Lee Sedol vs. AlphaGo: o que realmente aconteceu no duelo

Durante décadas, o Go ficou de fora da lista de jogos em que as máquinas acabaram superando os humanos. A profundidade, a intuição e a resistência ao cálculo de força bruta faziam dele algo genuinamente humano.

Essa confiança começou a rachar em 2015, quando a DeepMind apresentou o AlphaGo — um sistema que não apenas calculava: aprendia.

Em poucos meses, ele derrotou um jogador profissional e, em março de 2016, enfrentou Lee Sedol, um dos maiores jogadores de Go de sua geração, num duelo que mudou a forma de entender o próprio jogo.

Este artigo revisita essa história pelo olhar de um jogador de Go. O foco não está no código nem nos algoritmos, e sim nos momentos, nas decisões e nas consequências.

Este artigo é uma adaptação de um vídeo do nosso canal do YouTube.

Mais que um duelo: por que o AlphaGo virou história

À primeira vista, os duelos do AlphaGo parecem só mais um capítulo de uma história conhecida: os computadores acabam derrotando os humanos em mais um jogo. Esse roteiro já tinha se repetido antes. As damas caíram nos anos 1990. O xadrez veio logo depois. Quando o AlphaGo apareceu, muita gente imaginou que o Go seria o próximo da lista.

Mas o Go resistiu a esse destino por décadas e, quando finalmente aconteceu, não pareceu uma passagem de bastão rotineira. Os duelos do AlphaGo viraram história não porque uma máquina venceu, mas por como ela venceu — e pelo que isso revelou no caminho.

Para um jogador de Go, o significado nunca esteve só no placar final. Estava na intuição posta à prova, nas ideias antigas sobre “forma boa” e “jogada correta” que desmoronavam em silêncio e na constatação incômoda de que a criatividade tinha deixado de ser um refúgio exclusivamente humano. As partidas obrigaram os jogadores a rever hábitos que pareciam quase eternos.

Por isso a história do AlphaGo não cabe em diagramas e números de jogadas. Ela se desenrolou como narrativa: ceticismo, incredulidade, reconhecimento aos poucos e, enfim, aceitação. Muito antes de se falar em redes neurais e pipelines de treinamento, os jogadores de Go já sentiam que algo essencial tinha mudado no tabuleiro.

O que era o AlphaGo — e por que poucos esperavam um milagre

O AlphaGo foi desenvolvido pela DeepMind, uma empresa de pesquisa que faz parte do Google. No começo, porém, esse currículo por si só não assustava os jogadores profissionais de Go. Havia anos que os programas melhoravam de forma constante, mas continuavam muito atrás dos melhores humanos, e a experiência sugeria que o AlphaGo seguiria a mesma trajetória.

Em linhas gerais, o sistema foi montado de um jeito que até quem não é técnico consegue acompanhar. Tudo começava com um enorme banco de partidas humanas de Go, usado como material de treino e não como manual rígido. Várias redes neurais trabalhavam juntas. Uma delas aprendeu a varrer posições, reconhecer padrões recorrentes e prever as jogadas mais prováveis. As previsões estavam longe de ser perfeitas — não eram verdade absoluta, e sim palpites bem fundamentados. Precisas o bastante para servir, mas nem de longe infalíveis.

Em paralelo, outra rede foi treinada com partidas já encerradas. Ela via posições e ficava sabendo quem tinha vencido a partir dali. Com o tempo, aprendeu a estimar qual lado estava melhor em qualquer posição. De novo, a avaliação era imprecisa: no início a acurácia era modesta, às vezes mais perto de sessenta por cento do que da certeza. Mas não precisava ser perfeita. Bastava ser boa o suficiente para orientar o passo seguinte.

Esse passo: jogar contra si mesmo.

Munido dessas ferramentas de previsão ainda grosseiras, o AlphaGo começou a jogar um número gigantesco de partidas contra si mesmo. Cada partida gerava dados novos. Cada resultado voltava para o sistema e refinava a noção de quais decisões levavam ao sucesso e quais não. Os padrões eram generalizados, as suposições ajustadas, e o ciclo inteiro se repetia sem parar. É nesse processo — o aprendizado por reforço — que a força real do AlphaGo começou a aparecer, devagar e em silêncio, muito além do que um banco de dados estático poderia oferecer.

