Vor zehn Jahren besiegte ein Algorithmus einen der besten Go-Spieler der Welt – und veränderte damit nicht nur die KI-Forschung, sondern die gesamte Tech-Industrie. Weniger bekannt ist: An diesem Meilenstein war auch ein Praktikant beteiligt.
Zehn Jahre AlphaGo: Wie ein Praktikant an einem der folgenreichsten KI-Projekte mitwirkte
Vor einem Jahrzehnt besiegte ein KI-System des Londoner Unternehmens DeepMind den südkoreanischen Go-Weltmeister Lee Sedol – ein Ereignis, das die Debatte über die Leistungsfähigkeit künstlicher Intelligenz nachhaltig veränderte. Weniger bekannt ist, dass an der Entwicklung von AlphaGo auch ein Praktikant beteiligt war, dessen Beiträge Teil eines größeren kollaborativen Prozesses wurden, der die KI-Forschung der Folgejahre prägte.
Ein Spiel als Testfall für maschinelle Intelligenz
Go gilt als eines der komplexesten Brettspiele der Welt. Die Anzahl möglicher Spielzustände übersteigt die Anzahl der Atome im beobachtbaren Universum – eine Tatsache, die Informatiker lange dazu veranlasste, das Spiel als praktisch unlösbar für konventionelle KI-Ansätze einzustufen.
AlphaGo kombinierte Deep Learning mit Monte-Carlo-Baumsuche, um dieses Problem zu umgehen – und trainierte dabei auf Millionen von Spielpartien menschlicher Spieler sowie gegen sich selbst.
Das Projekt zog eine ungewöhnliche Mischung aus erfahrenen Forschern und jungen Talenten an – darunter Praktikanten, die an spezifischen Teilproblemen arbeiteten. Dieser offene Entwicklungsansatz war charakteristisch für DeepMind in jener Phase: Das 2010 gegründete und 2014 von Google übernommene Unternehmen pflegte bewusst eine akademische Forschungskultur, in der auch Nachwuchswissenschaftler substanzielle Aufgaben übernahmen.
Der Sieg und seine Folgen für die Branche
Als AlphaGo im März 2016 Lee Sedol in Seoul mit 4:1 besiegte, reagierte die Tech-Industrie weltweit mit erhöhter Aufmerksamkeit:
- Chinesische Technologiekonzerne wie Baidu, Alibaba und Tencent intensivierten ihre KI-Investitionen unmittelbar nach dem Ereignis.
- In den USA und Europa beschleunigten Unternehmen ihre Rekrutierung von Machine-Learning-Spezialisten.
- AlphaGo wurde zum Katalysator für institutionelle KI-Investitionen in einer bis dahin nicht gesehenen Größenordnung.
Die technischen Methoden, die bei AlphaGo entwickelt wurden, fanden anschließend breite Anwendung: Reinforcement Learning – das Lernen durch Belohnung und Bestrafung – ist heute eine Standardmethode in der KI-Entwicklung und wird in Bereichen von der Logistikoptimierung bis zur Arzneimittelforschung eingesetzt.
Von AlphaGo zu AlphaFold und darüber hinaus
DeepMind nutzte die aus dem Go-Projekt gewonnenen Erkenntnisse als Grundlage für weitreichende Folgeentwicklungen.
AlphaFold, das System zur Vorhersage von Proteinstrukturen, gilt in der Wissenschaft als einer der bedeutendsten Durchbrüche der Bioinformatik der vergangenen Jahrzehnte.
Die methodische Linie von AlphaGo zu AlphaFold zeigt exemplarisch, wie Fortschritte in einem engen Anwendungsgebiet auf breitere wissenschaftliche und industrielle Fragestellungen übertragbar sein können. Das Jubiläum gibt zudem Anlass, die personellen und organisatorischen Strukturen zu betrachten, die solche Entwicklungen überhaupt erst ermöglichten: Die Einbindung von Praktikanten in Kernprojekte war kein Zufall, sondern Teil einer Forschungsphilosophie, die DeepMind bewusst aus der Universitätswelt übernommen hatte.
Einordnung für deutsche Unternehmen
Für deutsche Technologieunternehmen und Entscheider liefert das AlphaGo-Jahrzehnt mehrere praktische Orientierungspunkte:
- Die Methoden von 2016 – insbesondere Reinforcement Learning und die Kombination verschiedener Lernansätze – sind heute in kommerziellen Frameworks zugänglich und praxistauglich.
- Wer entsprechende Kompetenzen aufbauen will, sollte auf gemischte Teams aus erfahrenen Spezialisten und gut eingebundenen Nachwuchskräften setzen.
- Offene Forschungskulturen und strukturierte Nachwuchsförderung sind keine Gegensätze zu unternehmerischen Zielen – sondern deren Voraussetzung.
Die Geschichte von AlphaGo zeigt: Bahnbrechende Innovationen entstehen selten durch Einzelpersonen, sondern durch Strukturen, die Talente auf allen Ebenen einbinden und fördern.
Quelle: New Scientist Tech – „How an intern helped build the AI that shook the world”
