AlphaGo contra Lee Sedol

Go es un juego de mesa complejo que requiere intuición, pensamiento creativo y estratégico. ^{[ 8 ] [ 9 ]} Durante mucho tiempo se ha considerado un desafío difícil en el campo de la inteligencia artificial (IA). Es considerablemente más difícil ^{[ 10 ]} diseñar jugadores de computadora fuertes para Go que para ajedrez . Muchos en inteligencia artificial consideran que Go requiere más elementos que imitan el pensamiento humano que el ajedrez . ^{[ 11 ]} El matemático IJ Good escribió en 1965: ^{[ 12 ]}

¿Jugar al Go en un ordenador? Para programar un ordenador que juegue una partida de Go razonable, y no solo una partida legal, es necesario formalizar los principios de una buena estrategia o diseñar un programa de aprendizaje. Estos principios son más cualitativos y complejos que en el ajedrez, y dependen más del criterio. Por lo tanto, creo que será aún más difícil programar un ordenador para jugar una partida de Go razonable que una de ajedrez.

Antes de 2015, ^{[ 13 ]} los mejores programas de Go solo lograron alcanzar el nivel dan amateur . ^{[ 14 ]} En el tablero pequeño de 9×9, la computadora tuvo un mejor desempeño, y algunos programas lograron ganar una fracción de sus partidas de 9×9 contra jugadores profesionales. Antes de AlphaGo, algunos investigadores habían afirmado que las computadoras nunca derrotarían a los mejores humanos en Go. ^{[ 15 ]} 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 de alto nivel. ^{[ 16 ]}

El encuentro entre AlphaGo y Lee Sedol es comparable a la partida de ajedrez de 1997 en la que Garry Kasparov perdió contra la computadora Deep Blue de IBM . La derrota de Kasparov ante Deep Blue se considera el momento en que una computadora superó a los humanos en ajedrez. ^{[ 17 ]}

AlphaGo se diferencia significativamente de los intentos anteriores de IA. En lugar de usar algoritmos de probabilidad programados manualmente por programadores humanos, AlphaGo utiliza redes neuronales para estimar su probabilidad de ganar. AlphaGo accede y analiza toda la biblioteca en línea de Go, incluyendo todos los encuentros, jugadores, análisis, literatura y partidas jugadas por AlphaGo contra sí mismo y otros jugadores. Una vez configurado, AlphaGo es independiente del equipo de desarrollo y evalúa la mejor manera de resolver el Go (es decir, ganar la partida). Mediante el uso de redes neuronales y la búsqueda en árbol de Monte Carlo , AlphaGo calcula una cantidad colosal de probabilidades probables e improbables para muchos movimientos futuros .

Los resultados de investigaciones relacionadas se están aplicando a campos como la ciencia cognitiva , el reconocimiento de patrones y el aprendizaje automático . ^{[ 18 ] : 150}

AlphaGo derrotó al campeón europeo Fan Hui , un profesional de 2 dan, por 5-0 en octubre de 2015, siendo la primera vez que una IA vencía a un jugador profesional humano en un tablero de tamaño completo sin hándicap. ^{[ 19 ] [ 20 ]} Algunos comentaristas destacaron la gran diferencia entre Fan y Lee, quien tiene un rango profesional de 9 dan. ^{[ 21 ]} Los programas de computadora Zen y Crazy Stone ya habían derrotado a jugadores humanos con rango profesional de 9 dan con hándicaps de cuatro o cinco piedras. ^{[ 22 ] [ 23 ]} El especialista canadiense en IA Jonathan Schaeffer , tras la victoria contra Fan, comparó a AlphaGo con un "niño prodigio" sin experiencia y consideró que "el verdadero logro será cuando el programa juegue contra un jugador de la élite". Luego creyó que Lee ganaría el encuentro en marzo de 2016. ^{[ 20 ]} Hajin Lee , jugadora profesional de Go y secretaria general de la Federación Internacional de Go , comentó que estaba "muy emocionada" ante la perspectiva de que una IA desafiara a Lee, y pensó que ambos jugadores tenían las mismas posibilidades de ganar. ^{[ 20 ]}

