ammetteva riguardava il risultato finale: l’incontro sarebbe finito 5–0 o 4–1 per lui? L’ipotesi che AlphaGo potesse dominarlo non entrava seriamente nel discorso.

Quello che Lee, come tutti gli altri, non poteva vedere era successo nei mesi tra l’ottobre 2015 e il marzo 2016. In quel periodo AlphaGo è stato addestrato senza sosta: milioni e milioni di partite contro sé stesso ne hanno affinato il giudizio, ridotto le debolezze e ricostruito la comprensione del goban. Nessun osservatore esterno aveva accesso a quei risultati. La macchina che si sarebbe seduta a Seul non era la stessa che aveva giocato contro Fan Hui.

Quell’asimmetria di informazioni pesava. Lee Sedol avrebbe scoperto la forza vera di AlphaGo solo con le prime pietre sul goban. Fino ad allora la sicurezza riempiva il vuoto lasciato dall’incertezza, ed era una sicurezza condivisa da gran parte del mondo del Go.

La scena era pronta per una resa dei conti che in pochi immaginavano potesse finire in quel modo.

Seul, partita 1: il piano fallisce subito

Quando l’incontro è cominciato, nel marzo 2016, l’attesa aveva superato da un pezzo i confini del mondo del Go. Le partite andavano in diretta, il commento correva in più lingue e le proiezioni pubbliche riempivano sale e piazze a Seul. Non era più solo un incontro tra professionisti: era diventato un momento culturale, raccontato come una prova dell’intuito umano contro il calcolo della macchina.

La prima partita è cominciata con calma. Lee Sedol ha preso un ritmo rilassato, con la sicurezza di chi crede di aver capito i rapporti di forza. Le prime posizioni sembravano favorevoli: Nero aveva punti solidi, Bianco appariva leggero e sparpagliato, e i commentatori descrivevano la partita come comoda per la parte umana.

Poi AlphaGo ha fatto una cosa inattesa.

Invece di evitare le complicazioni, ha aperto un combattimento fin dalle prime mosse: ha tagliato, ha minacciato di tagliare con un nozoki e ha separato le pietre in modo da costringere Lee Sedol a tenere in piedi più gruppi deboli insieme. Il goban si è fatto teso quasi subito. Anziché puntare su territorio tranquillo, la macchina ha spinto la partita nell’instabilità, esattamente il tipo di posizione in cui la creatività umana avrebbe dovuto brillare.

Dalla postazione dei commentatori arrivavano rassicurazioni: la situazione sembrava complessa ma gestibile, e Lee Sedol era famoso per trovarsi a suo agio nel caos. Eppure, con il medio gioco, si è visto uno spostamento sottile. AlphaGo non stava solo sopravvivendo alle complicazioni: le stava controllando. Ogni scaramuccia locale si chiudeva appena a suo favore, e la somma cominciava a farsi sentire.

L’analisi con l’IA moderna avrebbe poi confermato quello che in pochi vedevano dal vivo: fin dalle primissime fasi la partita era comoda per Bianco. L’equilibrio apparente ingannava. Il vantaggio di AlphaGo, piccolo all’inizio, è cresciuto senza sosta dopo il primo combattimento.

By the time the endgame arrived, the outcome was no longer in doubt. AlphaGo secured the win with calm efficiency, making conservative choices that prioritized certainty over spectacle. Lee resigned before the final count, but the psychological impact was anything but modest.

Per la prima volta Lee Sedol si è trovato davanti una posizione che non poteva ribaltare. La sconfitta in sé sorprendeva. Il modo in cui era arrivata inquietava. AlphaGo non aveva vinto con la forza bruta né sfruttando una singola svista: aveva dettato il carattere della partita fin dall’apertura.

L’incontro era appena cominciato e già le certezze di partenza scricchiolavano.

La presa di coscienza: AlphaGo giocava in modo creativo

Se la prima partita ha scosso le aspettative, la seconda le ha smontate.

