Schaken versus Go: van brute-force naar neurale netwerken
We kennen de schaakcomputers wel; die spelen sinds de vorige eeuw al de grootste spelers van tafel. Bij Go was dat anders. Het spel was te moeilijk, kende teveel mogelijkheden en beruste te veel op (bijna) 50/50 mogelijkheden. Ook zijn er bijna 300 meer vakken dan op een schaakbord, mede waardoor er elke zet minstens 100 zetten overblijven. In 8 zetten zijn dat 512 triljoen (18 nullen) mogelijkheden – simpelweg te veel om te blijven uitrekenen. Voor schaken is dat zo'n 85 miljard, ofwel 0,000000001% van de mogelijk zetten in Go. Succes ermee.
Waar schaakcomputers zoals Deep Blue destijds nog vertrouwden op brute-force rekenkracht en alpha-beta pruning, dwong de extreme spelboomcomplexiteit van Go (10170 mogelijke posities) de engineers tot een baanbrekende architectuur: de integratie van Monte Carlo Tree Search (MCTS) met deep neural networks voor beleids- en waardevaluatie (policy en value networks).
De black-box van 'Zet 37': algoritmes en Explainable AI
Maar met AlphaGo werd het onmogelijke waargemaakt, en hoe. Ingenieurs en onderzoekers zien zetten ontstaan die ze niet kunnen verklaren, maar die wél werken. Het meest tastbare voorbeeld hiervan is de legendarische 'Zet 37' in de tweede partij tegen Lee Sedol; een zet die door menselijke experts aanvankelijk als een fout werd gecategoriseerd, maar die de fundamenten van een eeuwenoude speltheorie bleek te herschrijven.
Dat roept vragen op die ook buiten AI relevant zijn: wanneer vertrouw je een systeem dat beter presteert dan jijzelf, maar waarvan je de interne logica niet volledig kunt doorgronden? Die vraag raakt aan actuele thema's binnen IT en bedrijfsvoering. Steeds meer organisaties leunen op algoritmes voor beslissingen, optimalisatie en voorspelling.
Dit raakt direct aan de huidige enterprise-noodzaak voor Explainable AI (XAI); de harde eis dat black-box-modellen auditeerbaar en transparant moeten zijn voordat ze bedrijfskritische beslissingen autonoom mogen uitvoeren. AlphaGo laat zien dat succes niet alleen draait om technische prestaties, maar ook om governance, interpretatie en vertrouwen.
De menselijke factor blijft bepalend
Hoewel de documentaire over technologie gaat, blijft de menselijke kant centraal. De emoties van de Go-spelers, de spanning binnen het ontwikkelteam en de culturele impact van de match maken duidelijk dat technologische doorbraken altijd plaatsvinden in een menselijke context. Innovatie roept bewondering op, maar ook onzekerheid en weerstand.
Binnen een moderne IT-organisatie dwingt deze realiteit ons tot het inrichten van sluitende human-in-the-loop (HITL) governance-modellen, om te voorkomen dat blind vertrouwen in data leidt tot operationele of ethische blindgangers. Dat maakt AlphaGo relevant voor iedereen die werkt met complexe technologie in organisaties. Het herinnert eraan dat adoptie en acceptatie net zo belangrijk zijn als prestaties op papier.
AlphaGo: wat kan AI niet?
AlphaGo is geen hypeverhaal over AI die "alles overneemt". Het is een genuanceerde documentaire over samenwerking tussen mens en machine, over leren loslaten van klassieke controle en over wat er gebeurt als technologie een niveau bereikt waarop intuïtie en data samenkomen.
De documentaire zien wat we vaak denken: Dat kan AI toch niet? Dat gaat het nooit kunnen! Maar er is altijd een mogelijkheid. Of AI daadwerkelijk intelligent wordt? Who's to say.
De film herinnert IT-architecten er echter aan dat AlphaGo, ondanks zijn genialiteit, puur opereerde binnen Artificial Narrow Intelligence (ANI) – superieur binnen de rigide parameters van een speelbord, maar fundamenteel onmachtig om autonoom te generaliseren naar de ongestructureerde realiteit van de echte wereld. Bekijk de documentaire in ieder geval hieronder. Bekijk de documentaire in ieder geval hieronder.