Tras su partida contra AlphaGo, Fan Hui comentó que el juego le había enseñado a ser un mejor jugador y a ver cosas que antes no había visto. En marzo de 2016, Wired informó que su clasificación había subido del puesto 633 al 300 a nivel mundial. ^{[ 24 ]}

Los expertos en Go encontraron errores en el juego de AlphaGo contra Fan, particularmente relacionados con una falta de conocimiento de todo el tablero. Antes de la partida contra Lee, se desconocía cuánto había mejorado el programa su juego desde su encuentro de octubre. ^{[ 21 ] [ 25 ]} El conjunto de datos de entrenamiento original de AlphaGo comenzó con partidas de jugadores aficionados fuertes de servidores de Go en internet, después de lo cual AlphaGo se entrenó jugando contra sí mismo durante decenas de millones de partidas. ^{[ 26 ] [ 27 ]}

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 en árbol , junto con un entrenamiento extenso, tanto a partir del juego humano como del juego informático. Las redes neuronales del sistema se iniciaron a partir de la experiencia de juego humana. AlphaGo se entrenó inicialmente para imitar el juego humano intentando igualar los movimientos de jugadores expertos de partidas históricas registradas, utilizando una base de datos del servidor KGS Go de alrededor de 30 millones de movimientos de 160.000 partidas de jugadores humanos KGS de 6 a 9 dan. ^{[ 13 ] [ 28 ]} Una vez que alcanzó cierto grado de competencia, se entrenó aún más haciéndolo jugar un gran número de partidas contra otras instancias de sí mismo, utilizando aprendizaje por refuerzo para mejorar su juego. ^{[ 29 ]} El sistema no utiliza una "base de datos" de movimientos para jugar. Como explicó uno de los creadores de AlphaGo: ^{[ 30 ]}

Aunque hemos programado esta máquina para jugar, no tenemos ni idea de qué movimientos realizará. Sus movimientos son un fenómeno emergente del entrenamiento. Nosotros solo creamos los conjuntos de datos y los algoritmos de entrenamiento. Pero los movimientos que luego realiza escapan a nuestro control, y son mucho mejores que los que nosotros, como jugadores de Go, podríamos idear.

En el partido contra Lee, AlphaGo utilizó aproximadamente la misma potencia de cálculo que en el partido contra Fan Hui, ^{[ 31 ]} donde utilizó 1202 CPU y 176 GPU . ^{[ 13 ]} The Economist informó que utilizó 1920 CPU y 280 GPU. ^{[ 32 ]} Google también ha declarado que sus unidades de procesamiento tensorial propietarias se utilizaron en el partido contra Lee Sedol. ^{[ 33 ]}

Lee Sedol es un jugador profesional de Go con rango de 9 dan ^{[ 34 ]} y es uno de los jugadores más fuertes en la historia del Go . Comenzó su carrera en 1996 (ascendió a rango profesional de dan a la edad de 12 años), ganando 18 títulos internacionales desde entonces. ^{[ 35 ]} Es un "héroe nacional" en su natal Corea del Sur, conocido por su juego poco convencional y creativo. ^{[ 36 ]} Lee Sedol predijo inicialmente que derrotaría a AlphaGo por una "aplastante". ^{[ 36 ]} Algunas semanas antes del encuentro ganó el título coreano de Myungin , un campeonato importante. ^{[ 37 ]}

AlphaGo (blancas) ganó la primera partida. Lee parecía tener el control durante todo el encuentro, pero AlphaGo tomó la ventaja en los últimos 20 minutos y Lee se rindió. ^{[ 45 ]} Lee declaró después que había cometido un error crítico al comienzo del encuentro; dijo que la estrategia de la computadora en la primera parte del juego fue "excelente" y que la IA había hecho un movimiento inusual que ningún jugador humano de Go habría hecho. ^{[ 45 ]} David Ormerod, comentando sobre el juego en Go Game Guru, describió la séptima piedra de Lee como "un movimiento extraño para poner a prueba 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 remontar con el movimiento 81 antes de hacer movimientos "cuestionables" en 119 y 123, seguidos de un movimiento "perdedor" en 129. ^{[ 46 ]} El jugador profesional de Go Cho Hanseung comentó que el juego de AlphaGo había mejorado mucho desde que venció a Fan Hui en octubre de 2015. ^{[ 46 ]} Michael Redmond describió el juego de la computadora como más agresivo que contra Fan. ^{[ 47 ]}

