En marzo de 2016, un sistema informático superó al campeón mundial en el milenario juego del Go. Durante décadas, este tablero oriental se consideró una barrera inalcanzable para las máquinas. Comprender la historia de la victoria de AlphaGo sobre Lee Sedol permite entender por qué resolver este juego exigió un enfoque totalmente diferente al que se había empleado años atrás frente a los grandes maestros del ajedrez.
Del ajedrez al Go: el salto del cálculo a la intuición
Cuando las computadoras vencieron en el ajedrez a finales del siglo XX, lo lograron principalmente mediante una enorme capacidad de cálculo. En ajedrez, un jugador promedio puede elegir entre unas 35 jugadas posibles por turno, y cada pieza tiene un valor relativamente fijo: una torre vale más que un peón, y un alfil puede compararse con un caballo. Esta claridad permitía a las máquinas calcular millones de jugadas futuras por segundo y asignar una puntuación matemática a cada posición.
El Go, en cambio, funciona bajo una lógica muy distinta. Se juega sobre una cuadrícula vacía de 19 por 19 líneas donde dos personas colocan piedras negras y blancas con el objetivo de rodear territorio. Todas las piezas son idénticas al inicio, no tienen movimiento tras ser colocadas y su valor depende únicamente de su relación con las demás. En ese contexto, la historia de la victoria de AlphaGo sobre Lee Sedol demostró que para ganar en este tablero no bastaba con anticipar combinaciones numéricas; hacía falta interpretar configuraciones globales, algo muy parecido a la intuición humana.
Por qué el Go resultaba un laberinto casi infinito
El desafío del Go para la informática radicaba en dos obstáculos fundamentales:
- Una cantidad descomunal de opciones: En cada turno de Go suele haber unas 200 opciones viables, frente a las pocas decenas del ajedrez. La cantidad de configuraciones posibles en el tablero supera con creces el número de átomos presentes en el universo observable.
- La dificultad para juzgar quién va ganando: En el ajedrez, si un jugador pierde su reina, la máquina sabe de inmediato que la posición se ha debilitado. En el Go, una piedra colocada en una esquina aparentemente olvidada puede inclinar la balanza muchas horas después. No existía una fórmula sencilla para medir si una posición intermedia era ventajosa o no.
Por estas razones, los especialistas calculaban a principios de los años 2000 que una máquina tardaría varias décadas más en derrotar a un profesional de primer nivel.
El enfrentamiento de Seúl en 2016
El panorama cambió de forma rotunda en la primavera de 2016 en Seúl. Frente a los tableros se sentó Lee Sedol, una leyenda viva que acumulaba dieciocho títulos mundiales y estaba acostumbrado a presiones extremas.
Para sorpresa del público internacional, el programa no jugaba imitando los manuales clásicos ni aplicando reglas preestablecidas por ingenieros. Había aprendido examinando miles de partidas de jugadores expertos y, sobre todo, jugando millones de veces contra versiones de sí mismo, descubriendo estrategias desconocidas. Aunque Lee Sedol logró una brillante victoria en la cuarta partida gracias a una jugada inesperada, el resultado global fue un rotundo cuatro a uno a favor del programa.
El impacto de la historia de la victoria de AlphaGo sobre Lee Sedol trascendió el mundo de los juegos de mesa. Demostró que era factible construir sistemas capaces de evaluar situaciones con matices sutiles, donde la intuición y el reconocimiento de formas pesan más que la pura aritmética.
Qué nos enseña este hito sobre la tecnología
Al analizar con perspectiva la historia de la victoria de AlphaGo sobre Lee Sedol, queda claro el giro conceptual que vivió la tecnología: se pasó de sistemas a los que se les decía exactamente qué hacer mediante instrucciones rígidas, a sistemas capaces de extraer sus propios criterios de éxito a partir de la experiencia acumulada.
Este acontecimiento no significó que las máquinas desarrollaran conciencia ni inteligencia humana general. El sistema solo sabía colocar piedras en una cuadrícula. Sin embargo, demostró que problemas antes considerados exclusivos del juicio humano, como reconocer patrones complejos y tomar decisiones en entornos de incertidumbre, podían resolverse con nuevos métodos de aprendizaje.