What was the significance of AlphaGo's victory in 2016?

AlphaGo's victory over Go world champion Lee Sedol in 2016 was a monumental achievement that marked the beginning of the modern AI era. It demonstrated that AI systems could not only mimic human expertise but also develop novel, creative strategies that surprised even professional players, such as the famous 'Move 37'. This breakthrough shattered previous timelines for AI development, proving its potential to tackle problems of immense complexity and paving the way for applications in real-world scientific domains beyond games, signaling a profound shift in technological capabilities and expectations for AI.

How did AlphaGo's methodology evolve after its initial success?

Following its initial success, AlphaGo's methodology rapidly evolved with the introduction of AlphaGo Zero and AlphaZero. AlphaGo Zero learned to play Go from completely random play without any human data, relying solely on self-play reinforcement learning, becoming the strongest Go player in history. AlphaZero then generalized this approach, mastering multiple two-player perfect information games like Chess and Shogi from scratch, demonstrating that the underlying principles of deep neural networks, advanced search, and reinforcement learning could be applied across diverse complex domains without prior specific game knowledge, proving the robustness of the approach.

What is AlphaFold and how does it relate to AlphaGo's legacy?

AlphaFold 2 is a DeepMind AI system that solved the 50-year-old grand challenge of predicting the 3D structure of proteins. It directly relates to AlphaGo's legacy by applying similar foundational principles of navigating vast search spaces to a complex scientific problem. Just as AlphaGo mastered the intricate possibilities on a Go board, AlphaFold navigates the combinatorial explosion of protein folding configurations. Its success led to the folding of all 200 million known proteins and earned a Nobel Prize for its creators, illustrating how game-playing AI research can catalyze profound breakthroughs in fields like biology and medicine.

Beyond protein folding, what other scientific fields has AlphaGo's approach influenced?

AlphaGo's groundbreaking approach has influenced numerous scientific fields beyond protein folding. Its principles of deep reinforcement learning and advanced search have been applied to mathematical reasoning with systems like AlphaProof, which achieved silver medal standard at the IMO, and Gemini's Deep Think mode, which achieved gold. It also inspired AlphaEvolve, a coding agent discovering efficient algorithms, and the development of AI co-scientists capable of debating hypotheses and accelerating research in areas like antimicrobial resistance, understanding the genome, fusion energy research, and improving weather prediction.

How is AlphaGo's work contributing to the development of Artificial General Intelligence (AGI)?

AlphaGo's work is critically contributing to the development of Artificial General Intelligence (AGI) by providing foundational techniques for complex problem-solving, search, and reinforcement learning. Its ability to learn novel strategies and generalize across domains is seen as a blueprint for AGI. DeepMind's Gemini models, designed to be multimodal and understand various data types, integrate AlphaGo's search and planning techniques. The goal is to combine world models, advanced search, and specialized AI tools to achieve true creativity and general reasoning capabilities that can tackle unknown scientific and engineering challenges, moving beyond specialized AI systems.

What is 'Move 37' and why is it so significant in AI history?

'Move 37' refers to a specific, unconventional move made by AlphaGo during its second game against Lee Sedol in 2016. Professional Go commentators initially believed it to be a mistake due to its departure from established human strategies. However, it proved to be a decisive, far-sighted move that positioned AlphaGo for victory. Its significance lies in demonstrating AI's capacity for genuine creativity and strategic innovation, not just mimicking human experts but surpassing them with entirely new approaches. It became a powerful symbol of AI's potential to think 'outside the box' and hinted at the future ability of AI to redefine problem-solving across various disciplines.

title: "Dekada ng AlphaGo: Mula sa mga Laro Tungo sa AGI at Pagdiskubreng Siyentipiko" slug: "10-years-of-alphago" date: "2026-03-12" lang: "fil" source: "https://deepmind.google/blog/10-years-of-alphago/" category: "Pananaliksik sa AI" keywords:

AlphaGo
DeepMind
AGI
Artipisyal na Pangkalahatang Katalinuhan
AlphaFold
pagtiklop ng protina
pagtuklas siyentipiko
pag-aaral na pinatibay
larong Go
Galaw 37
AlphaZero
Gemini meta_description: "Ipinagdiriwang ang 10 taon mula nang talunin ng AlphaGo ang kampeon sa mundo ng Go, tuklasin ang malalim nitong epekto, mula sa pagiging katalista ng mga siyentipikong tagumpay tulad ng AlphaFold hanggang sa pagbubukas ng landas tungo sa Artipisyal na Pangkalahatang Katalinuhan (AGI)." image: "/images/articles/10-years-of-alphago.png" image_alt: "Ang ikonikong Galaw 37 ng AlphaGo sa makasaysayang laban ng Go laban kay Lee Sedol, sumisimbolo sa isang pagbabago sa pananaliksik sa AI." quality_score: 94 content_score: 93 seo_score: 95 companies:
Google schema_type: "NewsArticle" reading_time: 7 faq:
question: "Ano ang kahalagahan ng tagumpay ng AlphaGo noong 2016?" answer: "Ang tagumpay ng AlphaGo laban sa kampeon sa mundo ng Go na si Lee Sedol noong 2016 ay isang napakalaking tagumpay na naghudyat sa pagsisimula ng modernong panahon ng AI. Ipinakita nito na ang mga sistema ng AI ay hindi lamang makagaya ng kadalubhasaan ng tao kundi makabuo din ng mga bago, malikhaing estratehiya na ikinagulat maging ng mga propesyonal na manlalaro, tulad ng sikat na 'Galaw 37'. Ang tagumpay na ito ay sumira sa mga nakaraang timeline para sa pagpapaunlad ng AI, na nagpapatunay sa potensyal nito na tugunan ang mga problema ng napakalaking pagiging kumplikado at nagbukas ng daan para sa mga aplikasyon sa tunay na mundo ng siyensiya lampas sa mga laro, na nagpapahiwatig ng isang malalim na pagbabago sa mga kakayahan ng teknolohiya at mga inaasahan para sa AI."
question: "Paano nagbago ang pamamaraan ng AlphaGo matapos ang paunang tagumpay nito?" answer: "Kasunod ng paunang tagumpay nito, mabilis na nagbago ang pamamaraan ng AlphaGo sa pagpapakilala ng AlphaGo Zero at AlphaZero. Natutunan ng AlphaGo Zero ang paglalaro ng Go mula sa ganap na random na laro nang walang anumang datos ng tao, na umaasa lamang sa 'self-play reinforcement learning', at naging pinakamalakas na manlalaro ng Go sa kasaysayan. Pagkatapos ay ginawa ng AlphaZero na pangkalahatan ang pamamaraang ito, na pinagkadalubhasaan ang maraming laro na may perpektong impormasyon para sa dalawang manlalaro tulad ng Chess at Shogi mula sa simula, na nagpapakita na ang pinagbabatayang prinsipyo ng mga 'deep neural networks', advanced na paghahanap, at 'reinforcement learning' ay maaaring ilapat sa iba't ibang kumplikadong domain nang walang paunang tiyak na kaalaman sa laro, na nagpapatunay sa katatagan ng pamamaraan."
question: "Ano ang AlphaFold at paano ito nauugnay sa pamana ng AlphaGo?" answer: "Ang AlphaFold 2 ay isang sistema ng AI ng DeepMind na lumutas sa 50-taong-gulang na malaking hamon ng paghula sa 3D na istraktura ng mga protina. Direktang nauugnay ito sa pamana ng AlphaGo sa pamamagitan ng paglalapat ng katulad na mga pangunahing prinsipyo ng pag-navigate sa malawak na espasyo ng paghahanap sa isang kumplikadong problema sa siyensiya. Kung paanong pinagkadalubhasaan ng AlphaGo ang masalimuot na posibilidad sa isang Go board, iniiwasan ng AlphaFold ang 'combinatorial explosion' ng mga konfigurasyon ng pagtiklop ng protina. Ang tagumpay nito ay nagresulta sa pagtiklop ng lahat ng 200 milyong kilalang protina at nakakuha ng Nobel Prize para sa mga lumikha nito, na nagpapakita kung paano ang pananaliksik sa AI na naglalaro ng laro ay maaaring maging katalista ng malalim na tagumpay sa mga larangan tulad ng biology at medisina."
question: "Bukod sa pagtiklop ng protina, anong iba pang mga larangan ng siyensiya ang naimpluwensyahan ng pamamaraan ng AlphaGo?" answer: "Ang groundbreaking na pamamaraan ng AlphaGo ay nakaimpluwensya sa maraming larangan ng siyensiya bukod sa pagtiklop ng protina. Ang mga prinsipyo nito ng 'deep reinforcement learning' at advanced na paghahanap ay inilapat sa pangangatwirang matematikal sa mga sistema tulad ng AlphaProof, na nakamit ang pamantayan ng 'silver medal' sa IMO, at ang 'Deep Think' mode ng Gemini, na nakamit ang 'gold'. Nagbigay-inspirasyon din ito sa AlphaEvolve, isang 'coding agent' na nakatutuklas ng mahusay na mga algorithm, at sa pagpapaunlad ng mga AI 'co-scientists' na may kakayahang magdebate ng mga hypotheses at pabilisin ang pananaliksik sa mga lugar tulad ng paglaban sa antimikrobyo, pag-unawa sa genome, pananaliksik sa enerhiyang fusion, at pagpapabuti ng pagtataya ng panahon."
question: "Paano nag-aambag ang gawain ng AlphaGo sa pagpapaunlad ng Artipisyal na Pangkalahatang Katalinuhan (AGI)?" answer: "Kritikal na nag-aambag ang gawain ng AlphaGo sa pagpapaunlad ng Artipisyal na Pangkalahatang Katalinuhan (AGI) sa pamamagitan ng pagbibigay ng mga pangunahing teknik para sa kumplikadong paglutas ng problema, paghahanap, at 'reinforcement learning'. Ang kakayahan nitong matuto ng mga nobela na estratehiya at maging pangkalahatan sa iba't ibang domain ay nakikita bilang isang blueprint para sa AGI. Ang mga modelo ng Gemini ng DeepMind, na idinisenyo upang maging multimodal at umunawa ng iba't ibang uri ng data, ay nagsasama ng mga teknik ng paghahanap at pagpaplano ng AlphaGo. Ang layunin ay pagsamahin ang mga 'world models', advanced na paghahanap, at mga espesyal na AI tool upang makamit ang tunay na pagkamalikhain at pangkalahatang kakayahan sa pangangatwiran na kayang harapin ang hindi kilalang mga hamon sa siyensiya at inhinyeriya, na lampas sa mga espesyal na sistema ng AI."
question: "Ano ang 'Galaw 37' at bakit ito napakahalaga sa kasaysayan ng AI?" answer: "'Galaw 37' ay tumutukoy sa isang partikular, hindi kinaugalian na galaw na ginawa ng AlphaGo sa ikalawang laro nito laban kay Lee Sedol noong 2016. Sa simula ay inakala ng mga propesyonal na komentarista ng Go na ito ay isang pagkakamali dahil sa paglihis nito mula sa itinatag na mga estratehiya ng tao. Gayunpaman, napatunayan nitong isang mapagpasyang, malayo ang tingin na galaw na nagpuwesto sa AlphaGo para sa tagumpay. Ang kahalagahan nito ay nasa pagpapakita ng kakayahan ng AI para sa tunay na pagkamalikhain at estratehikong inobasyon, hindi lamang paggaya sa mga eksperto ng tao kundi paglampas sa kanila sa ganap na bagong mga pamamaraan. Ito ay naging isang makapangyarihang simbolo ng potensyal ng AI na mag-isip 'outside the box' at nagbigay pahiwatig sa kakayahan ng AI sa hinaharap na muling tukuyin ang paglutas ng problema sa iba't ibang disiplina."