Según el gran maestro de Go de 9.º dan, Kim Seong-ryong, Lee pareció atónito por la fuerte jugada de AlphaGo en la piedra número 102. ^{[ 48 ]} Después de ver a AlphaGo realizar el movimiento número 102 de la partida, Lee reflexionó sobre sus opciones durante más de 10 minutos. ^{[ 48 ]}

AlphaGo (negras) ganó la segunda partida. Lee declaró posteriormente que «AlphaGo jugó una partida casi perfecta», ^{[ 49 ]} «desde el principio de la partida no sentí que estuviera en ventaja en ningún momento». ^{[ 50 ]} Uno de los creadores de AlphaGo, Demis Hassabis, afirmó que el sistema confiaba en la victoria desde la mitad de la partida, aunque los comentaristas profesionales no podían determinar qué jugador iba ganando. ^{[ 50 ]}

Michael Redmond ( 9p ) señaló que la 19.ª piedra de AlphaGo (movimiento 37) fue "creativa" y "única". Fue un movimiento que la mayoría de los jugadores profesionales no habrían considerado. ^{[ 30 ]} Lee tardó un tiempo inusualmente largo en responder. ^{[ 30 ]} An Younggil (8p) calificó el movimiento 37 de AlphaGo como "un golpe de hombro raro e intrigante", pero dijo que el contraataque de Lee fue "exquisito". Afirmó que el control pasó entre los jugadores varias veces antes del final de la partida, y elogió especialmente los movimientos 151, 157 y 159 de AlphaGo, calificándolos de "brillantes". ^{[ 51 ]}

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. ^{[ 52 ]} 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. ^{[ 30 ] [ 53 ]} Si AlphaGo debe elegir entre un escenario en el que ganará por 20 puntos con un 80 por ciento de probabilidad y otro en el que ganará por 1 y medio puntos con un 99 por ciento de probabilidad, elegirá este último, incluso si debe ceder puntos para lograrlo. ^{[ 30 ]} En particular, el movimiento 167 de AlphaGo pareció darle a Lee una oportunidad de luchar y fue declarado como un error flagrante por los comentaristas. An Younggil dijo: "Entonces, cuando AlphaGo hace un movimiento que parece flojo, podemos considerarlo un error, pero tal vez debería verse con mayor precisión como una declaración de victoria?" ^{[ 54 ]}

AlphaGo (blancas) ganó la tercera partida. ^{[ 55 ]}

Tras la segunda partida, los jugadores aún tenían dudas sobre si AlphaGo era realmente un jugador fuerte en el sentido en que podría serlo un humano. La tercera partida fue descrita como la que disipó esas dudas, y los analistas comentaron lo siguiente:

AlphaGo ganó de forma tan convincente que disipó toda duda sobre su fuerza en la mente de los jugadores experimentados. De hecho, jugó tan bien que resultaba casi aterrador... Al obligar a AlphaGo a resistir un ataque unilateral muy severo, Lee reveló su poder hasta entonces desconocido... Lee no estaba obteniendo suficiente beneficio de su ataque... Uno de los mayores virtuosos del medio juego acababa de ser eclipsado con una claridad absoluta. ^{[ 54 ]}

Según An Younggil (8p) y David Ormerod, la partida demostró que "AlphaGo es simplemente más fuerte que cualquier jugador humano de Go conocido". ^{[ 54 ]} Se observó que AlphaGo se desenvolvía con habilidad en situaciones complicadas conocidas como ko , que no se habían presentado en las dos partidas anteriores. ^{[ 56 ]} An y Ormerod consideran que la jugada 148 es particularmente notable: en medio de una compleja lucha por el ko , AlphaGo mostró suficiente "confianza" en que estaba ganando la partida como para realizar una jugada importante en otro lugar. ^{[ 54 ]}

