AlphaGo contra Lee Sedol
| Seúl, Corea del Sur, 9 a 15 de marzo de 2016 | |
|---|---|
| Juego uno | AlphaGo W + R |
| Juego dos | AlphaGo B + R |
| Juego tres | AlphaGo W + R |
| Juego cuatro | Lee Sedol W + R |
| Juego cinco | AlphaGo W + R |
AlphaGo versus Lee Sedol, también conocido como Google DeepMind Challenge Match, fue un partido de Go de cinco juegos entre el 18 veces campeón mundial Lee Sedol y AlphaGo, un programa informático de Go desarrollado por Google DeepMind, jugado en Seúl, Corea del Sur entre las 9 y las 9. 15 de marzo de 2016. AlphaGo ganó todos menos el cuarto juego; todos los juegos se ganaron por resignación. El partido ha sido comparado con el histórico partido de ajedrez entre Deep Blue y Garry Kasparov en 1997.
El ganador del partido estaba programado para ganar $ 1 millón. Desde que ganó AlphaGo, Google DeepMind declaró que el premio se donará a organizaciones benéficas, incluidas UNICEF y organizaciones Go. Lee recibió $ 170,000 ($ 150,000 por participar en los cinco juegos y $ 20,000 adicionales por ganar un juego).
Después del partido, la Asociación Coreana de Baduk otorgó a AlphaGo el rango de gran maestro de Go más alto: un " 9 dan honorario ". Se otorgó en reconocimiento a los "sinceros esfuerzos" de AlphaGo para dominar Go. Este partido fue elegido por Science como uno de los subcampeones de Avance del año el 22 de diciembre de 2016.
- 1 Fondo
- 1.1 Difícil desafío en inteligencia artificial
- 1.2 Partido contra Fan Hui
- 1.3 Preparación
- 2 Jugadores
- 2.1 AlphaGo
- 2.2 Lee Sedol
- 3 Juegos
- 3.1 Resumen
- 3.2 Juego 1
- 3.3 Juego 2
- 3.4 Juego 3
- 3,5 Juego 4
- 3.6 Juego 5
- 4 Cobertura
- 5 Respuestas
- 5.1 Comunidad de IA
- 5.2 Ir a la comunidad
- 5.3 Gobierno
- 6 Documental
- 7 Ver también
- 8 Referencias
- 9 enlaces externos
- 9.1 Comentario oficial del partido
- 9.2 Archivos SGF
Fondo
Difícil desafío en inteligencia artificial
Artículo principal: Computer Go| Video externo | |
|---|---|
 La máquina se entrena a sí misma para vencer a los humanos en el juego más difícil del mundo, Retro Report, 2:51, Retro Report |
Go es un juego de mesa complejo que requiere intuición, pensamiento creativo y estratégico. Durante mucho tiempo se ha considerado un desafío difícil en el campo de la inteligencia artificial (IA) y es considerablemente más difícil de resolver que el ajedrez. Muchos en el campo de la inteligencia artificial consideran que Go requiere más elementos que imitan el pensamiento humano que el ajedrez. El matemático IJ Good escribió en 1965:
¿Ir a una computadora? - Para programar una computadora para que juegue un juego razonable de Go, en lugar de simplemente un juego legal, es necesario formalizar los principios de una buena estrategia o diseñar un programa de aprendizaje. Los principios son más cualitativos y misteriosos que en el ajedrez y dependen más del juicio. Así que creo que será aún más difícil programar una computadora para jugar una partida razonable de Go que de ajedrez.
Antes de 2015, los mejores programas de Go solo lograban alcanzar el nivel de dan amateur. En el tablero pequeño de 9 × 9, a la computadora le fue mejor y algunos programas lograron ganar una fracción de sus juegos de 9 × 9 contra jugadores profesionales. Antes de AlphaGo, algunos investigadores habían afirmado que las computadoras nunca vencerían a los mejores humanos en Go. Elon Musk, uno de los primeros inversores de Deepmind, dijo en 2016 que los expertos en el campo pensaban que la IA estaba a 10 años de lograr una victoria contra un jugador profesional de Go.
