Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind18. Oktober 2017 · Q002057

AlphaGo Zero: Starting from scratch

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht schildert, wie AlphaGo Zero Go allein durch Selbstspiel erlernte und laut den Autoren frühere AlphaGo-Versionen deutlich besiegte. Die genannten Erfolge beziehen sich auf Go; Anwendungen in anderen Bereichen werden nur als mögliche Zukunftsperspektive beschrieben.

Mittel

Der Bericht beschreibt AlphaGo Zero als Go-System, das ohne menschliche Partien trainiert wird. Es beginnt mit zufälligem Spiel und lernt durch Millionen Partien gegen sich selbst. Dabei werden ein neuronales Netz, das Züge und mögliche Sieger vorhersagt, und ein Suchalgorithmus wiederholt gemeinsam verbessert.

Im Unterschied zu früheren AlphaGo-Versionen nutzt Zero laut Bericht nur die Steine auf dem Brett als Eingabe, fasst die Aufgaben zweier Netze in einem zusammen und verzichtet auf schnelle Zufallspartien zur Stellungsbewertung. Die Autoren berichten, AlphaGo Zero habe nach drei Tagen die zuvor veröffentlichte AlphaGo-Version 100:0 besiegt und nach 40 Tagen auch AlphaGo Master übertroffen. Zudem habe es eigenständige, teils unkonventionelle Strategien entwickelt. Effizienzgewinne führt der Text auf Hardware- und Algorithmusfortschritte zurück.

Die Aussagen betreffen Ergebnisse im Go. Eine Anwendung des Verfahrens etwa auf Proteinfaltung, Energieeinsparung oder neue Materialien wird lediglich als mögliche künftige Perspektive genannt. Der Beitrag verweist auf eine Nature-Arbeit, liefert selbst aber keine umfassende unabhängige Prüfung der berichteten Ergebnisse.

Ausführlich lesen

Der Bericht stellt AlphaGo Zero als Weiterentwicklung von AlphaGo vor und beschreibt es als einen besonders starken Go-Spieler. Die zentrale Neuerung: Das System lernt laut den Autoren ohne menschliche Go-Partien als Trainingsgrundlage. Es beginnt mit zufälligem Spiel und verbessert sich durch Partien gegen sich selbst.

Das erläuterte Verfahren verbindet ein neuronales Netz mit einem Suchalgorithmus. Das Netz sagt Züge und den voraussichtlichen Sieger voraus. Nach Selbstspiel-Partien wird es angepasst und anschließend erneut mit der Suche kombiniert. So entstehen wiederholt stärkere Versionen, die qualitativ bessere Trainingspartien erzeugen. Der Bericht bezeichnet dieses Vorgehen als eine Form des bestärkenden Lernens, bei der AlphaGo Zero sich selbst als Lehrmeister dient.

Die Autoren nennen mehrere weitere Unterschiede zu früheren AlphaGo-Versionen: Als Eingabe dienen nur die schwarzen und weißen Steine des Go-Bretts, statt zusätzlich handgefertigter Merkmale. Ein gemeinsames neuronales Netz übernimmt Aufgaben, für die zuvor zwei Netze zuständig waren. Außerdem verzichtet das System auf zufällige „Rollouts“, also schnelle Zufallspartien zur Einschätzung einer Stellung. Laut Bericht tragen diese Änderungen zu Leistung und Effizienz bei; als entscheidend gilt jedoch der veränderte Lernalgorithmus.

Als Ergebnisse berichtet der Text, AlphaGo Zero habe nach drei Tagen Selbsttraining die zuvor veröffentlichte AlphaGo-Version mit 100 Siegen zu 0 geschlagen. Nach 40 Tagen habe es auch AlphaGo Master übertroffen. Über Millionen Selbstspiel-Partien habe das System demnach Go-Fähigkeiten entwickelt und neue, teils unkonventionelle Strategien gefunden. Die Autoren vergleichen seine Leistung mit dem Aufbau menschlichen Go-Wissens über Tausende Jahre, der in wenigen Tagen stattgefunden habe. Auch eine verbesserte Effizienz wird anhand eines Vergleichs des Energiebedarfs früherer Systeme dargestellt; der Text führt sie sowohl auf Fortschritte bei der Hardware als auch auf algorithmische Verbesserungen zurück.

Die Reichweite der Aussagen bleibt im Bericht begrenzt: Er dokumentiert Ergebnisse für Go und präsentiert die mögliche Übertragung auf strukturierte Probleme wie Proteinfaltung, Energieeinsparung und Materialsuche als Zukunftsperspektive, nicht als bereits erzielten Erfolg. Die Resultate stammen aus der Darstellung der Autoren; der Blogbeitrag verweist für die wissenschaftliche Arbeit auf einen Nature-Artikel, führt aber keine unabhängige Prüfung oder umfassende methodische Details aus.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einstufungen beruhen allein auf dem Bericht und sind unabhängig von Lunas Stufen vergeben. Die Abbildungen wurden nur über ihre Bildunterschriften berücksichtigt, und Luna hat deren Aussagen größtenteils korrekt wiedergegeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Vorgängerversion von AlphaGo hatte zuvor den Weltmeister Lee Sedol besiegt.
  • Die Elo-Vergleiche der Programme (z. B. Crazy Stone, AlphaGo Fan, AlphaGo Lee, AlphaGo Master, AlphaGo Zero) werden nicht erwähnt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 28 %gleiches Oberthema, hilft nicht
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 42 %beantwortet teilweise oder widerspricht
    • JEV 37 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 57 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 32 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 33 %beantwortet teilweise oder widerspricht
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →