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
deepmindohne Datum · Q004464

AlphaGo

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt, wie DeepMind AlphaGo mit neuronalen Netzen, Suchverfahren und bestärkendem Lernen trainierte. Das System gewann 2015 gegen Fan Hui 5:0 und 2016 gegen Lee Sedol 4:1; die Seite deutet den Erfolg als Meilenstein für KI und hebt ungewöhnliche Züge beider Spieler hervor.

Mittel

Der Bericht stellt AlphaGo als DeepMind-System dar, das Go mithilfe tiefer neuronaler Netze und Suchverfahren erlernte. Ein Netzwerk wählte Züge, ein zweites schätzte den Sieger voraus. AlphaGo lernte zunächst aus tausenden Expertenpartien und verbesserte sich anschließend durch bestärkendes Lernen in tausenden Spielen gegen Versionen seiner selbst.

Go galt der Seite wegen der rund 10 hoch 170 möglichen Stellungen als besonders schwierige KI-Aufgabe. 2015 besiegte AlphaGo den Europameister Fan Hui mit 5:0; im März 2016 gewann es gegen Lee Sedol mit 4:1. Das Match in Seoul hätten weltweit über 200 Millionen Menschen verfolgt. Der Bericht hebt AlphaGos seltenen Zug 37 sowie Sedols ebenfalls ungewöhnlichen, spielentscheidenden Zug 78 hervor. AlphaGo erhielt den Rang 9 Dan, den die Seite als höchste mögliche Auszeichnung beschreibt.

DeepMind wertet den Erfolg als Anstoß für eine neue Ära der KI und als Beleg für die Bedeutung neuronaler Netze, bestärkenden Lernens und vorausschauender Planung. Diese historischen und technischen Einordnungen gibt der Bericht als eigene Aussagen wieder; eine unabhängige Prüfung enthält er nicht.

Ausführlich lesen

Der Bericht schildert AlphaGo als ein von DeepMind entwickeltes KI-System, das das komplexe Brettspiel Go erlernte und nach Darstellung der Seite frühere Erwartungen übertraf: Es besiegte einen menschlichen Weltklassespieler rund zehn Jahre früher, als Fachleute dies erwartet hatten, und regte Spieler zu neuen Ansätzen an. Die Seite bezeichnet AlphaGo dabei als möglicherweise stärksten Go-Spieler der Geschichte. Sie deutet seinen Erfolg als Beleg dafür, dass KI auch schwierige Probleme in hochkomplexen Bereichen bewältigen kann.

Als Herausforderung beschreibt der Bericht die enorme Zahl möglicher Go-Stellungen: Er nennt etwa 10 hoch 170 Konfigurationen und vergleicht diese Zahl mit der Menge der Atome im bekannten Universum. Computerprogramme hätten trotz jahrzehntelanger Arbeit zuvor nur Amateurstärke erreicht. Herkömmliche KI-Methoden hätten die große Zahl möglicher Züge nur schwer bewerten können und es ihnen an der Kreativität und Intuition menschlicher Spieler gefehlt.

AlphaGo verband laut Bericht tiefe neuronale Netze mit Suchverfahren. Ein sogenanntes Policy-Netzwerk wählte den nächsten Zug, ein Value-Netzwerk schätzte den Sieger einer Partie voraus. Zunächst lernte das System anhand tausender Partien von Experten, wie Menschen Go spielen. Danach trat es in tausenden Partien gegen verschiedene Versionen seiner selbst an und verbesserte sich durch Rückmeldungen zu Fehlern. Der Bericht beschreibt dies als bestärkendes Lernen. Er führt außerdem ein Zitat eines Spielers an, der nach einem Zug seine Einschätzung änderte und AlphaGo für kreativ hielt.

Die Seite nennt zwei wichtige Wettkämpfe. Im Oktober 2015 gewann AlphaGo gegen den damals amtierenden dreifachen Europameister Fan Hui den ersten beschriebenen Wettkampf zwischen einem KI-System und einem Go-Profi mit 5:0. Im März 2016 besiegte es Lee Sedol in Seoul mit 4:1. Sedol wird als Gewinner von 18 Weltmeistertiteln und als weithin für den besten Spieler des Jahrzehnts gehalten beschrieben; laut Bericht verfolgten mehr als 200 Millionen Menschen das Match weltweit.

AlphaGo erhielt nach diesen Partien den professionellen Rang 9 Dan, den der Bericht als höchste mögliche Auszeichnung einordnet. Als besonders einfallsreiche Züge hebt er AlphaGos Zug 37 im zweiten Spiel hervor, dessen Einsatzchance mit eins zu zehntausend angegeben wird. Im vierten Spiel gelang Lee Sedol mit Zug 78, genannt „God’s Touch“, ebenfalls ein als äußerst unwahrscheinlich beschriebener Zug, der ihm den Sieg in dieser Partie einbrachte. Spieler verschiedener Niveaus hätten diese Züge seither untersucht.

Abschließend schreibt die Seite AlphaGo zu, eine neue Ära von KI-Systemen angestoßen zu haben. Sie sieht in seinem Erfolg einen überzeugenden Nachweis für den Einsatz neuronaler Netze in komplexen Aufgaben und hebt hervor, dass bestärkendes Lernen Maschinen durch Versuch und Irrtum selbstständiges Lernen ermöglicht. Auch die Fähigkeit, vorauszuschauen und zu planen, werde in heutigen KI-Systemen weiter genutzt. Dies sind Aussagen und Einordnungen des Berichts; er liefert hier keine unabhängige Überprüfung seiner historischen oder technischen Bewertungen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen (kurz und mittel). Bewertet wurde die mittlere Fassung; die kurze lässt noch mehr Kernaussagen aus. Die Kennungen wurden wie vorgelegt übernommen, auch SF-T3-T08. Die Aussage, der Bericht enthalte keine unabhängige Prüfung, trifft zu und ist deshalb nicht als erfunden gelistet.

Im Bericht, aber nicht in der Zusammenfassung

  • AlphaGo war laut Seite die erste KI, die einen Go-Profi besiegte (Fan Hui, 5:0), also das erste Match dieser Art
  • Bisherige Go-Programme erreichten nur Amateurniveau, und Standardmethoden scheiterten an der Zahl möglicher Züge und an fehlender Kreativität und Intuition
  • Die Seite behauptet, der Sieg sei ein Jahrzehnt früher gekommen als Experten für möglich hielten
  • Ein 18-facher Weltmeister wird mit der Aussage zitiert, AlphaGo sei kreativ
  • AlphaGo habe Spieler weltweit zu neuen Ansätzen angeregt

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
Vorfälle melden
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 35 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
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 46 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 68 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. 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 32 %Hintergrund, keine Belege
    • JEV 60 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 36 %gleiches Oberthema, hilft nicht
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
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 66 %einzelne zitierbare Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 71 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung
Information und Öffentlichkeit

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 →