La partida AlphaGo contra Lee Sedol es comparable a la partida de ajedrez de 1997 cuando Gary Kasparov perdió ante la computadora de IBM Deep Blue. La derrota de Kasparov ante Deep Blue se considera el momento en que una computadora se volvió mejor que los humanos en el ajedrez.
AlphaGo es significativamente diferente de los esfuerzos anteriores de IA. En lugar de usar algoritmos de probabilidad codificados por programadores humanos, AlphaGo usa redes neuronales para estimar su probabilidad de ganar. AlphaGo accede y analiza toda la biblioteca en línea de Go; incluyendo todos los partidos, jugadores, análisis y literatura; así como los juegos jugados por AlphaGo contra sí mismo y otros jugadores. Una vez configurado, AlphaGo es independiente del equipo de desarrolladores y evalúa el mejor camino para resolver Go (es decir, ganar el juego). Mediante el uso de redes neuronales y la búsqueda de árboles de Monte Carlo, AlphaGo calcula números colosales de probabilidades probables e improbables de muchos movimientos en el futuro.
Los resultados de investigaciones relacionadas se están aplicando a campos como la ciencia cognitiva, el reconocimiento de patrones y el aprendizaje automático.
Partido contra Fan Hui
Artículo principal: AlphaGo versus Fan Hui
Fan Hui vs AlphaGo - Juego 5 AlphaGo derrotó al campeón europeo Fan Hui, un profesional de 2 dan, 5-0 en octubre de 2015, la primera vez que una IA venció a un jugador profesional humano en el juego en un tablero de tamaño completo sin hándicap. Algunos comentaristas enfatizaron el abismo entre Fan y Lee, quien ocupa el puesto 9 como profesional. Los programas informáticos Zen y Crazy Stone han derrotado previamente a jugadores humanos clasificados en el puesto 9 y profesional con hándicaps de cuatro o cinco piedras. El especialista canadiense en inteligencia artificial Jonathan Schaeffer, al comentar después de la victoria contra Fan, comparó AlphaGo con un "niño prodigio" que carecía de experiencia, y consideró que "el verdadero logro será cuando el programa juegue con un jugador en el verdadero escalón superior". Luego creyó que Lee ganaría el partido en marzo de 2016. Hajin Lee, un jugador profesional de Go y secretario general de la Federación Internacional de Go, comentó que estaba "muy emocionada" ante la perspectiva de que una IA desafiara a Lee, y pensó los dos jugadores tenían las mismas posibilidades de ganar.
A raíz de su partido contra AlphaGo, Fan Hui notó que el juego le había enseñado a ser un mejor jugador y a ver cosas que no había visto anteriormente. En marzo de 2016, Wired informó que su clasificación había aumentado de 633 en el mundo a alrededor de 300.
Preparación
Los expertos de Go encontraron errores en el juego de AlphaGo contra Fan, en particular relacionados con la falta de conocimiento de todo el tablero. Antes del partido contra Lee, se desconocía cuánto había mejorado el programa desde su partido de octubre. El conjunto de datos de entrenamiento original de AlphaGo comenzó con juegos de fuertes jugadores aficionados de los servidores de Internet Go, después de lo cual AlphaGo entrenó jugando contra sí mismo durante decenas de millones de juegos.