Lee, jugando con negras, abrió con una formación china alta y generó una gran área de influencia negra, que AlphaGo invadió en el movimiento 12. Esto obligó al programa a defender un grupo débil, lo cual hizo con éxito. ^{[ 54 ]} An Younggil describió el movimiento 31 de Lee como posiblemente el "movimiento perdedor" ^{[ 54 ]} y Andy Jackson de la Asociación Americana de Go consideró que el resultado ya estaba decidido en el movimiento 35. ^{[ 53 ]} AlphaGo había tomado el control del juego en el movimiento 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 obtuvo una gran área de control en la parte inferior del tablero, fortaleciendo su posición con movimientos del 102 al 112 descritos por An como "sofisticados". ^{[ 54 ]} Lee atacó de nuevo en los movimientos 115 y 125, pero las respuestas de AlphaGo fueron nuevamente efectivas. Lee finalmente intentó un ko complejo desde el movimiento 131 sin forzar un error del programa, y ​​se rindió en el movimiento 176. ^{[ 54 ]}

Lee (blancas) ganó la cuarta partida. Lee optó por jugar una estrategia extrema, conocida como amashi , en respuesta a la aparente preferencia de AlphaGo por el Souba Go (intentar ganar mediante muchas pequeñas ganancias cuando surge la oportunidad), tomando territorio en el perímetro en lugar del centro. ^{[ 57 ]} Al hacerlo, su objetivo aparente era forzar una situación de "todo o nada", una posible debilidad para un oponente fuerte en juegos de negociación, y que podría hacer que la capacidad de AlphaGo para decidir ventajas mínimas fuera prácticamente irrelevante. ^{[ 57 ]}

Los primeros 11 movimientos fueron idénticos a los de la segunda partida, en la que Lee también jugó con blancas. En la fase inicial, Lee se concentró en tomar territorio en los bordes y esquinas del tablero, permitiendo que AlphaGo ganara influencia en la parte superior y central. Luego, Lee invadió la región de influencia de AlphaGo en la parte superior con los movimientos 40 a 48, siguiendo la estrategia amashi . AlphaGo respondió con un golpe de hombro en el movimiento 47, sacrificando cuatro piedras en otro lugar y ganando la iniciativa con los movimientos 47 a 53 y 69. Lee puso a prueba a AlphaGo con los movimientos 72 a 76 sin provocar ningún error, y para entonces, los comentaristas habían empezado a sentir que el juego de Lee era una causa perdida. Sin embargo, un movimiento inesperado en el movimiento 78 de las blancas, descrito como "un brillante tesuji ", cambió el rumbo de la partida. ^{[ 57 ]} El movimiento desarrolló una cuña blanca en el centro y aumentó la complejidad del juego. ^{[ 58 ]} Gu Li (9p) lo describió como un " movimiento divino " y afirmó que el movimiento le había sido completamente inesperado. ^{[ 57 ]} El movimiento 78 marcó un hito al ser un cambio radical en las convenciones de juego. ^{[ 59 ] : 239}

AlphaGo respondió mal en el movimiento 79, momento en el que estimó que tenía un 70% de posibilidades de ganar la partida. Lee continuó con un movimiento fuerte en el 82 blanco. ^{[ 57 ]} 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, ^{[ 60 ] [ 61 ]} lo que lo provocó a realizar una serie de movimientos muy malos desde el 87 negro hasta el 101. David Ormerod caracterizó los movimientos 87 a 101 como típicos errores de programas basados ​​en Monte Carlo. ^{[ 57 ]} Lee tomó la delantera en el 92 blanco, y An Younggil describió el 105 negro como el movimiento perdedor final. A pesar de las buenas tácticas durante los movimientos 131 a 141, AlphaGo no pudo recuperarse durante el final de partida y se rindió. ^{[ 57 ]} La rendición de AlphaGo se activó cuando evaluó que su posibilidad de ganar era menor al 20%; Esto pretende coincidir con la decisión de los profesionales que renuncian en lugar de jugar hasta el final cuando sienten que su posición es irrecuperable. ^{[ 58 ]}