All’inizio non c’era niente di strano: l’apertura si sviluppava senza scosse, le posizioni restavano equilibrate e Lee Sedol seguiva un piano familiare, costruendo influenza e tenendo aperte le opzioni. Nessun pericolo immediato, nessun passo falso evidente. Poi AlphaGo ha giocato una mossa che ha congelato la sala.

Non era solo inattesa: sembrava sbagliata.

Un colpo di spalla (kata-tsuki) sulla quinta linea andava contro gli istinti di base del Go. Di solito quella mossa serve a spingere verso il basso le pietre avversarie e a ridurne l’influenza; qui sembrava fare l’opposto, cioè regalare territorio invece di limitarlo. I commentatori esitavano, gli spettatori guardavano senza parole, e perfino professionisti esperti faticavano a spiegare quello che vedevano.

Eppure la mossa funzionava.

Piano piano il suo scopo è emerso. Quella pietra non puntava al guadagno immediato: collegava zone lontane del goban, sosteneva più gruppi deboli insieme e preparava in silenzio attacchi futuri. Quella che sembrava una concessione si è trasformata in una posizione di notevole armonia. AlphaGo non aveva seguito le convenzioni umane, ma una logica: una logica che andava oltre gli schemi consolidati.

È il momento in cui il racconto ha cambiato direzione.

Fino a quel punto si poteva ancora credere che AlphaGo fosse un imitatore rapidissimo e disciplinato, capace solo di ricombinare idee prese dalle partite umane. Lì quella spiegazione è crollata. Nessun professionista avrebbe scelto quella mossa. Nessun manuale la suggeriva. Eppure la macchina l’aveva trovata da sola e ci credeva abbastanza da giocarla davanti al mondo.

Dopo la partita è stato lo stesso Lee Sedol a riconoscerne il peso. Non era un sistema che frugava alla cieca in un archivio: era capace di idee originali e valutava le posizioni in modi che gli esseri umani non capivano ancora.

L’equilibrio psicologico dell’incontro è cambiato per sempre. AlphaGo ha vinto la seconda partita ed è andato sul 2–0, ma il punteggio raccontava solo una parte della storia. La perdita più profonda era concettuale: una convinzione di lunga data, che la creatività fosse l’ultima barriera invalicabile per le macchine, era appena caduta.

Da quel momento in poi la domanda non era più se AlphaGo potesse vincere, ma se la parte umana riuscisse a trovare qualcosa che la macchina non avesse già visto.

Pressione e adattamento: quando cambiare stile si ritorce contro

Sotto 2–0, l’incontro è entrato in una zona psicologica pericolosa. A quel livello non si combatte solo contro la posizione sul goban, ma anche contro i propri istinti. La tentazione di fare qualcosa di diverso diventa irresistibile.

Nella terza partita la strategia umana è cambiata in modo evidente. L’apertura non si è adagiata su strutture familiari, ma è stata spinta verso il conflitto immediato: contatti già nelle prime mosse, gruppi separati, goban pieno di debolezze irrisolte da entrambe le parti. L’intenzione era chiara: forzare il caos, accelerare il ritmo e portare la partita fuori dal controllo calmo e metodico di AlphaGo.

L’idea si capisce. Contro un sistema che sembra valutare tutto con precisione silenziosa, la risposta naturale è creare posizioni in cui valutare diventa difficile. Il Go di combattimento è stato a lungo considerato una roccaforte umana: terreno di intuito, coraggio e lettura emotiva dell’avversario.

Ma l’esperienza insegna una lezione dura: cambiare il proprio stile di fondo sotto pressione funziona di rado.

Mentre la partita andava avanti, AlphaGo ha gestito le complicazioni con una calma che metteva a disagio. I gruppi restavano leggeri. Le connessioni arrivavano appena in tempo. Le minacce venivano riconosciute, senza mai una reazione eccessiva. Dove un umano si sarebbe sentito in obbligo di insistere nell’attacco o di difendersi in anticipo, la macchina sceglieva sempre la mossa che teneva aperte le opzioni.