Jugadores
AlphaGo
Artículo principal: AlphaGo
Logotipo de AlphaGo AlphaGo es un programa informático desarrollado por Google DeepMind para jugar al juego de mesa Go. El algoritmo de AlphaGo utiliza una combinación de aprendizaje automático y técnicas de búsqueda de árboles, combinadas con un entrenamiento extenso, tanto del juego humano como de la computadora. Las redes neuronales del sistema se arrancaron inicialmente de la experiencia del juego humano. AlphaGo fue entrenado inicialmente para imitar el juego humano al intentar igualar los movimientos de jugadores expertos de juegos históricos registrados, utilizando una base de datos de KGS Go Server de alrededor de 30 millones de movimientos de 160,000 juegos de KGS 6 a 9 dan jugadores humanos. Una vez que había alcanzado un cierto grado de competencia, se le entrenaba aún más y se le ponía a jugar una gran cantidad de juegos contra otras instancias de sí mismo, utilizando el aprendizaje por refuerzo para mejorar su juego. El sistema no utiliza una "base de datos" de movimientos para jugar. Como explicó uno de los creadores de AlphaGo:
Aunque hemos programado esta máquina para que juegue, no tenemos idea de qué movimientos se le ocurrirán. Sus movimientos son un fenómeno emergente del entrenamiento. Simplemente creamos los conjuntos de datos y los algoritmos de entrenamiento. Pero los movimientos que luego se nos ocurren están fuera de nuestras manos, y mucho mejores de lo que nosotros, como jugadores de Go, podríamos pensar.
En el partido contra Lee, AlphaGo usó aproximadamente la misma potencia de cálculo que tenía en el partido contra Fan Hui, donde usó 1.202 CPU y 176 GPU. The Economist informó que utilizó 1.920 CPU y 280 GPU. Google también ha declarado que sus unidades patentadas de procesamiento de tensores se utilizaron en el partido contra Lee Sedol.
Lee Sedol
Artículo principal: Lee Sedol
Lee Sedol en 2012 Lee Sedol es un jugador profesional de Go de rango 9 dan y es uno de los jugadores más fuertes en la historia de Go. Comenzó su carrera en 1996 (ascendió al rango dan profesional a la edad de 12 años), ganando 18 campeonatos mundiales desde entonces. Es un "héroe nacional" en su Corea del Sur natal, conocido por su juego creativo y poco convencional. Lee Sedol inicialmente predijo que derrotaría a AlphaGo en un "deslizamiento de tierra". Algunas semanas antes del partido ganó el título coreano de Myungin, un campeonato importante.
Juegos
El partido fue un partido de cinco juegos con un millón de dólares estadounidenses como premio mayor, utilizando las reglas chinas con un komi de 7,5 puntos. Para cada juego había un límite de tiempo establecido de dos horas para cada jugador seguido de tres períodos de tiempo extra de byo-yomi de 60 segundos. Cada juego comenzaba a las 13:00 KST (04:00 GMT ).
El partido se jugó en el Four Seasons Hotel en Seúl, Corea del Sur, en marzo de 2016 y se transmitió en video en vivo con comentarios de Michael Redmond (profesional de 9 dan) y Chris Garlock. Aja Huang, miembro del equipo DeepMind y jugador aficionado de 6-dan Go, colocó piedras en el tablero de Go para AlphaGo, que se ejecutaba a través de Google Cloud Platform con su servidor ubicado en los Estados Unidos.