An Younggil de Go Game Guru concluyó que la partida fue "una obra maestra para Lee Sedol y casi con seguridad se convertirá en una partida famosa en la historia del Go". ^{[ 57 ]} Lee comentó después del encuentro que consideraba que AlphaGo era más fuerte cuando jugaba con blancas (segundo). ^{[ 62 ]} Por esta razón, solicitó jugar con negras en la quinta partida, que se considera más arriesgada.

David Ormerod, de Go Game Guru, afirmó que, si bien aún no se disponía de un análisis del juego de AlphaGo entre las rondas 79 y 87, creía que este se debía a una debilidad conocida en los algoritmos de juego que utilizan la búsqueda en árbol de Monte Carlo . En esencia, la búsqueda intenta descartar secuencias menos relevantes. En algunos casos, una jugada puede conducir a una línea de juego particular que es significativa pero que se pasa por alto al podar el árbol, y este resultado, por lo tanto, queda fuera del radar de la búsqueda. ^{[ 63 ]}

AlphaGo (blancas) ganó la quinta partida. ^{[ 64 ]} La partida fue descrita como muy reñida. Hassabis afirmó que el resultado se produjo después de que el programa cometiera un "grave error" al principio de la partida. ^{[ 64 ]}

Lee, jugando con negras, abrió de forma similar a la primera partida y comenzó a tomar posesión del territorio en las esquinas derecha y superior izquierda, una estrategia similar a la que empleó con éxito en la partida 4, mientras que AlphaGo ganaba influencia en el centro del tablero. La partida se mantuvo igualada hasta que las blancas movieron del 48 al 58, que AlphaGo jugó en la esquina inferior derecha. Estos movimientos perdieron innecesariamente amenazas de ko y aji, lo que permitió a Lee tomar la delantera. ^{[ 65 ]} Michael Redmond (9p) especuló que tal vez AlphaGo había pasado por alto el tesuji de "apretón de lápida" de las negras . A los humanos se les enseña a reconocer el patrón específico, pero es una larga secuencia de movimientos, que se vuelve difícil si se calcula desde cero.

AlphaGo comenzó entonces a desarrollar la parte superior del tablero y el centro, y se defendió con éxito de un ataque de Lee en las jugadas 69 a 81, que David Ormerod calificó de excesivamente cauteloso. En la jugada 90 de las blancas, AlphaGo había recuperado la igualdad y luego jugó una serie de jugadas descritas por Ormerod como «inusuales... pero sutilmente impresionantes», que le dieron una ligera ventaja. Lee intentó un pase desesperado con las jugadas 167 y 169, pero la defensa de AlphaGo tuvo éxito. An Younggil señaló las jugadas 154, 186 y 194 de las blancas como particularmente fuertes, y el programa jugó un final impecable, manteniendo su ventaja hasta que Lee se rindió. ^{[ 65 ]}

La victoria de AlphaGo fue un hito importante en la investigación de la inteligencia artificial. ^{[ 69 ]} Go había sido considerado anteriormente un problema difícil en el aprendizaje automático que se esperaba que estuviera fuera del alcance de la tecnología de la época. ^{[ 69 ] [ 70 ] [ 71 ]} La mayoría de los expertos pensaban que un programa de Go tan poderoso como AlphaGo estaba a por lo menos cinco años de distancia; ^{[ 72 ]} algunos expertos pensaban que pasaría al menos otra década antes de que las computadoras vencieran a los campeones de Go. ^{[ 73 ] [ 74 ]} La mayoría de los observadores al comienzo de los partidos de 2016 esperaban que Lee venciera a AlphaGo. ^{[ 69 ]}

