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
karpathy.medium.com31. Mai 2017 · Q009585

AlphaGo, in context

karpathy.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Karpathy sieht AlphaGo als starke, sorgfältig umgesetzte Kombination etablierter KI-Verfahren, aber nicht als grundlegenden algorithmischen Durchbruch oder allgemein übertragbare Intelligenz. Der Erfolg beruhe auch auf den besonderen Bedingungen von Go, die etwa in der Robotik meist fehlen; AlphaGo symbolisiere für ihn vor allem Alphabets Stärke im KI-Bereich.

Mittel

Karpathy erklärt AlphaGos Erfolg als Ergebnis einer wirkungsvollen Verbindung bekannter Verfahren: Lernen aus menschlichen Partien, bestärkendes Lernen durch Selbstspiel, Wertfunktionen und Monte-Carlo-Baumsuche. Die Kombination und ihre Umsetzung mit tiefen neuronalen Netzen seien bemerkenswert; einen grundlegenden algorithmischen Durchbruch sieht er darin jedoch nicht.

AlphaGo sei eine spezialisierte Go-KI und übertrage sich nicht einfach auf andere Aufgaben. Go bietet günstige Lernbedingungen: Das Spiel ist deterministisch, vollständig beobachtbar, exakt simulierbar und hat diskrete Züge sowie relativ kurze Partien. Siege und Niederlagen lassen sich schnell bewerten, sodass viele Selbstspielversuche möglich sind; außerdem gibt es umfangreiche menschliche Spieldaten.

Robotik erfülle laut Karpathy viele dieser Bedingungen nicht: Bewegungen sind störanfällig und kontinuierlich, Simulationen ungenau, Aufgaben oft länger und reale Übungsversuche teuer oder riskant. Auch Bewertung und Trainingsdaten sind schwieriger. Er folgert, dass eine erfolgreiche Robotiklösung anders aussehen müsste. AlphaGo stehe für ihn vor allem für Alphabets starke KI-Ressourcen, nicht für eine unmittelbar bevorstehende allgemeine KI. Der Beitrag bezieht sich auf eine frühere Version; Karpathy schrieb 2017, dass der Großteil weiterhin gelte.

Ausführlich lesen

Andrej Karpathy ordnet AlphaGo nach den Partien gegen Ke Jie ein. Sein Beitrag richtet sich an Menschen außerhalb der KI-Forschung und soll die öffentliche Einschätzung technisch einordnen. Er merkt an, dass der Text eine frühere AlphaGo-Version behandelt; nach einem Update von 2017 gelte weiterhin der größte Teil seiner Ausführungen.

Karpathy beschreibt AlphaGo als Verbindung mehrerer bekannter Verfahren: über menschliche Partien überwachtes Lernen, bestärkendes Lernen durch Selbstspiel, eine Wertfunktion und Monte-Carlo-Baumsuche. Neuartig sei vor allem die Kombination dieser Bausteine und ihre Umsetzung mit tiefen neuronalen Netzen. Er hebt die Arbeit von DeepMind hervor, sieht darin aber keinen grundlegenden algorithmischen Durchbruch für das bestärkende Lernen.

Zugleich betont er, AlphaGo sei eine eng spezialisierte KI, die Go spiele und nicht automatisch auf andere Aufgaben übertragbar sei. Andere DeepMind-Systeme und Google-Produkte seien nicht einfach Anwendungen derselben Methode. Übertragbar seien eher die beteiligten Fachleute und neuronale Netzkomponenten, die sich laut Karpathy vielseitiger einsetzen ließen als ältere, stark auf eigens geschriebenen Code angewiesene KI-Systeme.

Als Erklärung für den Erfolg nennt er Eigenschaften des Spiels, die das Lernen erleichtern: Go ist deterministisch und vollständig beobachtbar, bietet diskrete Züge und lässt sich exakt simulieren. Partien sind vergleichsweise kurz, Siege und Niederlagen schnell auswertbar, sodass sehr viele Selbstspielversuche möglich sind. Zudem stehen umfangreiche menschliche Spieldaten zum Einstieg bereit.

An einem Robotikbeispiel – dem Greifen und Bewegen von Gegenständen – erläutert Karpathy, warum diese Voraussetzungen oft fehlen. Roboter handeln mit kontinuierlichen, störanfälligen Bewegungen und müssen Informationen teils erst ermitteln. Physiksimulationen sind ungenau, Aufgaben können lange dauern, und reale Übungsversuche sind kostspielig oder riskant. Auch Erfolg lässt sich nicht immer einfach automatisch bewerten; umfangreiche menschliche Demonstrationsdaten fehlen häufig. Karpathy stuft manche Unterschiede als prinzipiell bewältigbar ein, andere als problematisch und exakte Simulation sowie schnelle, klare Auswertung als besonders wichtige, in der Praxis seltene Voraussetzungen. Deshalb würde eine erfolgreiche Robotiklösung seiner Einschätzung nach deutlich anders aussehen als AlphaGo.

Sein Fazit: AlphaGo sei kein Beleg für einen unmittelbar bevorstehenden Durchbruch zu allgemeiner künstlicher Intelligenz. Es stehe vielmehr für die Stärke von Alphabets KI-Bemühungen, einschließlich Talent, Rechenressourcen und Unterstützung durch die Unternehmensführung. Die Einschätzung, Alphabet setze auf KI und diese Wette sei sicher, kennzeichnet Karpathy selbst als von seiner eigenen Voreingenommenheit beeinflusst.

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

Gegengeprüft von Claude Haiku 5.5: ok

Die Bewertung stützt sich auf den Bericht; Luna hat Hauptthesen von Karpathy im Wesentlichen korrekt wiedergegeben. Die Anteilsangaben in Lunas Einordnung sind im Bericht nicht prüfbar und wurden nicht bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Beispiele, mit denen Karpathy die fehlende Übertragbarkeit belegt (ATARI-Agenten, Neural Turing Machine, Google-Suche)

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 37 %einzelne zitierbare Belege
    • amos 40 %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 56 %Hintergrund, keine Belege
    • JEV 29 %Hintergrund, keine Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra 68 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 33 %gleiches Oberthema, hilft nicht
    • JEV 24 %Hintergrund, keine Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 72 %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 37 %Hintergrund, keine Belege
    • JEV 42 %beantwortet teilweise oder widerspricht
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 42 %Hintergrund, keine Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %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 51 %einzelne zitierbare Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 85 %Hintergrund, keine Belege
    • JEV 28 %nur am Rande erwähnt
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 66 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  3. 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 37 %Hintergrund, keine Belege
    • JEV 44 %Hintergrund, keine Belege
    • amos 54 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
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 →