Resumen
| Juego | Fecha | Negro | blanco | Resultado | Se mueve |
|---|---|---|---|---|---|
| 1 | 9 de marzo de 2016 | Lee Sedol | AlphaGo | Lee Sedol dimitió | 186 Juego 1 |
| 2 | 10 de marzo de 2016 | AlphaGo | Lee Sedol | Lee Sedol dimitió | 211 Juego 2 |
| 3 | 12 de marzo de 2016 | Lee Sedol | AlphaGo | Lee Sedol dimitió | 176 Juego 3 |
| 4 | 13 de marzo de 2016 | AlphaGo | Lee Sedol | AlphaGo renunció | 180 Juego 4 |
| 5 | 15 de marzo de 2016 | Lee Sedol | AlphaGo | Lee Sedol dimitió | 280 Juego 5 |
| Resultado: AlphaGo 4 - 1 Lee Sedol | |||||
| ^ nota 1: Para el Juego Cinco, según las reglas oficiales, se pretendía que las asignaciones de color se hicieran al azar. Sin embargo, durante la conferencia de prensa posterior al cuarto partido, Lee pidió "... ya que gané con blancas, realmente espero que en el quinto partido pueda ganar con negras porque ganar con negras es mucho más valioso". Hassabis accedió a permitir que Sedol jugara con negras. | |||||
Juego 1
AlphaGo (blanco) ganó el primer juego. Lee pareció tener el control durante gran parte del partido, pero AlphaGo ganó la ventaja en los últimos 20 minutos y Lee renunció. Lee declaró después que había cometido un error crítico al comienzo del partido; dijo que la estrategia de la computadora en la primera parte del juego era "excelente" y que la IA había hecho un movimiento inusual que ningún jugador humano de Go habría hecho. David Ormerod, al comentar sobre el juego en Go Game Guru, describió la séptima piedra de Lee como "un movimiento extraño para probar la fuerza de AlphaGo en la apertura", caracterizando el movimiento como un error y la respuesta de AlphaGo como "precisa y eficiente". Describió la posición de AlphaGo como favorable en la primera parte del juego, considerando que Lee comenzó a regresar con el movimiento 81, antes de hacer movimientos "cuestionables" en 119 y 123, seguidos de un movimiento "perdedor" en 129. Jugador profesional de Go Cho Hanseung comentó que el juego de AlphaGo había mejorado mucho desde cuando venció a Fan Hui en octubre de 2015. Michael Redmond describió el juego de computadora como más agresivo que contra Fan.
Según el gran maestro de 9-dan Go, Kim Seong-ryong, Lee parecía sorprendido por el fuerte juego de AlphaGo en la piedra 102. Después de ver a AlphaGo hacer el movimiento número 102 del juego, Lee reflexionó sobre sus opciones durante más de 10 minutos.
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Primeros 99 movimientos |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Movimientos 100–186 |
Juego 2
AlphaGo (negro) ganó el segundo juego. Lee declaró después que "AlphaGo jugó un juego casi perfecto", "desde el principio del juego no sentí que hubiera un punto en el que estaba liderando". Uno de los creadores de AlphaGo, Demis Hassabis, dijo que el sistema confiaba en la victoria desde el punto medio del juego, aunque los comentaristas profesionales no podían decir qué jugador estaba por delante.
Michael Redmond ( 9p ) señaló que la 19ª piedra de AlphaGo (movimiento 37) era "creativa" y "única". Lee tardó un tiempo inusualmente largo en responder al movimiento. Un Younggil (8p) calificó la jugada 37 de AlphaGo como "un raro e intrigante golpe en el hombro", pero dijo que el contraataque de Lee fue "exquisito". Afirmó que el control pasó entre los jugadores varias veces antes del final del juego, y elogió especialmente los movimientos 151, 157 y 159 de AlphaGo, calificándolos de "brillantes".
AlphaGo mostró anomalías y movimientos desde una perspectiva más amplia que los jugadores profesionales de Go describieron como errores a primera vista, pero una estrategia intencional en retrospectiva. Como explicó uno de los creadores del sistema, AlphaGo no intenta maximizar sus puntos ni su margen de victoria, sino que intenta maximizar su probabilidad de ganar. Si AlphaGo debe elegir entre un escenario en el que gane por 20 puntos con un 80 por ciento de probabilidad y otro en el que gane por 1 punto y medio con un 99 por ciento de probabilidad, elegirá este último, incluso si debe ceder puntos para lograrlo. eso. En particular, la jugada 167 de AlphaGo pareció darle a Lee una oportunidad de pelear y los comentaristas declararon que parecía un error obvio. Un Younggil declaró: "Entonces, cuando AlphaGo realiza un movimiento de aspecto relajado, podemos considerarlo como un error, pero ¿tal vez debería verse con más precisión como una declaración de victoria?"
