La storia di AlphaGo: come l'IA ha conquistato il gioco da tavolo più difficile
Every game seems to meet the same fate: as computers improve, they overtake us, from Chinook, which inherited Marion Tinsley’s checkers title in 1994 when illness forced him to withdraw from their rematch, to Deep Blue over Garry Kasparov in chess (1997).
Il Go sembrava immune: il suo fattore di ramificazione faceva crollare la forza bruta e per anni i programmi di Go sono rimasti molto più deboli dei giocatori forti.
Meno di vent’anni dopo Deep Blue, nel 2015, DeepMind ha presentato AlphaGo: nel giro di un anno quelle certezze erano ribaltate e il Go ha dovuto ripensare che cosa siano «intuito» e «creatività».
È stato il momento in cui il Go, ultima frontiera dell’IA, ne è diventato il banco di prova.
Questo articolo è tratto dal video del nostro canale Go Magic.
Perché il Go è diverso
Prima di parlare dell’IA vale la pena inquadrare il gioco. Il Go mette insieme regole che si spiegano in un minuto e posizioni che scivolano nella sorpresa e nell’incertezza: è questa combinazione che per molto tempo ha tenuto i computer lontanissimi dai migliori umani.
Regole semplici, complessità senza limiti
Players place black and white stones on empty intersections; Black plays first, White replies, and turns alternate. The aim is to divide the board into areas of secure territory, with captures as a means rather than the goal. A stone’s liberties are the empty intersections adjacent to it; fill them all and the stone is taken off the board. In a basic example, a lone white stone has four adjacent intersections; once Black occupies all four, the stone is captured. From that tiny ruleset, the game’s decision tree quickly outgrows straightforward calculation. For a deeper, step by step introduction to the rules, see our interactive guide.
I primi programmi di Go restavano molto indietro rispetto agli esseri umani: anche pochi mesi di studio potevano bastare per superare i motori più forti dell’epoca. Il motivo di fondo era semplice: il Go presenta troppe varianti perché una ricerca a forza bruta possa risolverlo. Nel gioco reale ci si affida a un misto di lettura locale e sensibilità. Le posizioni sono così imprevedibili che spesso non si riesce a calcolare tutto con precisione e la mossa si sceglie con l’intuito. Solo con i nuovi algoritmi le macchine hanno cominciato a colmare il divario.
Con l’handicap il giocatore più debole posa alcune pietre prima che la partita cominci, due, tre, cinque o anche di più, così resta interessante anche quando la differenza di forza è grande. Proprio queste posizioni sono diventate una prova durissima per i primi programmi. Anche in posizioni di partenza che sembravano schiaccianti, con il goban pieno di pietre nere, gli esseri umani battevano i programmi senza troppa fatica.
La svolta
Per anni la curva è salita piano: nuovi algoritmi, programmi migliori, progressi costanti ma poco appariscenti. Poi è arrivato il 2015 e la storia ha cambiato direzione di colpo.
Il team di DeepMind ha contattato Fan Hui, professionista 2 dan, originario della Cina e allora residente in Francia, e soprattutto tre volte campione europeo. Era un primo confronto naturale. Nell’ottobre 2015 i due hanno giocato un incontro di cinque partite. Fan Hui, come quasi tutti i professionisti dell’epoca, era scettico: l’esperienza diceva che nessun programma poteva davvero battere un giocatore forte. Quell’aspettativa è crollata quasi subito. Dopo la prima partita era chiaro che l’equilibrio si era spostato, e l’incontro si è chiuso con un cappotto: cinque sconfitte su cinque. Il risultato ha scioccato molti osservatori, eppure il mondo del Go non si è sentito travolto: in tanti sospettavano che non fosse ancora il «vero» confronto tra uomo e macchina.