Vale reforçar o quanto tudo isso ainda era provisório. Como os próprios criadores admitem, essa descrição passa por cima de inúmeros detalhes técnicos. É uma simplificação proposital — um jeito de esboçar a ideia sem afundar na matemática. Quem conhece a área a fundo com certeza vai achar lacunas e atalhos na explicação, e o convite para apontá-los sempre esteve de pé.

O que importa para a história, porém, é como o AlphaGo parecia naquela época. Ele ainda não era a máquina fria e impiedosa que se imaginaria depois. As jogadas dele muitas vezes tinham cara humana. Seguia aberturas consagradas, fazia escolhas conservadoras e às vezes deixava passar oportunidades que as ferramentas de IA de hoje identificam na hora. Os próprios criadores o descreviam como um trabalho em andamento, não como uma arma pronta.

Esse contexto explica por que as expectativas seguiram modestas. Os jogadores de Go já tinham visto programas promissores antes e os tinham desmontado com relativa facilidade. No papel, o AlphaGo parecia mais um avanço incremental — impressionante, talvez, mas não revolucionário.

O que veio depois mostrou o tamanho do engano.

O duelo com Fan Hui: a primeira rachadura na confiança humana

Antes de o mundo virar os olhos para Seul, o AlphaGo já tinha enfrentado um adversário profissional. Em outubro de 2015, a DeepMind organizou um duelo discreto, quase de bastidores, contra Fan Hui — profissional de Go nascido na China, radicado na França e tricampeão europeu.

No papel, Fan Hui era uma escolha sensata: forte sem discussão, experiente, profissional de carteirinha, mas sem a aura quase mítica reservada à elite absoluta do Go do Leste Asiático. Quando o convite chegou, o ceticismo veio junto. Programas já tinham desafiado profissionais antes, e os resultados raramente assustavam. Fan Hui topou jogar, provavelmente esperando um encontro competitivo, porém administrável.

A expectativa se desfez rápido.

Partida após partida, o AlphaGo venceu. Não no fio do bigode, não explorando um deslize isolado, mas com folga. O duelo terminou 5 a 0 para a máquina — a primeira vez que um jogador profissional de Go levava uma varrida completa de uma IA em partidas equilibradas.

Ainda assim, o impacto foi estranhamente abafado.

Na comunidade do Go, o resultado gerou sussurros, não pânico. Alguns questionaram a força real de Fan Hui. Outros sugeriram que viver e competir sobretudo na Europa tinha deixado o jogo dele menos afiado que o dos profissionais asiáticos. Havia também solidariedade — perder cinco partidas seguidas para uma máquina é um peso psicológico enorme para qualquer jogador.

Mais importante: muitos jogadores não leram o duelo como definitivo. O AlphaGo tinha vencido, sim, mas talvez não de forma significativa. A crença dominante seguia intacta: diante dos melhores humanos, aquela máquina ia tropeçar.

Em retrospecto, esse momento se lê como a calmaria antes da tempestade — o ponto em que os sinais de alerta estavam à vista e foram confortavelmente ignorados.

Uma máquina com jeito humano: os limites e os erros do primeiro AlphaGo

A vitória do AlphaGo sobre Fan Hui não acendeu o alarme, e parte da explicação estava no jeito de jogar. Aquela versão inicial do sistema não lembrava em nada a força implacável e desumana que depois passaria a definir a IA no Go.

As aberturas eram familiares. Joseki consagrados apareciam no tabuleiro. Formas defensivas que eram padrão havia décadas surgiam sem hesitação. Em várias posições, o AlphaGo escolheu extensões sólidas e conservadoras que as ferramentas de IA de hoje consideram ineficientes ou desnecessárias. Para um observador experiente, boa parte da partida parecia confortavelmente reconhecível.

Mais impressionante: o AlphaGo errava.

Vistas de hoje, com programas de análise muito mais fortes à mão, algumas decisões são claramente ruins. Houve trocas perdidas, pontos urgentes ignorados e momentos em que uma jogada mais afiada teria mexido no equilíbrio de forma mais decisiva. Em certas partidas, a análise moderna de IA chega a indicar que Fan Hui jogou melhor que o AlphaGo em trechos do meio-jogo.