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Primeros 99 movimientos |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Movimientos 100-199 |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Movimientos 200-211 |
Juego 3
AlphaGo (blanco) ganó el tercer juego.
Después del segundo juego, todavía había fuertes dudas entre los jugadores de si AlphaGo era realmente un jugador fuerte en el sentido en que lo podría ser un humano. El tercer juego se describió como la eliminación de esa duda; con analistas comentando que:
AlphaGo ganó de manera tan convincente que eliminó todas las dudas sobre su fuerza de las mentes de los jugadores experimentados. De hecho, jugó tan bien que casi dio miedo... Al obligar a AlphaGo a resistir un ataque unilateral muy severo, Lee reveló su poder hasta ahora no detectado... Lee no estaba obteniendo suficientes ganancias de su ataque... Uno de los más grandes virtuosos del juego intermedio acababa de ser eclipsado en la claridad en blanco y negro.
Según An Younggil (8p) y David Ormerod, el juego demostró que "AlphaGo es simplemente más fuerte que cualquier jugador de Go humano conocido". Se vio que AlphaGo navegaba hábilmente en situaciones complicadas conocidas como ko que no surgieron en los dos partidos anteriores. An y Ormerod consideran que la movida 148 es particularmente notable: en medio de una compleja pelea de ko, AlphaGo mostró suficiente "confianza" en que estaba ganando la pelea para realizar una gran movida en otra parte.
Lee, jugando con negras, abrió con una formación de alto chino y generó una gran área de influencia negra, que AlphaGo invadió en la jugada 12. Esto requirió que el programa defendiera a un grupo débil, lo que hizo con éxito. An Younggil describió la jugada 31 de Lee como posiblemente la "jugada perdedora" y Andy Jackson de la Asociación Estadounidense de Go consideró que el resultado ya se había decidido en la jugada 35. AlphaGo había ganado el control del juego en la jugada 48 y obligó a Lee a ponerse a la defensiva.. Lee contraatacó en los movimientos 77/79, pero la respuesta de AlphaGo fue efectiva y su movimiento 90 logró simplificar la posición. Luego ganó una gran área de control en la parte inferior del tablero, fortaleciendo su posición con movimientos de 102 a 112 descritos por An como "sofisticados". Lee atacó nuevamente en los movimientos 115 y 125, pero las respuestas de AlphaGo fueron nuevamente efectivas. Lee finalmente intentó un ko complejo desde la jugada 131, sin forzar un error del programa, y renunció en la jugada 176.
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Primeros 99 movimientos |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Movimientos 100-176 (122 en 113, 154 en  , 163 en 145, 164 en 151, 166 y 171 en 160, 169 en 145, 175 en  ) |
Juego 4
Lee (blanco) ganó el cuarto juego. Lee eligió jugar un tipo de estrategia extrema, conocida como amashi, en respuesta a la aparente preferencia de AlphaGo por Souba Go (intentando ganar por muchas pequeñas ganancias cuando surge la oportunidad), tomando territorio en el perímetro en lugar del centro. Al hacerlo, su aparente objetivo era forzar un estilo de situación de "todo o nada", una posible debilidad para un oponente fuerte en los tipos de juego de negociación, y que podría hacer que la capacidad de AlphaGo de decidir ventajas escasas sea en gran medida irrelevante.
Los primeros 11 movimientos fueron idénticos a los del segundo juego, donde Lee también jugó con blancas. Al principio del juego, Lee se concentró en tomar territorio en los bordes y esquinas del tablero, permitiendo que AlphaGo ganara influencia en la parte superior y central. Lee luego invadió la región de influencia de AlphaGo en la parte superior con movimientos 40 a 48, siguiendo la estrategia de amashi. AlphaGo respondió con un golpe en el hombro en el movimiento 47, posteriormente sacrificando cuatro piedras en otro lugar y ganando la iniciativa con los movimientos 47 a 53 y 69. Lee probó AlphaGo con los movimientos 72 a 76 sin provocar un error, y en este punto del juego los comentaristas habían comenzó a sentir que el juego de Lee era una causa perdida. Sin embargo, una jugada inesperada en el 78 blanco, descrita como "un tesuji brillante ", dio la vuelta al juego. El movimiento desarrolló una cuña blanca en el centro y aumentó la complejidad del juego. Gu Li (9p) lo describió como un " movimiento divino " y declaró que el movimiento había sido completamente imprevisto por él.
