The game of Go has long been viewed as the most challenging of classic games for artificial intelligence owing to its enormous search space and the difficulty of evaluating board positions and moves. Here we introduce a new approach to computer Go that uses ‘value networks’ to evaluate board positions and ‘policy networks’ to select moves. These deep neural networks are trained by a novel combination of supervised learning from human expert games, and reinforcement learning from games of self-play. Without any lookahead search, the neural networks play Go at the level of state-of-the-art Monte Carlo tree search programs that simulate thousands of random games of self-play. We also introduce a new search algorithm that combines Monte Carlo simulation with value and policy networks. Using this search algorithm, our program AlphaGo achieved a 99.8% winning rate against other Go programs, and defeated the human European Go champion by 5 games to 0. This is the first time that a computer program has defeated a human professional player in the full-sized game of Go, a feat previously thought to be at least a decade away.

바둑판은 통합된 회로 기판에 모여있는 컴퓨터 칩으로 묘사되기도 한다. 레이아웃은 2015년 10월 5일에 Fan Hui(흑돌)와 AlphaGo(백돌) 간에 진행되었던 역사적인 바둑 게임의 마지막 포지션으로부터 나왔는데, 이 게임은 핸디캡을 전혀 주지않고, 컴퓨터 프로그램이 19x19 바둑판에서 처음으로 전문가를 이긴 게임으로 기록될 것이다. 1997년 체스 게임 컴퓨터인 딥블루가 전세계 챔피언인 Gary Kasparov와의 6번에 걸친 게임을 통해서 승리하였으며, 이는 인공지능 개발에 한 획을 긋는 엄청난 기념비적인 사건이었다. 고대부터 내려오던 바둑에 대해서 훨씬 더 어려운 도전이 남아있다. 수십 년에 걸친 개선에도 불구하고, 현재까지 가장 강력한 컴퓨터는 아마추어 수준의 바둑을 둘 수 있다. 구글 딥마인드에 의해서 개발된 AlphaGo는 전문가의 게임 방식을 모방하기 위해서 딥 신경 네트워크를 이용하였으며, 자신과의 게임에 의한 학습을 통해서 경기 방법을 학습해 나가고 있다. AlphaGo는 다른 바둑 프로그램과의 싸움에서 99% 승리하였으며, 지난 3월에 토너먼트 매치에서 유럽 챔피언인 Fan Hui를 5-0으로 이겼다.