Ainda não era a era da precisão impiedosa. O estilo do AlphaGo espelhava a cautela humana: preferia caminhos seguros para a vitória em vez do ganho máximo e às vezes se contentava com território garantido em vez de forçar vantagens maiores. Essa tendência seria entendida depois como traço característico, não como defeito, mas na época ela reforçou uma ilusão confortável: a máquina era forte, mas ainda humana, ainda imperfeita.

Por esse ângulo, o 5 a 0 parecia menos uma profecia e mais uma anomalia. O mundo do Go ainda não tinha entendido que aquilo era só uma forma intermediária — um sistema que ainda estava descobrindo o quanto podia ir além dos hábitos humanos.

Para muitos, o teste de verdade ainda estava por vir.

Lee Sedol antes do duelo: a confiança de uma lenda

Quando a DeepMind anunciou que o próximo adversário do AlphaGo seria Lee Sedol, o contexto mudou na hora. Já não era um teste discreto contra um profissional forte, e sim um confronto público com uma das figuras que definem o Go moderno.

Em 2016, a reputação de Lee Sedol já estava consolidada. Multicampeão mundial, conhecido pelo espírito de luta e pelas soluções criativas, ele encarnava um ideal bem humano de maestria no Go. Enquanto alguns jogadores eram admirados pela estabilidade e pela eficiência, Lee era temido pela capacidade de complicar posições, achar recursos inesperados e transformar o caos em oportunidade. Contra adversários humanos, esse estilo rendeu a ele incontáveis títulos.

Naturalmente, Lee estudou as partidas do AlphaGo contra Fan Hui. O que viu não o assustou. A máquina parecia forte, mas não avassaladora. As jogadas ainda tinham imprecisões visíveis. Algumas escolhas soavam conservadoras, até tímidas. Do ponto de vista de Lee Sedol, a conclusão parecia óbvia: o AlphaGo tinha batido um profissional, mas não este profissional.

Em público, demonstrava confiança. Em particular, a única dúvida que admitia era o placar final: o duelo terminaria 5 a 0 ou 4 a 1 a seu favor? A hipótese de o AlphaGo dominá-lo por completo nem entrava na conversa.

O que Lee — e todo mundo — não podia ver era o que tinha acontecido entre outubro de 2015 e março de 2016. Nesse intervalo, o AlphaGo foi treinado sem trégua. Milhões e milhões de partidas contra si mesmo afinaram o julgamento, reduziram as fraquezas e reformularam a compreensão do tabuleiro. Nenhum observador de fora teve acesso a esses resultados. A máquina que sentaria à mesa em Seul não era a mesma que enfrentara Fan Hui.

Essa assimetria de informação pesou. Lee Sedol só descobriria a força real do AlphaGo quando as primeiras pedras caíssem no tabuleiro. Até lá, a confiança preencheu o vazio da incerteza — uma confiança compartilhada por quase todo o mundo do Go.

O palco estava montado para um acerto de contas cujo desfecho quase ninguém imaginava.

Seul, primeira partida: quando o plano falhou de cara

Quando o duelo começou, em março de 2016, a expectativa já tinha extrapolado a comunidade do Go. As partidas foram transmitidas ao vivo, os comentários saíam em vários idiomas e telões públicos tomaram salões e praças de Seul. Aquilo deixou de ser só um duelo profissional: virou um momento cultural, apresentado como um teste da intuição humana contra o cálculo da máquina.

A primeira partida começou tranquila. Lee Sedol entrou num ritmo relaxado, jogando com a confiança de quem achava que entendia a relação de forças. As posições iniciais pareciam favoráveis: as Pretas tinham pontos sólidos, as Brancas estavam leves e espalhadas, e os comentaristas descreviam a partida como confortável para o lado humano.

Então o AlphaGo fez algo inesperado.

Em vez de fugir das complicações, ele começou uma luta cedo. Cortou, deu espiadas e separou pedras de um jeito que obrigou Lee Sedol a equilibrar vários grupos fracos ao mesmo tempo. O tabuleiro ficou tenso quase na hora. A máquina não levou a partida para um território calmo: empurrou o jogo para a instabilidade — exatamente o tipo de posição em que a criatividade humana deveria brilhar.