AlphaGo respondió mal en el movimiento 79, momento en el que estimó que tenía un 70% de posibilidades de ganar el juego. Lee siguió con un fuerte movimiento en las blancas 82. La respuesta inicial de AlphaGo en los movimientos 83 a 85 fue apropiada, pero en el movimiento 87, su estimación de sus posibilidades de ganar se desplomó repentinamente, lo que provocó que hiciera una serie de movimientos muy malos desde el 87 negro. a 101. David Ormerod caracterizó los movimientos 87 a 101 como típicos de los errores de programa basados en Montecarlo. Lee tomó la delantera por las blancas 92, y An Younggil describió a las negras 105 como la última jugada perdedora. A pesar de las buenas tácticas durante los movimientos 131 a 141, AlphaGo demostró ser incapaz de recuperarse durante el final del juego y renunció. La renuncia de AlphaGo se desencadenó cuando evaluó su probabilidad de ganar en menos del 20%; esto está destinado a coincidir con la decisión de los profesionales que renuncian en lugar de jugar hasta el final cuando se siente que su puesto es irrecuperable.
Un Younggil de Go Game Guru concluyó que el juego era "una obra maestra para Lee Sedol y es casi seguro que se convertirá en un juego famoso en la historia de Go". Lee comentó después del partido que consideraba que AlphaGo era más fuerte cuando jugaba con blancas (segundo). Por este motivo, solicitó que juegue con negras en el quinto juego, que se considera más arriesgado.
David Ormerod de Go Game Guru declaró que aunque todavía no estaba disponible un análisis del juego de AlphaGo alrededor de 79-87, creía que era el resultado de una debilidad conocida en los algoritmos de juego que utilizan la búsqueda de árboles de Monte Carlo. En esencia, la búsqueda intenta podar secuencias que son menos relevantes. En algunos casos, una jugada puede conducir a una línea de juego muy específica que es significativa, pero que se pasa por alto cuando se poda el árbol y, por lo tanto, este resultado está "fuera del radar de búsqueda".
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Primeros 99 movimientos |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Movimientos 100-180 (177 en  , 178 en ) |
Juego 5
AlphaGo (blanco) ganó el quinto juego. El juego fue descrito como cerrado. Hassabis declaró que el resultado se produjo después de que el programa cometiera un "grave error" al principio del juego.
Lee, jugando con negras, abrió de manera similar al primer juego y luego comenzó a marcar el territorio en las esquinas derecha y superior izquierda, una estrategia similar a la que empleó con éxito en el juego 4, mientras que AlphaGo ganó influencia en el centro de el tablero. El juego se mantuvo parejo hasta que las blancas se movieron 48 a 58, que AlphaGo jugó en la parte inferior derecha. Estos movimientos perdieron innecesariamente las amenazas de ko y el aji, lo que permitió a Lee tomar la iniciativa. Michael Redmond (9p) especuló que tal vez AlphaGo había pasado por alto el tesuji del "apretón de lápida sepulcral" del negro. A los humanos se les enseña a reconocer el patrón específico, pero es una secuencia larga de movimientos si tiene que calcularse desde cero.
