A história do AlphaGo: como a IA conquistou o jogo de tabuleiro mais difícil
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).
O Go parecia imune: o fator de ramificação era tão grande que a força bruta não dava conta, e por anos os programas de Go ficaram muito atrás dos jogadores humanos fortes.
Menos de vinte anos depois do Deep Blue, em 2015, a DeepMind apresentou o AlphaGo — e em menos de um ano ele já tinha derrubado essas certezas, obrigando o mundo do Go a repensar o que são “intuição” e “criatividade”.
Foi ali que a última fronteira do Go virou o campo de provas da IA.
Este artigo é uma adaptação de um vídeo do nosso canal Go Magic.
Por que o Go é diferente
Antes de a IA entrar na história, vale entender o jogo em si. No Go, as regras são simples o bastante para explicar em um minuto, e as posições logo se abrem para a surpresa e a incerteza. Foi essa combinação que manteve os computadores muito atrás dos jogadores humanos fortes por tanto tempo.
Regras simples, complexidade sem limites
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.
Os primeiros programas de Go ficavam muito atrás dos humanos: bastavam alguns meses de estudo para uma pessoa passar à frente dos melhores da época. A razão estrutural era clara: o Go tem variações demais para a busca por força bruta dar conta. Na prática, jogar é misturar leitura local e sensibilidade. As posições são imprevisíveis o bastante para que muitas vezes não dê para calcular tudo com precisão — e aí a jogada escolhida nasce da intuição. Só com algoritmos novos as máquinas começaram a encurtar essa distância.
No jogo com handicap, o lado mais fraco coloca pedras antes da primeira jogada — duas, três, cinco ou mais — para que a partida continue interessante mesmo com uma diferença grande de nível. Esses mesmos arranjos viraram um teste de estresse para os primeiros programas. Mesmo em posições que pareciam esmagadoramente favoráveis, com o tabuleiro inteiro coberto de pedras pretas, os humanos ainda venciam os programas sem muito esforço.
A virada
Por anos a curva foi suave: algoritmos novos, programas melhores, um avanço constante e sem espetáculo. Aí veio 2015 e a história deu uma guinada.
A equipe da DeepMind procurou Fan Hui, profissional de 2 dan, nascido na China, na época radicado na França e, o mais importante, tricampeão europeu. Era o primeiro teste natural. Em outubro de 2015 os dois lados disputaram uma série de cinco partidas. Como quase todos os profissionais da época, Fan Hui estava cético: a experiência dizia que nenhum programa era capaz de vencer um humano forte de verdade. A expectativa desabou quase de imediato. Depois da primeira partida já estava claro que o equilíbrio havia mudado, e a série terminou numa varrida: cinco derrotas em cinco partidas. O resultado chocou muita gente, mas o mundo do Go não se sentiu derrotado de vez — muitos jogadores desconfiavam de que aquele ainda não era o “verdadeiro” acerto de contas entre humano e máquina.
Um teste maior era inevitável. O adversário do ano seguinte seria uma lenda: o sul-coreano Lee Sedol. Pelos padrões de 2015, a comparação que pegou foi “o Michael Jordan do Go”: dezoito títulos internacionais e um estilo agressivo e intuitivo. Antes do confronto, Lee revisou as cinco partidas contra Fan Hui e, como Fan Hui antes dele, não se convenceu — o nível ali parecia abaixo do dele, então esperava vencer com folga. O que não viu chegar foi o treino extra do AlphaGo até o encontro, uma preparação que mudaria o cenário de março de 2016.
Lee Sedol vs. AlphaGo
A expectativa cresceu ao longo do começo de 2016 até a pergunta virar tão cultural quanto esportiva: o que acontece quando uma lenda viva encontra uma máquina que fica mais forte a cada aparição? O favoritismo estava com o lado humano, e a maioria apostava em Lee Sedol. O evento transbordou da sala de jogo: transmissão comentada em vários idiomas e telões nas ruas de Seul, que viraram salas de projeção a céu aberto. Quando a primeira pedra tocou o tabuleiro, aquilo parecia um teste de estresse global da intuição humana.
Partida 1: briga logo na abertura e um estilo de máquina inesperado
O senso comum dizia que um programa deveria fugir do caos logo cedo contra um profissional de elite. O AlphaGo fez o contrário: começou uma luta acirrada já na abertura, exatamente o cenário que se imaginava favorável ao humano — e venceu com uma facilidade desconcertante. Lee ficou perplexo, e a batalha de verdade, ao que parecia, mal tinha começado.