Il combattimento è andato avanti per decine di mosse. Nessun gruppo è morto, nessun crollo clamoroso. Alla fine AlphaGo è uscito dal caos con quello che contava di più: una struttura ampia e stabile, e un chiaro vantaggio di territorio. La battaglia era stata durissima, ma l’esito è arrivato in modo stranamente silenzioso.

L’analisi moderna avrebbe poi confermato una verità scomoda. Tra tutte le partite del precedente incontro con Fan Hui, quella che Fan Hui ha giocato meglio è stata la prima, quando ancora non erano arrivate la pressione e la disperazione. La sua precisione è calata man mano che cercava di forzare il risultato. Qui si è ripetuto lo stesso schema.

Alla fine della terza partita il punteggio diceva 3–0 e l’incontro era di fatto deciso. Per la prima volta il mondo del Go si trovava davanti a una conclusione a cui non si era preparato sul serio: una leggenda umana era a un passo dal cappotto, non perché le mancasse il talento, ma perché l’avversario non si incrinava sotto pressione.

Quello che restava non era più una lotta per la vittoria, ma una lotta per il senso.

Partita 4: la risposta umana

Alla quarta partita l’esito dell’incontro non era più in discussione. Sotto 3–0, Lee Sedol non poteva più vincere: poteva solo rimettere in equilibrio il racconto. Quello che è arrivato non è stato un cambio di strategia, ma una liberazione psicologica. Senza più niente da perdere, ha giocato in libertà.

Per gran parte della partita è sembrato che AlphaGo dovesse chiudere come al solito. La macchina ha costruito un’ampia sfera d’influenza in alto sul goban, mentre Lee Sedol raccoglieva punti altrove con efficienza, lasciando diverse pietre in sospeso e fidandosi della propria capacità di salvarle più tardi. Con il medio gioco AlphaGo ha tenuto un vantaggio di una decina di punti: a quel livello, un margine che di solito annuncia una discesa tranquilla verso la vittoria.

Poi è arrivato un momento che in sala nessuno sapeva spiegare.

In una posizione che sembrava chiusa, Lee Sedol ha trovato una sola mossa che ha fatto esplodere un potenziale nascosto su tutto il goban. Ha attivato debolezze che parevano irrilevanti, ha legato minacce lontane in un’unica idea e ha spinto AlphaGo su un terreno sconosciuto. Quella mossa non minacciava solo un esito locale: metteva in discussione tutta la valutazione che la macchina dava della posizione.

È la mossa che sarebbe passata alla storia come la mossa 78.

Oggi, con strumenti di IA molto più forti, gli analisti sanno una cosa scomoda: oggettivamente quella mossa non dovrebbe funzionare. Anche dopo, Nero era ancora in vantaggio con un margine comodo. Ma è una conoscenza che appartiene al futuro: quel giorno, contro quella versione di AlphaGo, la mossa ha colpito un punto cieco.

AlphaGo non ha trovato la risposta giusta. A una scelta imprecisa ne è seguita un’altra. Il gioco della macchina, fino ad allora sicurissimo, è diventato incerto e disordinato. Lee Sedol ha colto l’occasione con precisione, ha trasformato il caos in chiarezza e ha salvato pietre che un attimo prima sembravano spacciate.

Per la prima e unica volta nell’incontro, AlphaGo ha perso la presa.

Lee Sedol ha vinto la partita, e la reazione è stata straordinaria. Aveva già vinto molti titoli mondiali, eppure nessuna vittoria era mai stata festeggiata con quell’intensità. La sala si è riempita di applausi. Tra il pubblico correvano sollievo, ammirazione e qualcosa che somigliava alla sfida.

Il tabellone diceva ancora 3–1 e AlphaGo restava dominante. Ma qualcosa di vitale era stato riconquistato: quella partita ha dimostrato che perfino un sistema sovrumano poteva essere sorpreso, non dalla forza bruta, ma da un’idea che nessun altro riusciva a vedere.

Oltre Lee Sedol: quando il tetto è sparito

Chiuso l’incontro con Lee Sedol, DeepMind aveva mostrato al mondo una cosa inequivocabile: l’intelligenza artificiale era ormai più forte di qualsiasi giocatore di Go umano. L’idea di lunga data che il Go fosse l’ultima frontiera riservata agli esseri umani alla fine era crollata.

