Künstliche Intelligenz: AlphaGo – Computer lernen Intuition
Als 1997 der Computer "Deep Blue" von IBM den Schachweltmeister Garri Kasparow besiegte, galt das als Meilenstein in der Geschichte der künstlichen Intelligenz. Allerdings stellte sich bald heraus, dass mit der Technologie von Deep Blue über das Schachspielen hinaus nicht viel anzufangen war. Eine Revolution in der Computerwissenschaft hatte damals nicht stattgefunden.
Ist das bei "AlphaGo" anders, dem Programm, das im März 2016 Lee Sedol besiegte, einen der stärksten Go-Spieler der Geschichte? Ich glaube, ja. Aber nicht aus den Gründen, die in den ersten Stellungnahmen zu lesen waren: Go ist schwieriger als Schach; insbesondere ist die Anzahl der zulässigen Positionen um Klassen größer; niemand hatte erwartet, dass in den nächsten zehn Jahren ein Computer in dem fernöstlichen Brettspiel gewinnen könnte. Das ist alles richtig, trifft aber nicht die Kernfrage: Werden die technischen Entwicklungen, die AlphaGo seinen phänomenalen Erfolg verschafften, weitere Auswirkungen haben? In welcher Hinsicht sind diese Fortschritte qualitativ anders und bedeutender als im Fall Deep Blue?
Für das Schachprogramm war ein Konzept von zentraler Bedeutung, das schon die Anfänger lernen: der Wert einer Schachfigur. Ein Springer oder Läufer ist so viel wert wie drei Bauern. Ein Turm mit seinen größeren Zugmöglichkeiten entspricht fünf Bauern, und die Dame, die beweglichste aller Figuren, wird mit neun Bauern gehandelt. Der Wert des Königs ist unendlich, denn wenn er geschlagen wird, ist das gesamte Spiel verloren. Der Wert einer Figur hilft die Qualität denkbarer Züge einzuschätzen: Einen Läufer opfern, um einen gegnerischen Turm zu schlagen? Meistens eine gute Idee. Einen Springer und einen Läufer gegen einen Turm eintauschen? Besser nicht ...
Schreiben Sie uns!
3 Beiträge anzeigen