AlphaGo 2016: jak AI pokonała mistrza gry Go

Gra, której komputer nie miał prawa wygrać

Go to gra planszowa wymyślona w Chinach ponad dwa tysiące lat temu. Zasady są proste - dwaj gracze na przemian stawiają kamienie na planszy 19x19, próbując otoczyć terytorium przeciwnika. Ale prostota zasad zwodzi - liczba możliwych układów na planszy przekracza liczbę atomów w obserwowalnym wszechświecie.

Przez dekady informatycy uważali Go za grę, w której komputer nigdy nie pokona człowieka. W szachach da się w miarę sensownie policzyć warianty naprzód - to dlatego już w 1997 roku Deep Blue pokonał Garriego Kasparowa. W Go klasyczne przeszukiwanie drzewa gry załamywało się pod ciężarem liczby możliwości. Eksperci szacowali, że komputer dorówna najlepszym graczom dopiero za kolejne dziesięciolecia.

Firma DeepMind, brytyjski start-up kupiony wcześniej przez Google, postanowiła sprawdzić tę prognozę. Zamiast programować reguły gry ręcznie, zespół pod kierunkiem Demisa Hassabisa nauczył sieć neuronową grać, pokazując jej najpierw miliony partii rozegranych przez ludzi, a potem pozwalając jej rozgrywać miliony partii samej ze sobą.

Mecz z Lee Sedolem i ruch numer 37

W marcu 2016 roku w Seulu AlphaGo zmierzył się z Lee Sedolem, południowokoreańskim mistrzem uznawanym za jednego z najlepszych graczy w historii tej gry. Transmisję śledziły miliony ludzi, a większość ekspertów spodziewała się, że człowiek wygra bez większych problemów.

AlphaGo wygrał cztery z pięciu partii. Najbardziej zapamiętanym momentem całego meczu był jednak pojedynczy ruch w drugiej partii - kamień postawiony w miejscu, które według wielowiekowej wiedzy o Go było błędem. Komentatorzy byli zdezorientowani, sam Lee Sedol wstał od planszy i wyszedł na chwilę z sali. Ruch okazał się genialny i przesądził o losach partii.

Ten moment, znany dziś jako ruch 37, stał się symbolem czegoś nowego - maszyna nie odtwarzała ludzkiej strategii, tylko znalazła własną, wcześniej nieznaną. Rok później AlphaGo pokonał też Ke Jie, ówczesnego numer jeden światowego rankingu, a Lee Sedol kilka lat później zakończył karierę zawodową, mówiąc wprost, że wobec AI zwycięstwo przestało mieć dawny sens.

Jak to działało - uczenie się przez granie samego ze sobą

Sekret AlphaGo nie leżał w mocy obliczeniowej, lecz w sposobie uczenia. System łączył dwie techniki:

• Sieci neuronowe głębokiego uczenia - oceniały pozycję na planszy i podpowiadały, które ruchy warto rozważyć, podobnie jak intuicja doświadczonego gracza
• Przeszukiwanie drzewa Monte Carlo - symulowało tysiące możliwych dalszych przebiegów partii, by ocenić skutki poszczególnych ruchów

Najpierw system uczono na bazie 30 milionów ruchów z partii rozegranych przez ludzi. Prawdziwy przełom nastąpił jednak, gdy AlphaGo zaczął grać sam ze sobą - miliony partii dziennie, ucząc się na własnych błędach i sukcesach bez żadnej dodatkowej wiedzy z zewnątrz. Kolejna wersja, AlphaGo Zero z 2017 roku, w ogóle nie korzystała z partii ludzi - nauczyła się gry od zera, znając tylko zasady, i po trzech dniach treningu pokonała wersję, która ograła Lee Sedola.

To właśnie ten mechanizm - uczenie się przez samodzielne próby na ogromną skalę, a nie ręczne programowanie reguł - stał się fundamentem dla kolejnej generacji systemów AI, w tym dużych modeli językowych, z których korzystamy dziś.

Od planszy Go do laboratoriów i biur firm

DeepMind nie zatrzymał się na grach planszowych. Ta sama filozofia uczenia się na własnych próbach posłużyła do zbudowania AlphaFold - systemu, który rozwiązał jeden z najtrudniejszych problemów biologii, przewidując trójwymiarową strukturę białek. Osiągnięcie to w 2024 roku zostało uhonorowane Nagrodą Nobla dla twórców DeepMind.

Dla świata biznesu mecz z 2016 roku był momentem, w którym AI przestała być laboratoryjną ciekawostką, a stała się realną siłą technologiczną wartą inwestycji. Fala kapitału i badań, która ruszyła po sukcesie AlphaGo, doprowadziła w prostej linii do rozwoju dużych modeli językowych, narzędzi takich jak Copilot czy systemów rozpoznawania obrazu używanych dziś w logistyce, produkcji i obsłudze klienta.

Ironia historii polega na tym, że gra uznawana za zbyt skomplikowaną dla komputerów okazała się właśnie dlatego idealnym poligonem doświadczalnym - zmusiła badaczy do stworzenia metod uczenia, które później dały się przenieść na zupełnie inne problemy.

Co ta historia oznacza dla małej i średniej firmy

Mało która firma z sektora MŚP będzie kiedykolwiek trenować własne modele AI na skalę DeepMind, ale lekcja z 2016 roku ma praktyczne przełożenie na dzisiejsze decyzje technologiczne:

• Narzędzia AI, które wydają się dziś nowinką, mogą za kilka lat stać się standardem branżowym - warto obserwować trendy zamiast ich ignorować
• Systemy uczące się na danych wymagają rozsądnego zarządzania dostępem i jakością tych danych, zanim trafią do firmowych procesów
• Wdrażanie AI w firmie - czy to w obsłudze klienta, analizie dokumentów czy wsparciu IT - warto zaczynać od małych, kontrolowanych pilotaży, podobnie jak DeepMind testował swój system najpierw na słabszych przeciwnikach

Jeśli zastanawiasz się, jak bezpiecznie i sensownie wprowadzić narzędzia AI do codziennej pracy firmy, warto zacząć od audytu obecnej infrastruktury IT i realnych potrzeb biznesowych, zanim zainwestuje się w konkretne rozwiązanie.