Ma la storia non si è fermata lì.

La versione di AlphaGo che ha affrontato Lee Sedol era già molto più forte di quella che aveva battuto Fan Hui pochi mesi prima. La domanda veniva da sé: che cosa sarebbe successo dando al sistema ancora più tempo per allenarsi?

La risposta è arrivata prima della fine dell’anno.

Nel dicembre 2016 sul server di Go Tygem è comparso un account nuovo e misterioso. Ha sfidato i giocatori più forti del mondo e li ha battuti tutti. Sessanta partite. Sessanta vittorie. All’inizio nessuna spiegazione, solo un’incredulità silenziosa. Presto è stato chiaro che si trattava dell’ennesima evoluzione dello stesso progetto, quella che sarebbe stata chiamata AlphaGo Master.

L’anno dopo AlphaGo Master ha affrontato il giocatore più forte della Cina, Ke Jie, in un incontro ufficiale. Il risultato è stato netto: Ke Jie non ha mai trovato un appiglio e l’incontro si è chiuso 3–0. A quel punto AlphaGo aveva raggiunto un livello che si può solo definire sovrumano.

DeepMind, però, non si è fermata.

AlphaGo Zero e la fine dei modelli umani

Nel 2017 è arrivato un sistema radicalmente diverso: AlphaGo Zero. A differenza di tutte le versioni precedenti, è stato addestrato senza una sola partita umana. Nessun archivio di professionisti. Nessuna apertura ereditata. Nessuna saggezza consolidata. Ha imparato il Go da zero.

All’inizio il suo gioco era caotico, quasi casuale. Ma giocando senza sosta contro sé stesso ha costruito piano piano una comprensione tutta sua del gioco. Col tempo ha superato ogni versione precedente di AlphaGo. Nel confronto diretto, AlphaGo Zero ha battuto AlphaGo Master in 89 partite su 100.

La conseguenza era inquietante. Le stime dicevano che AlphaGo Zero fosse circa tre pietre più forte della versione che aveva giocato contro Lee Sedol. Se DeepMind avesse aspettato un altro anno prima di organizzare l’incontro di Seul, il risultato non sarebbe stato drammatico né in bilico: con ogni probabilità sarebbe stato schiacciante.

Concluso questo lavoro monumentale, DeepMind ha pubblicato i suoi metodi. Altri sviluppatori hanno potuto replicare il processo e oggi esistono diverse IA di Go sovrumane. A quel livello le differenze contano poco: perfino strumenti gratuiti come KataGo giocano ormai molto al di sopra di qualsiasi professionista.

Dopo l’incontro Lee Sedol ha commentato quello che era successo con parole che hanno colpito nel profondo molti giocatori di Go. Per generazioni si è creduto che il Go fosse la massima espressione della creatività umana. AlphaGo ha messo in discussione quella convinzione: ha mostrato quanto il gioco umano fosse diventato prudente e convenzionale, plasmato da abitudini passate di maestro in allievo e rafforzato dalla tradizione più che dall’esplorazione.

Il paradosso è che oggi, con l’IA come metro della perfezione, i giocatori rischiano di irrigidirsi di nuovo, solo con un altro elenco di mosse «giuste».

Alla fine AlphaGo non ha cambiato solo la teoria dell’apertura, per quanto quella trasformazione sia stata irreversibile: idee che nel 2017 sembravano scandalose sono diventate pratica corrente in meno di dieci anni. Il cambiamento più profondo sta nello sguardo. Il Go è diventato più grande delle sue tradizioni, e la creatività non è più definita dal solo intuito umano.

La portata di questo cambiamento è troppo vasta per stare in un solo articolo. Le sue conseguenze si stanno ancora dispiegando e meritano un discorso a parte.

Per ora restano il goban e le pietre. E resta la sfida di sempre: creare qualcosa che abbia senso, anche quando la perfezione non è più umana.