Partida 2: a jogada 37 “impossível”
A segunda partida teve um momento que congelou a sala. Na jogada 37, a máquina escolheu uma linha que os humanos “não jogam”. Aquilo atropelava os princípios mais básicos do jogo, o tipo de coisa que se treina como fundamento — e mesmo assim estava ali no tabuleiro, calma e sem pedir licença. Os espectadores ficaram atônitos: a jogada “surpreendeu todo mundo que assistia”. Pela doutrina humana, aquela escolha “não se joga”. E, ainda assim, o sistema jogou e fez aquilo funcionar. Naquele instante, o confronto deixou de ser um teste sobre se a máquina apenas imitava um banco de dados. Virou a demonstração de que o programa podia ir além dos conjuntos de dados originais, passar por cima das partidas humanas com que aprendeu e achar algo criativo. O resto do dia confirmou o choque: o AlphaGo venceu e abriu 2 a 0, empurrando Lee Sedol para o terreno em que só ideias extraordinárias manteriam a série viva.
Partida 3: a tentativa de virar o jogo
Com a série escapando, Lee foi pelo único caminho que restava: forçar complicações e partir para uma luta enorme já na abertura. Não colou. O AlphaGo estabilizou e venceu de novo. Com 3 a 0, o confronto estava decidido na prática.
Partida 4: a obra-prima humana, a jogada 78
Na metade da quarta partida, tudo parecia resolvido. O AlphaGo liderava por uns dez pontos, uma margem que, nesse nível, costuma significar um passeio tranquilo até o fim. Então, numa posição que parecia fechada para milagres, Lee Sedol encontrou uma ideia única e impressionante que ninguém no local enxergou. A jogada acertou o ponto cego do sistema. A avaliação do AlphaGo vacilou, o programa não conseguiu resolver a posição e a maré virou. Essa faísca tem nome na história do Go: a jogada 78. Estudos posteriores, com IA muito mais forte do que a de 2016, indicaram que a tática não deveria funcionar em princípio — mas contra aquele programa, naquele dia, funcionou. Lee converteu a vantagem e venceu. Além do placar, a cena importou porque provou algo sobre o espírito do confronto. As três primeiras partidas mostraram uma máquina capaz de força silenciosa e de invenções assustadoras; a quarta mostrou que a criatividade humana ainda conseguia abrir uma fresta na armadura. Continua sendo a única vitória humana contra aquela máquina, uma exceção que virou lenda.
Partida 5: o desfecho da série
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.
Placar final, sentido duradouro
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!”:
Do AlphaGo ao AlphaGo Zero
Depois de Seul, versões mais fortes continuaram chegando, mas a curva de verdade veio um ano depois, quando um sistema bem diferente subiu ao palco com um nome novo e uma premissa nova.
O sistema novo se chamava AlphaGo Zero — “Zero” porque aprendeu o Go do zero. Sem acervo de partidas humanas, sem joseki herdado nem manias de profissional: só as regras básicas e depois um jogo contra si mesmo sem trégua.
No começo, as partidas eram horríveis para os padrões humanos: milhares de tropeços, jogadas que pareciam quase aleatórias. Mas o ciclo de aprendizado não estava atrás de elegância, e sim de resultado. Com milhões e milhões de partidas contra si mesmo, a força do sistema subiu sem parar.
O resultado foi direto: quem aprendeu do zero superou todas as versões anteriores treinadas com dados humanos. Ou seja, tirar o ponto de partida humano — excluir o “fator humano” — acabou sendo melhor para a máquina.
O que importava ali não era só velocidade ou força, mas direção. Um sistema livre dos exemplos humanos podia explorar linhas que ninguém tinha ensinado, responder a perguntas antigas com escolhas firmes e normalizar ideias que antes pareciam heterodoxas. Anos depois, a IA sobre-humana de Go está na caixa de ferramentas de todo mundo — bênção e maldição para a forma como os jogadores estudam e como o jogo evolui.
Para instalar programas modernos de análise de Go no seu computador, siga o nosso guia passo a passo “Como instalar programas para analisar partidas de Go com IA”
Além do Go humano: um começo, não um fim
A história não termina em tom sombrio. Aquela vitória de nove anos atrás significou mais do que ensinar uma máquina a jogar Go, jogo da velha ou StarCraft. Ela revelou um método: o AlphaGo mostrou como treinar IA do jeito certo para tarefas complexas.
Em 2025, esse método vai muito além de um tabuleiro 19×19: sistemas que entendem a fala humana, geram imagens e vídeo, compõem música e muito mais já fazem parte do dia a dia. Ainda assim, a fronteira da pesquisa segue aberta — um trabalho inacabado, de teto incerto, e ninguém sabe ao certo o que ele vai significar para a nossa espécie.
Em torno do próprio Go, a conversa se amplia. Estudar já não é só “como jogar este jogo”, mas também as ideias que orbitam o tabuleiro: a tecnologia, a criatividade, o que tudo isso significa para jogadores e fãs. A última linha não é um ponto final, e sim reticências — de um tabuleiro para o mundo inteiro, a próxima jogada ainda está por ser escrita.
Comentários