Con juegos como las damas, el ajedrez y ahora el Go ganados por ordenadores, las victorias en juegos de mesa populares ya no pueden considerarse hitos importantes para la inteligencia artificial como antes. Murray Campbell, de Deep Blue, calificó la victoria de AlphaGo como «el fin de una era... los juegos de mesa están más o menos acabados y es hora de pasar página». ^{[ 69 ]}

En comparación con Deep Blue o con Watson , los algoritmos subyacentes de AlphaGo son potencialmente más generales y pueden ser evidencia de que la comunidad científica está progresando hacia la inteligencia artificial general . ^{[ 75 ]} Algunos comentaristas creen que la victoria de AlphaGo ofrece una buena oportunidad para que la sociedad comience a discutir preparativos para el posible impacto futuro de las máquinas con inteligencia de propósito general . En marzo de 2016, el investigador de IA Stuart Russell afirmó 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 asegurar que los sistemas de IA cada vez más poderosos permanezcan completamente bajo control humano... hay mucho trabajo por hacer". ^{[ 76 ]} Algunos académicos, como el físico Stephen Hawking , advierten que alguna IA futura de auto-mejora podría obtener inteligencia general real, lo que llevaría a una toma de control inesperada de la IA ; Otros académicos discrepan: el experto en IA Jean-Gabriel Ganascia cree que "cosas como el 'sentido común'... quizás nunca sean reproducibles" ^{[ 77 ] [ 78 ]} y dice: "No veo por qué hablaríamos de miedos. Al contrario, esto genera esperanzas en muchos ámbitos, como la salud y la exploración espacial" ^{[ 76 ]} . Richard Sutton dijo: "No creo que la gente deba tener miedo... pero sí creo que la gente debería prestar atención" ^{[ 79 ] .}

El equipo DeepMind AlphaGo recibió la primera Medalla Marvin Minsky de la IJCAI por sus logros sobresalientes en IA. «AlphaGo es un logro maravilloso y un ejemplo perfecto de lo que la Medalla Minsky se creó para reconocer», dijo el profesor Michael Wooldridge , presidente del Comité de Premios de la IJCAI. «Lo que impresionó particularmente a la IJCAI fue que AlphaGo logra lo que hace mediante una brillante combinación de técnicas clásicas de IA y las técnicas de aprendizaje automático de vanguardia con las que DeepMind está tan estrechamente asociada. Es una demostración impresionante de la IA contemporánea, y estamos encantados de poder reconocerla con este premio». ^{[ 80 ]}

El Go es un juego popular en Corea del Sur, China y Japón. Esta partida fue vista y analizada por millones de personas en todo el mundo. ^{[ 69 ]} 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 que tenían sentido en retrospectiva: ^{[ 73 ]} "Todos, excepto los mejores jugadores de Go, crean su estilo imitando a los mejores jugadores. AlphaGo parece tener movimientos totalmente originales que él mismo crea". ^{[ 69 ]} AlphaGo pareció haberse vuelto inesperadamente mucho más fuerte, incluso en comparación con su partida de octubre de 2015 contra Fan Hui ^{[ 81 ]} donde una computadora había vencido a un profesional de Go por primera vez sin la ventaja de un hándicap. ^{[ 82 ]}

El jugador número uno de China, Ke Jie , quien en ese momento era el jugador mejor clasificado del mundo, afirmó inicialmente que podría vencer a AlphaGo, pero se negó a jugar contra él por temor a que "copiara mi estilo". ^{[ 83 ]} A medida que avanzaban las partidas, Ke Jie dudaba, afirmando que "es muy probable que pierda" después de analizar las tres primeras partidas, ^{[ 84 ]} pero recuperando la confianza después de la cuarta partida. ^{[ 85 ]} Finalmente, Ke Jie jugó AlphaGo al año siguiente y fue derrotado en tres partidas.

