März 2016: Ein Computerprogramm besiegt den Go-Weltmeister Lee Sedol – und verändert damit nicht nur die KI-Forschung, sondern das gesamte Verständnis davon, was Maschinen leisten können. Zehn Jahre später wird klar, wie fundamental dieser Moment war.
Zehn Jahre AlphaGo: Der Moment, der KI-Entwicklung neu definierte
Als DeepMinds AlphaGo im März 2016 den südkoreanischen Go-Weltmeister Lee Sedol besiegte, saß die Fachwelt mit offenem Mund vor den Bildschirmen. Nicht weil jemand erwartet hatte, dass es nie passieren würde – sondern weil es so verdammt früh passierte. Ein Jahrzehnt später zeichnet sich ab, was dieser Moment wirklich bedeutet hat.
Ein Spiel als Scheideweg
Go gilt als das komplexeste Brettspiel der Menschheit. Die Zahl möglicher Spielzüge übersteigt die Anzahl der Atome im beobachtbaren Universum – das ist keine Metapher, das ist Mathematik. Klassische Schachprogramme funktionierten jahrzehntelang über rohe Rechenleistung und Spielbaumsuche. Bei Go war das schlicht unmöglich.
DeepMinds Ansatz war ein anderer: Statt Regeln einzuprogrammieren, lernte AlphaGo aus Millionen menschlicher Partien und verfeinerte sein Spiel durch Reinforcement Learning gegen sich selbst. Das klingt heute fast selbstverständlich. 2016 war es ein Paradigmenwechsel.
Was danach kam
Die eigentliche Geschichte beginnt nach dem Sieg über Lee Sedol. AlphaGo Zero – ohne jegliches menschliches Vorwissen trainiert, nur mit den Spielregeln ausgestattet – überholte seinen Vorgänger innerhalb weniger Tage. AlphaZero generalisierte das Prinzip auf Schach und Shogi. Und dann? Dann wanderten dieselben Methoden in die Wissenschaft.
AlphaFold löste ein biologisches Problem, an dem die Forschung seit fünfzig Jahren arbeitete – mit einer Präzision, die viele für unerreichbar gehalten hatten.
Dutzende Millionen Proteinstrukturen, frei zugänglich, für alle. Pharmaunternehmen, Grundlagenforscher, Start-ups: Alle greifen darauf zurück.
Die methodische Erbschaft
Was AlphaGo hinterließ, ist weniger ein Produkt als eine Denkweise. Drei Elemente prägten die gesamte nachfolgende KI-Forschung nachhaltig:
Reinforcement Learning at Scale – die Erkenntnis, dass Systeme durch strukturiertes Feedback in klar definierten Umgebungen zu außerordentlichen Leistungen gelangen können, ohne dass Menschen jeden Schritt vorgeben.
Self-Play als Trainingsmethode – Systeme, die sich gegenseitig herausfordern und dabei exponentiell besser werden. Dieses Prinzip findet sich heute in der Ausrichtung großer Sprachmodelle wieder, etwa beim Reinforcement Learning from Human Feedback.
Skalierbarkeit über Domänen hinweg – der Beweis, dass ein Kern-Algorithmus mit minimalen Anpassungen auf völlig unterschiedliche Probleme angewendet werden kann. Genau das ist die Grundidee hinter dem, was die Branche heute als Schritt Richtung Artificial General Intelligence diskutiert.
Vom Go-Brett zur realen Welt
„Die technischen Grundlagen, die AlphaGo legte, sind heute in nahezu jeder ernsthaften KI-Anwendung präsent – von der Medikamentenentwicklung über autonome Systeme bis hin zu Code-Generierung.”
DeepMind selbst beschreibt den Rückblick auf AlphaGo als Wegmarkierung auf dem Pfad zur AGI – ein Begriff, der vor zehn Jahren noch deutlich stärker nach Science-Fiction klang. Ob diese Einschätzung der Realität standhält, bleibt offen. Was nicht offen ist: Die Methoden sind längst aus dem Labor entwichen.
Für deutsche Unternehmen, die KI-Strategien entwickeln oder bewerten, lohnt ein Blick zurück auf diesen Ursprung. AlphaGo demonstrierte, dass der Wert moderner KI nicht im Nachbilden menschlicher Expertise liegt, sondern im Überwinden ihrer Grenzen – methodisch, iterativ, skalierbar. Wer heute Large Language Models oder Reinforcement-Learning-Systeme im Betrieb einsetzt, steht auf den Schultern dieses einen Go-Spiels aus dem Jahr 2016.