Na bancada dos comentaristas, o tom seguia tranquilizador: a situação parecia complexa, mas administrável. Afinal, Lee Sedol era conhecido por se dar bem no caos. Só que, conforme o meio-jogo avançava, uma mudança sutil ficou visível. O AlphaGo não estava apenas sobrevivendo às complicações: estava no controle delas. Cada escaramuça local se resolvia um pouquinho a favor dele, e o efeito acumulado começou a pesar.

A análise moderna de IA confirmaria depois o que poucos perceberam em tempo real: desde muito cedo, a partida estava confortável para as Brancas. O equilíbrio aparente enganava. A vantagem do AlphaGo, pequena no começo, foi crescendo de forma constante depois da primeira luta.

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.

Pela primeira vez, Lee Sedol encarou uma posição que não conseguia reverter. A derrota já era surpreendente; o jeito como ela veio era perturbador. O AlphaGo não venceu na força bruta nem explorando um deslize isolado: ditou o caráter da partida desde a abertura.

O duelo mal tinha começado e as premissas iniciais já estavam rachando.

A constatação: o AlphaGo estava jogando com criatividade

Se a primeira partida abalou as expectativas, a segunda as desmontou.

No começo, nada parecia fora do comum. A abertura fluía, as posições continuavam equilibradas e Lee Sedol seguia um plano familiar, construindo influência sem fechar as opções. Não havia sensação de perigo, nem erro evidente. Então o AlphaGo fez uma jogada que congelou a sala.

Não era só inesperada: parecia errada.

Um golpe de ombro na quinta linha violava os instintos básicos do Go. Uma jogada dessas serve tradicionalmente para pressionar as pedras do adversário para baixo e reduzir a influência delas. Ali, parecia fazer o contrário — entregar território em vez de limitar. Os comentaristas hesitaram. A plateia ficou olhando. Até profissionais experientes tiveram dificuldade para explicar o que viam.

E, ainda assim, a jogada funcionou.

Aos poucos, o objetivo apareceu. A pedra não buscava lucro imediato: conectava partes distantes do tabuleiro, sustentava vários grupos fracos ao mesmo tempo e preparava ataques futuros em silêncio. O que parecia uma concessão virou uma posição de harmonia notável. O AlphaGo não seguiu a convenção humana, mas seguiu uma lógica — uma lógica que ia além dos padrões estabelecidos.

Foi aí que a narrativa virou.

Até ali, dava para acreditar que o AlphaGo era um imitador extremamente rápido e disciplinado, que recombinava ideias tiradas de partidas humanas. Essa explicação caiu por terra. Nenhum profissional teria escolhido aquela jogada. Nenhum manual a sugeria. E, mesmo assim, a máquina a encontrou sozinha e confiou nela o bastante para jogá-la no palco mundial.

Depois da partida, o próprio Lee Sedol reconheceu o peso do que tinha visto. Aquilo não era um sistema que vasculhava um banco de dados às cegas: era capaz de ideias originais e avaliava posições de um jeito que os humanos ainda não entendiam.

O equilíbrio psicológico do duelo mudou de vez. O AlphaGo venceu a segunda partida e abriu 2 a 0, mas o placar contava só parte da história. A derrota mais profunda foi conceitual: uma crença antiga — a de que a criatividade era a última barreira que as máquinas não cruzariam — acabava de cair.

Dali em diante, a questão já não era a vitória do AlphaGo, e sim se o lado humano ainda conseguiria achar qualquer coisa que a máquina não tivesse visto.

Pressão e adaptação: quando mudar de estilo sai pela culatra

Com 2 a 0 contra, o duelo entrou numa zona psicológica perigosa. Nesse nível, o jogador não luta só contra a posição no tabuleiro, mas também contra os próprios instintos. A tentação de fazer algo diferente fica irresistível.

Na terceira partida, a estratégia humana mudou de forma visível. Em vez de se acomodar em estruturas familiares, Lee Sedol levou a abertura para o conflito imediato. Houve contatos cedo, grupos foram cortados e o tabuleiro se encheu de fraquezas não resolvidas dos dois lados. A intenção era clara: forçar o caos, acelerar o ritmo e arrancar a partida do controle calmo e metódico do AlphaGo.