Una prova più grande era inevitabile. L’anno dopo l’avversario sarebbe stato una leggenda: il sudcoreano Lee Sedol. Nel 2015 il paragone che girava era «il Michael Jordan del Go»: diciotto titoli internazionali e uno stile aggressivo e istintivo. Prima dell’incontro Lee ha analizzato le cinque partite di Fan Hui e, come Fan Hui prima di lui, non si è convinto: il livello che vedeva gli sembrava inferiore al suo, e si aspettava di vincere senza troppi problemi. Quello che non aveva previsto era l’allenamento in più di AlphaGo prima della sfida, una preparazione che avrebbe cambiato il quadro del marzo 2016.
Lee Sedol contro AlphaGo
L’attesa è cresciuta per tutto l’inizio del 2016, finché la domanda è diventata culturale prima ancora che sportiva: che cosa succede quando una leggenda vivente incontra una macchina che diventa più forte tra una sfida e l’altra? I pronostici pendevano dalla parte dell’uomo e la maggior parte delle scommesse andava su Lee Sedol. L’evento è uscito dalla sala di gioco: commento in diretta in più lingue, maxischermi all’aperto a Seul che trasformavano le strade in sale di proiezione. Quando la prima pietra è arrivata sul goban, sembrava un collaudo globale dell’intuito umano.
Partita 1: lotta fin dall’apertura e uno stile inatteso per una macchina
L’idea diffusa era che contro un professionista di vertice un programma dovesse evitare il caos dell’apertura. AlphaGo ha fatto l’opposto: ha ingaggiato un combattimento serrato fin dalle prime mosse, proprio lo scenario che si riteneva favorevole all’uomo, e ha vinto con una facilità disarmante. Lee è rimasto spiazzato, e la vera battaglia, a quel punto, sembrava appena cominciata.
Partita 2: la mossa 37 «impossibile»
La seconda partita ha prodotto un momento che ha congelato la sala. Alla mossa 37 la macchina ha scelto una linea che gli umani «non giocano». Andava contro i principi di base, quelle che si imparano come fondamentali, eppure era lì sul goban, tranquilla e senza scuse. Il pubblico è rimasto di stucco e la mossa «ha sorpreso tutti quelli che guardavano». Secondo la dottrina umana quella scelta «non si può proprio giocare». E invece il sistema l’ha giocata e poi l’ha fatta funzionare. In quell’istante l’incontro ha smesso di essere un referendum sull’imitazione di un database. È diventato la dimostrazione che il programma poteva andare oltre i suoi dati di partenza, superare le partite umane da cui aveva imparato e trovare qualcosa di creativo. Il resto della giornata ha confermato lo stupore. AlphaGo ha vinto la partita ed è andato sul 2–0: a quel punto solo idee straordinarie avrebbero tenuto vivo l’incontro per Lee Sedol.
Partita 3: il tentativo di ribaltare tutto
Con l’incontro che ormai scivolava via, Lee ha puntato sull’unica strada rimasta: complicare il gioco e attaccare battaglia già in apertura. Non ha funzionato. AlphaGo si è stabilizzato, ha vinto di nuovo e sul 3–0 l’incontro era di fatto finito.
Partita 4: il capolavoro umano, la mossa 78
A metà della quarta partita l’incontro sembrava deciso. AlphaGo era avanti di una decina di punti, un margine che a quel livello di solito annuncia una discesa tranquilla fino alla fine. Poi, in una posizione che sembrava chiusa a ogni miracolo, Lee Sedol ha trovato un’unica idea folgorante, che nessuno in sala vedeva. La mossa ha colpito il punto cieco del sistema: la valutazione di AlphaGo ha vacillato, non è riuscita a risolvere la posizione e l’inerzia si è ribaltata. Quella scintilla nel Go ha un nome: la mossa 78. Studi successivi, con IA molto più forti della versione del 2016, hanno indicato che in linea di principio quella tattica non dovrebbe funzionare; contro quella versione, quel giorno, ha funzionato. Lee ha trasformato il vantaggio in vittoria. Al di là del risultato, la scena conta perché ha detto qualcosa sullo spirito dell’incontro: le prime tre partite avevano mostrato una macchina capace di forza silenziosa e di invenzioni sorprendenti, la quarta ha mostrato che la creatività umana poteva ancora aprire una crepa nell’armatura. Resta l’unica vittoria umana contro quella macchina, un’eccezione diventata leggenda.