AlphaGo luego comenzó a desarrollar la parte superior del tablero, así como el centro, y se defendió con éxito contra un ataque de Lee en los movimientos 69 a 81 que David Ormerod caracterizó como demasiado cauteloso. En el 90 blanco, AlphaGo había recuperado la igualdad y luego realizó una serie de movimientos descritos por Ormerod como "inusuales... pero sutilmente impresionantes" que obtuvieron una pequeña ventaja. Lee intentó un pase Hail Mary con los movimientos 167 y 169, pero la defensa de AlphaGo tuvo éxito. Un Younggil notó que los movimientos blancos 154, 186 y 194 eran particularmente fuertes, y el programa jugó un final impecable, manteniendo su ventaja hasta que Lee renunció.
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Primeros 99 movimientos |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Movimientos 100-199 (118 a 107, 161 a ) |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Movimientos 200-280 (240 en 200, 271 en , 275 en  , 276 en ) |
Cobertura
El video en vivo de los juegos y los comentarios asociados se transmitieron en coreano, chino, japonés e inglés. La cobertura en coreano se puso a disposición a través de Baduk TV. Tencent y LeTV proporcionaron la cobertura en chino del juego 1 con comentarios de los jugadores de 9 dan, Gu Li y Ke Jie, respectivamente, llegando a unos 60 millones de espectadores. La cobertura en inglés en línea presentada por el estadounidense 9-dan Michael Redmond y Chris Garlock, vicepresidente de la American Go Association, alcanzó un promedio de 80 mil espectadores con un pico de 100 mil espectadores cerca del final del juego 1.
Respuestas
Comunidad de IA
La victoria de AlphaGo fue un hito importante en la investigación de inteligencia artificial. Go se había considerado anteriormente como un problema difícil en el aprendizaje automático que se esperaba que estuviera fuera del alcance de la tecnología de la época. La mayoría de los expertos pensaban que un programa Go tan poderoso como AlphaGo estaba al menos a cinco años de distancia; algunos expertos pensaron que pasaría al menos otra década antes de que las computadoras vencen a los campeones de Go. La mayoría de los observadores al comienzo de los partidos de 2016 esperaban que Lee derrotara a AlphaGo.
Con juegos como las damas, el ajedrez y ahora Go ganado por jugadores de computadora, las victorias en juegos de mesa populares ya no pueden servir como hitos importantes para la inteligencia artificial en la forma en que solían hacerlo. Deep Blue 's Murray Campbell llama la victoria de AlphaGo 'el fin de una era... juegos de mesa son más o menos hecho y es hora de seguir adelante.'
En comparación con Deep Blue o con Watson, los algoritmos subyacentes de AlphaGo son potencialmente de uso más general y pueden ser una prueba de que la comunidad científica está progresando hacia la inteligencia artificial general. Algunos comentaristas creen que la victoria de AlphaGo es una buena oportunidad para que la sociedad comience a discutir los preparativos para el posible impacto futuro de las máquinas con inteligencia de propósito general. En marzo de 2016, el investigador de IA Stuart Russell declaró que "los métodos de IA están progresando mucho más rápido de lo esperado, (lo que) hace que la cuestión del resultado a largo plazo sea más urgente", y agregó que "para garantizar que los sistemas de IA cada vez más potentes sigan siendo completamente bajo control humano... hay mucho trabajo por hacer ". Algunos estudiosos, como el físico Stephen Hawking, advierten que alguna IA que se mejore a sí misma en el futuro podría obtener inteligencia general real, lo que conduciría a una adquisición inesperada de la IA ; otros académicos no están de acuerdo: el experto en inteligencia artificial Jean-Gabriel Ganascia cree que "cosas como el 'sentido común'... puede que nunca sean reproducibles", y dice: "No veo por qué hablaríamos de miedos. Al contrario, esto genera esperanzas en muchos dominios, como la salud y la exploración espacial ". Richard Sutton dijo: "No creo que la gente deba tener miedo... pero sí creo que la gente debería estar prestando atención".
