Das DeepMind-Team‌ von Google erschuf das weltmeisterliche AlphaGo,‌ ohne Go wirklich in den Mittelpunkt zu rücken. Der Code enthält also keine rein auf Go‌ bezogenen Anweisungen für bestimmte Stellungen. Seine Entscheidungsprozeduren funktionieren somit nicht nur für das Go-Spiel. Stattdessen hat das Team zwei recht allgemeine Techniken verbessert, nämlich die vorausschauende oder Lookahead-Suche zur Entscheidungsfindung und das Reinforcement Learning. Durch Letzteres kann der Algorithmus lernen, die jeweilige Spielstellung zu bewerten. Dies reichte aus, um AlphaGo auf übermenschlichem Niveau spielen zu lassen.‌ ‌Diese Verbesserungen lassen sich auch auf viele andere Probleme in ganz anderen Gebieten anwenden, zum Beispiel in der Robotik. Eine neuere Version von AlphaGo namens AlphaZero schlug vor Kurzem nicht nur AlphaGo vernichtend im Go, sondern mit Stockfish auch das beste Schachprogramm der Welt und mit Elmo das beste Shōgi-Programm der Welt – beide sehr viel besser als jeder Mensch.‌‌‌ Um dem Ganzen die Krone aufzusetzen, schaffte AlphaZero das alles an nur einem Tag.

Nun ist es selbst für den Go-kundigen Amateur kaum nachzuvollziehen, wieso die Profis einen Zug als innovativ bezeichnen, ist doch praktisch jede Stellung mit mehr als 20 Steinen auf dem Go-Brett einmalig und vermutlich noch nie zuvor gespielt worden. Aber aus der einhelligen Meinung der Kommentatoren zu bestimmten Zügen kann man schließen, dass AlphaGo über seine Schöpfer hinausgewachsen ist. Das ist vielleicht nicht ganz verwunderlich. Die neuronalen Netze, die zentraler Bestandteil von AlphaGo sind, wurden nämlich nur zu Beginn mit Millionen von Stellungen aus Partien starker menschlicher Spieler trainiert. Hier lernten sie zunächst, Menschen in ihrem Spiel zu imitieren. Dann kam aber eine Phase des Reinforcement Learning: Das neuronale Netz spielte Millionen von Partien gegen sich selbst und lernte daraus, wie man dieses Spiel noch besser spielt. Während ein werdender Profiin Asien sein halbes Leben damit verbringt, das Jahrhunderte alte Wissen und die Traditionen zu verinnerlichen, durfte AlphaGo ganz alleine lernen, ohne die Vorurteile eines Lehrers. So sah denn Michael Redmond nach dem Zwischenstand 3:0 für den Computer das Go mitnichten dem Untergang geweiht, sondern spekulierte sogar, dass vielleicht durch die Computer eine dritte Revolution der Eröffnungstheorie bevorsteht.

Im März 2016 organisierten wir dann ein Turnier in Südkorea. Alpha- Go trat gegen Lee Sedol an, einen virtuosen Weltmeister. Wer gewinnen würde, war keineswegs klar. Die meisten Beobachter setzten in der ersten Runde auf Sedol. Aber AlphaGo gewann die erste Partie, sehr zu unserem Schrecken und unserer Freude. In der zweiten Partie kam Zug Nummer 37, ein Zug, der in die Annalen von KI und von Go einging. Er ergab keinen Sinn. AlphaGo hatte es offensichtlich vermasselt und folgte blindlings einer Verluststrategie, die kein professioneller Spieler jemals verfolgen würde. Die Live-Kommentatoren, beides Profis auf höchstem Niveau, meinten, es sei ein «sehr seltsamer Zug», und hielten ihn für «einen Fehler ». Er war jedenfalls so ungewöhnlich, dass Sedol fünfzehn Minuten brauchte, um zu reagieren, und sogar vom Brett aufstand, um nach draußen zu gehen.
Während wir von unserem Kontrollraum aus zusahen, herrschte eine geradezu unwirkliche Spannung. Doch als das Spiel dem Ende zuging, erwies sich dieser «falsche» Zug als entscheidend. AlphaGo hatte erneut gewonnen. Die Go-Strategie wurde vor unseren Augen neu geschrieben. Unsere KI hatte Ideen aufgedeckt, auf die selbst die brillantesten Spieler seit Tausenden von Jahren nicht gekommen waren. In nur wenigen Monaten konnten wir Algorithmen so trainieren, dass sie neues Wissen entdeckten und neue, scheinbar übermenschliche Erkenntnisse gewannen.