A abordagem faz sentido. Contra um sistema que parece avaliar tudo com precisão silenciosa, a reação natural é criar posições em que a própria avaliação fica difícil. O Go de luta sempre foi visto como um reduto humano — domínio da intuição, da coragem e da leitura emocional do adversário.

Mas a experiência ensina uma lição dura: mudar o estilo de base sob pressão quase nunca funciona.

Conforme a partida avançava, o AlphaGo enfrentou as complicações com uma calma perturbadora. Os grupos ficavam leves. As conexões apareciam na hora exata. As ameaças eram reconhecidas, mas nunca provocavam reações exageradas. Onde um humano se sentiria obrigado a apertar o ataque ou a defender por precaução, a máquina escolhia sempre a jogada que preservava a flexibilidade.

A luta seguiu por dezenas de jogadas. Nenhum grupo morreu. Não houve colapso dramático. O AlphaGo saiu do caos com o que mais importava: um grande território potencial (moyo) bem estruturado e uma vantagem clara em pontos. A batalha foi feroz, mas o desfecho pareceu estranhamente silencioso.

A análise moderna reforçaria depois uma verdade incômoda. De todas as partidas do duelo anterior contra Fan Hui, a que o humano jogou melhor foi justamente a primeira — antes de a pressão e o desespero entrarem em cena. A precisão caiu à medida que ele tentava forçar resultados. O mesmo padrão se repetiu ali.

No fim da terceira partida, o placar marcava 3 a 0. O duelo estava decidido na prática. Pela primeira vez, o mundo do Go encarava uma conclusão para a qual não tinha se preparado de verdade: uma lenda humana estava a um passo de perder sem vencer uma única partida — não por falta de talento, mas porque o adversário não se abalava sob pressão.

O que sobrava já não era uma luta por vitória, e sim uma luta por sentido.

Quarta partida: a resposta humana

Na quarta partida, o resultado do duelo já não estava em jogo. Com 3 a 0 contra, Lee Sedol não podia mais vencer o confronto, só devolver algum equilíbrio à história. O que veio depois não foi um recomeço estratégico, e sim um alívio psicológico: sem nada a perder, ele jogou solto.

Durante boa parte da partida, parecia que o AlphaGo fecharia tudo do jeito de sempre. A máquina construiu uma grande zona de influência na parte de cima do tabuleiro, enquanto Lee Sedol recolhia pontos com eficiência em outros lugares, deixando várias pedras instáveis e confiando na própria capacidade de resgatá-las depois. Com o avanço do meio-jogo, o AlphaGo manteve uma vantagem de cerca de dez pontos — margem que, nesse nível, costuma anunciar uma caminhada tranquila até a vitória.

Então veio um momento que ninguém na sala soube explicar.

Numa posição que parecia lacrada, Lee Sedol achou uma jogada única que destravou o potencial escondido no tabuleiro inteiro. Ela ativou fraquezas que pareciam irrelevantes, costurou ameaças distantes numa ideia só e empurrou o AlphaGo para um terreno desconhecido. A jogada não ameaçava apenas um resultado local: punha em xeque toda a avaliação que a máquina fazia da posição.

Foi o lance que entraria para a história como a jogada 78.

Hoje, com ferramentas de IA muito mais fortes, os analistas sabem algo incômodo: objetivamente, a jogada não deveria funcionar. Mesmo depois dela, as Pretas seguiam vencendo com folga. Mas esse conhecimento pertence ao futuro. Naquele dia, contra aquela versão do AlphaGo, a jogada acertou um ponto cego.

O AlphaGo não achou a resposta certa. Uma escolha imprecisa levou a outra. O jogo da máquina, antes tão firme, ficou hesitante e inconsistente. Lee Sedol agarrou a chance com precisão, transformou o caos em clareza e resgatou pedras que instantes antes pareciam condenadas.

Pela primeira e única vez no duelo, o AlphaGo perdeu o controle.

Lee Sedol venceu a partida, e a reação foi extraordinária. Ele já tinha conquistado muitos títulos mundiais, mas nenhuma vitória isolada tinha sido comemorada com tanta intensidade. A sala se encheu de aplausos. Alívio, admiração e algo perto da rebeldia percorreram a plateia.