El equipo DeepMind AlphaGo recibió la medalla inaugural IJCAI Marvin Minsky por logros sobresalientes en inteligencia artificial. "AlphaGo es un logro maravilloso y un ejemplo perfecto de lo que se inició para reconocer la Medalla Minsky", dijo el profesor Michael Wooldridge, presidente del Comité de Premios IJCAI. "Lo que impresionó particularmente a IJCAI fue que AlphaGo logra lo que hace a través de una brillante combinación de técnicas clásicas de IA, así como las técnicas de aprendizaje automático de vanguardia con las que DeepMind está tan estrechamente asociado. Es una demostración impresionante de la IA contemporánea, y estamos encantados de poder reconocerlo con este galardón ”.
Ir a la comunidad
Go es un juego popular en Corea del Sur, China y Japón, y este partido fue visto y analizado por millones de personas en todo el mundo. Muchos de los mejores jugadores de Go caracterizaron las jugadas poco ortodoxas de AlphaGo como movimientos aparentemente cuestionables que inicialmente desconcertaron a los espectadores, pero tenían sentido en retrospectiva: "Todos los jugadores de Go, excepto los mejores, crean su estilo imitando a los mejores jugadores. AlphaGo parece tener movimientos totalmente originales que crea por sí mismo.. " AlphaGo parecía haberse vuelto inesperadamente mucho más fuerte, incluso en comparación con su partido de octubre de 2015 contra Fan Hui, donde una computadora había vencido a un profesional de Go por primera vez sin la ventaja de una desventaja.
El jugador número uno de China, Ke Jie, quien en ese momento era el jugador mejor clasificado a nivel mundial, inicialmente afirmó que podría vencer a AlphaGo, pero se negó a jugar contra él por temor a que "copiara mi estilo". A medida que avanzaban los partidos, Ke Jie iba y venía, afirmando que "es muy probable que (pueda) perder" después de analizar los primeros tres partidos, pero recuperando la confianza después del cuarto partido.
Toby Manning, el árbitro del partido de AlphaGo contra Fan Hui, y Hajin Lee, secretario general de la Federación Internacional de Go, ambos razonan que en el futuro, los jugadores de Go recibirán ayuda de las computadoras para saber qué han hecho mal en los juegos y mejorar su rendimiento. habilidades.
Lee se disculpó por sus derrotas y declaró después del tercer juego que "juzgué mal las capacidades de AlphaGo y me sentí impotente". Hizo hincapié en que la derrota fue "la derrota de Lee Se-dol" y "no una derrota de la humanidad". Lee dijo que su eventual pérdida a causa de una máquina era "inevitable", pero afirmó que "los robots nunca entenderán la belleza del juego de la misma manera que lo hacemos los humanos". Lee calificó su victoria del cuarto juego como una "victoria invaluable que yo no cambiaría por nada".
Gobierno
En respuesta al partido, el gobierno de Corea del Sur anunció el 17 de marzo de 2016 que invertiría $ 863 millones (1 billón de wones) en investigación de inteligencia artificial (IA) durante los próximos cinco años.
Documental
En 2017 se realizó un documental sobre los partidos, AlphaGo. El 13 de marzo de 2020, la película se hizo gratis en línea en el canal de YouTube DeepMind.
Ver también
Referencias
enlaces externos
Comentario oficial del partido
Comentario oficial del partido de Michael Redmond (profesional de 9 dan) y Chris Garlock en el canal de YouTube de Google DeepMind:
- Juego 1 ( resumen de 15 minutos )
- Juego 2 ( resumen de 15 minutos )
- Juego 3 ( resumen de 15 minutos )
- Juego 4 ( resumen de 15 minutos )
- Juego 5 ( resumen de 15 minutos )
Archivos SGF
- Juego 1 (Go Game Guru)
- Juego 2 (Go Game Guru)
- Juego 3 (Go Game Guru)
- Juego 4 (Go Game Guru)
- Juego 5 (Go Game Guru)
Coordenadas : 37.5706 ° N 126.9754 ° E 37 ° 34′14 ″ N 126 ° 58′31 ″ E / / 37.5706; 126,9754