Toby Manning, árbitro del partido de AlphaGo contra Fan Hui, y Hajin Lee, secretario general de la Federación Internacional de Go , coinciden en que en el futuro, los jugadores de Go recibirán ayuda de ordenadores para aprender de sus errores y mejorar sus habilidades. ^{[ 82 ]}

Después de la tercera partida, Lee se disculpó por sus derrotas y declaró: "Subestimé las capacidades de AlphaGo y me sentí impotente". ^{[ 69 ]} Enfatizó que la derrota fue "la derrota de Lee Se-dol" y "no una derrota de la humanidad". ^{[ 78 ] [ 86 ]} Lee dijo que su eventual derrota ante una máquina era "inevitable", pero afirmó que "los robots nunca comprenderán la belleza del juego de la misma manera que nosotros los humanos". ^{[ 78 ]} Lee calificó su victoria en la cuarta partida como una "victoria invaluable que no cambiaría por nada". ^{[ 86 ]}

Tres años después, el 19 de noviembre de 2019, Lee anunció su retiro del juego profesional, argumentando que nunca podría ser el mejor jugador de Go debido al creciente dominio de la IA. Lee se refirió a ella como "una entidad invencible". ^{[ 87 ]}

En respuesta al partido, el gobierno surcoreano anunció el 17 de marzo de 2016 que invertiría 1 billón de wones (863 millones de dólares estadounidenses) en investigación de inteligencia artificial (IA) durante los próximos cinco años. ^{[ 88 ]}

Ken Jennings , quien fue derrotado en 2011 por IBM Watson en un concurso de dos juegos de Jeopardy! The IBM Challenge entre la supercomputadora de IA y dos de los campeones legendarios del programa, escribió en la revista Slate después del evento: «Las distopías robóticas de pesadilla de las películas de ciencia ficción se acercan un paso más a su meta». ^{[ 89 ]}

Enfrentarse a un oponente artificial produce una sensación desorientadora y asfixiante. Te sientes inesperadamente solo bajo los reflectores, pero al mismo tiempo eres hiperconsciente de los millones de dólares en tecnología y los laboratorios repletos de nerds anónimos que se oponen a ti. Tu nuevo oponente, a diferencia de todos los que has enfrentado antes, jamás puede confiarse demasiado ni sentirse intimidado. Es imposible jugarlo psicológicamente, porque carece de psicología.

Jennings comparó AlphaGo con la novela de Kurt Vonnegut de 1952, Player Piano , donde la inteligencia artificial elimina casi todas las profesiones, y aquellos cuyos trabajos fueron reemplazados por la IA, en la novela de Vonnegut, son colocados en una organización gubernamental al estilo de la Administración de Obras Públicas (WPA ) que se rebela porque la gente perdió su autoestima a causa de la IA. Afirmó que era "encantadoramente retrofuturista como Tomorrowland de Walt Disney".

Jennings, quien finalmente fue nombrado presentador interino el 29 de octubre de 2020 y presentador permanente a tiempo completo de Jeopardy! el 15 de diciembre de 2023, concluyó su artículo con lo siguiente:

Supongo que Lee, al igual que (Garry) Kasparov y yo antes que él, eventualmente superará las cinco etapas de la obsolescencia de la automatización y aceptará su papel pionero en los inicios de las máquinas "pensantes". Pero ¿qué pasará con todas esas personas que, tras nosotros, se volverán reemplazables en un cambio sísmico que parece a punto de transformar por completo nuestra economía? Por ahora, solo son unos pocos campeones de ajedrez, Go y Jeopardy! quienes ya no se sienten necesarios ni útiles. Pero ¿qué sucederá con la sociedad cuando seamos decenas de millones?

Comentarios oficiales del combate a cargo de Michael Redmond (profesional de 9º dan) y Chris Garlock en el canal de YouTube de Google DeepMind:

• Partido 1 ( resumen de 15 minutos )
• Partido 2 ( resumen de 15 minutos )
• Juego 3 ( resumen de 15 minutos )
• Partido 4 ( resumen de 15 minutos )
• Partido 5 ( resumen de 15 minutos )

• 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)

37°34′14″N 126°58′31″E / 37.5706°N 126.9754°E / 37.5706; 126.9754