Partita 5: incontro chiuso
The fifth game arrived with momentum freshly shifted and nerves taut on both sides. Lee pressed again, looking for complications and ways to reopen the board. AlphaGo met the pressure with calm, traded efficiently in the middlegame, and turned a small edge into a stable lead. When the territorial count became clear, Lee resigned. The audience saw both the human masterpiece of the day before and the system’s ability to come back and win the very next game.
Il risultato finale e ciò che resta
The match ended 4–1. Beyond the scoreline was a new pattern: an AI that could step outside human habits and still deliver under the brightest lights. That was the week humans finally lost to machines at Go, and the week creative search by AI stopped being speculative and became visible on the board.
For a deeper look at the match’s legacy and what it means for players today, see our article “Lee Sedol and AlphaGo: The Legacy of a Historic Fight!”:
Da AlphaGo ad AlphaGo Zero
Dopo Seul sono arrivate versioni sempre più forti, ma la vera svolta è venuta un anno dopo, quando è salito sul palco un sistema molto diverso, con un nome nuovo e una premessa nuova.
Il nuovo sistema si chiamava AlphaGo Zero: «Zero» perché ha imparato il Go da zero. Nessun archivio di partite umane, nessun joseki ereditato, nessuna abitudine da professionista, solo le regole di base e poi partite contro sé stesso, senza sosta.
All’inizio le partite erano terribili per gli standard umani: migliaia di passi falsi, mosse quasi casuali. Ma al ciclo di apprendimento non interessava l’eleganza, interessavano i risultati. Con milioni e milioni di partite contro sé stesso, la forza del sistema è cresciuta di continuo.
Il risultato è stato netto: il sistema che imparava da zero ha superato tutte le versioni precedenti addestrate sui dati umani. In altre parole, togliere il punto di partenza umano, escludere il «fattore umano», ha funzionato meglio per la macchina.
Il punto non era solo la velocità o la forza, ma la direzione. Un sistema slegato dagli esempi umani poteva esplorare linee che nessuno gli aveva insegnato, rispondere con scelte sicure a domande aperte da decenni e rendere normali idee che prima sembravano eretiche. Anni dopo, le IA sovrumane fanno parte degli strumenti di tutti: una benedizione e una condanna per il modo in cui si studia e in cui il gioco si evolve.
Per installare sul tuo computer i moderni motori di analisi del Go, segui la nostra guida passo dopo passo «Installare i programmi per analizzare le partite di Go con l’IA»
Oltre il Go umano: un inizio, non una fine
La storia non finisce con una nota cupa. Quella vittoria di nove anni fa non ha significato solo insegnare a una macchina a giocare a Go, a tris o a StarCraft. Ha rivelato un metodo: AlphaGo ha mostrato come addestrare l’IA nel modo giusto per i compiti complessi.
Nel 2025 quel metodo va ben oltre un goban 19×19: sono ormai realtà quotidiana i sistemi che capiscono il linguaggio umano, generano immagini e video, compongono musica e molto altro. Eppure la frontiera della ricerca resta aperta: un lavoro incompiuto, di cui non si vedono né il limite né le conseguenze per la nostra specie.
Intorno al Go il discorso si allarga. Studiare non riguarda più solo il «come si gioca», ma anche le idee che ruotano attorno al goban: la tecnologia, la creatività, le conseguenze per i giocatori e per gli appassionati. L’ultima riga non si chiude con un punto, ma con dei puntini di sospensione: da un goban al mondo intero, la prossima mossa è ancora da scrivere.
Commenti