O placar seguia 3 a 1. O AlphaGo continuava dominante. Mas algo essencial tinha sido recuperado: a partida provou que até um sistema super-humano pode ser surpreendido — não pela força bruta, e sim por uma ideia que mais ninguém enxergou.

Além de Lee Sedol: quando o teto desapareceu

Com o duelo contra Lee Sedol encerrado, a DeepMind tinha mostrado ao mundo algo inequívoco: a inteligência artificial já era mais forte que qualquer jogador humano de Go. A velha premissa de que o Go era a fronteira final, exclusivamente humana, tinha caído.

Mas a história não parou aí.

A versão do AlphaGo que enfrentou Lee Sedol já era bem mais forte que a que tinha derrotado Fan Hui poucos meses antes. Daí a pergunta óbvia: o que aconteceria se o sistema ganhasse ainda mais tempo de treino?

A resposta veio antes de o ano acabar.

Em dezembro de 2016, uma conta misteriosa apareceu no servidor Tygem. Desafiou os jogadores mais fortes do mundo — e venceu todos. Sessenta partidas. Sessenta vitórias. No começo, nenhuma explicação, só incredulidade em silêncio. Logo ficou claro que era mais uma evolução do mesmo projeto, depois conhecida como AlphaGo Master.

No ano seguinte, o AlphaGo Master enfrentou o jogador mais forte da China, Ke Jie, num duelo oficial. O resultado foi categórico: Ke Jie nunca conseguiu se firmar. O confronto terminou 3 a 0. Àquela altura, o AlphaGo tinha chegado ao que só dá para chamar de nível super-humano.

Ainda assim, a DeepMind não parou.

AlphaGo Zero e o fim dos modelos humanos

Em 2017 veio um sistema radicalmente diferente: o AlphaGo Zero. Ao contrário de todas as versões anteriores, ele foi treinado sem uma única partida humana. Sem bancos de dados profissionais. Sem aberturas herdadas. Sem sabedoria convencional. Aprendeu Go do zero.

No início, jogava de forma caótica — quase aleatória. Mas, jogando contra si mesmo sem parar, foi construindo a própria compreensão do jogo. Com o tempo, superou todas as versões anteriores do AlphaGo. No confronto direto, o AlphaGo Zero venceu o AlphaGo Master em 89 das 100 partidas.

A conclusão era perturbadora. As estimativas indicavam que o AlphaGo Zero era cerca de três pedras mais forte que a versão que jogou contra Lee Sedol. Se a DeepMind tivesse esperado mais um ano para marcar o duelo de Seul, o resultado não teria sido dramático nem apertado: teria sido um atropelo.

Concluída essa tarefa monumental, a DeepMind publicou os métodos. Outros desenvolvedores conseguiram replicar o processo e hoje existem várias IAs de Go super-humanas. Nesse patamar, as diferenças entre elas quase não importam. Até ferramentas gratuitas como o KataGo jogam muito acima de qualquer profissional humano.

Depois do duelo, Lee Sedol refletiu sobre o que tinha acontecido de um jeito que marcou muitos jogadores de Go. Por gerações, acreditou-se que o Go era a expressão máxima da criatividade humana. O AlphaGo pôs essa crença à prova e mostrou o quanto o jogo humano tinha ficado conservador e convencional, moldado por hábitos passados de professor para aluno, reforçados pela tradição em vez da exploração.

Ironicamente, agora que a IA virou o padrão de perfeição, os jogadores correm o risco de ficar igualmente rígidos — só que com outro conjunto de jogadas “corretas”.

No fim das contas, o AlphaGo não mudou só a teoria de aberturas, embora essa transformação tenha sido irreversível. Ideias que chocavam em 2017 viraram prática padrão menos de uma década depois. A mudança mais profunda está na perspectiva: o Go ficou maior que as próprias tradições, e a criatividade deixou de ser definida só pela intuição humana.

A escala dessa virada é grande demais para caber em um só artigo. As consequências ainda estão se desdobrando e merecem um exame cuidadoso à parte.

Por ora, o tabuleiro continua. As pedras continuam. E o desafio continua o mesmo de sempre: criar algo com sentido, mesmo quando a perfeição já não é humana.