Ang Namamalaging Pamana ng AlphaGo: Isang Dekada ng Pagbabago sa AI at mga Siyentipikong Tagumpay

Sampung taon na ang nakalipas, nasaksihan ng mundo ang isang sandali na hindi na mababago ang takbo ng artipisyal na katalinuhan. Noong Marso 12, 2016, nakamit ng sistema ng AI ng DeepMind, ang AlphaGo, ang pinaniniwalaan ng maraming eksperto na mangyayari pa makalipas ang isang dekada: ang talunin ang kampeon sa mundo sa napakakumplikadong laro ng Go. Ang napakalaking tagumpay na ito, na binigyang-diin ng ngayon ay alamat nang "Galaw 37", ay hindi lamang nagmarka ng isang milyahe sa AI ng laro; ito ay naghudyat sa pagsisimula ng modernong panahon ng AI, na nagpapakita ng isang malikhaing simula na lumampas sa intuwisyon ng tao at nagpahiwatig ng potensyal para sa AI na harapin ang mga problema sa siyensiya sa tunay na mundo.

Ngayon, habang ginugunita natin ang isang dekada mula nang makasaysayang laban na iyon, patuloy na nagbibigay-kaalaman at nagbibigay-inspirasyon ang tagumpay ng AlphaGo sa paghahanap ng Artipisyal na Pangkalahatang Katalinuhan (AGI) sa DeepMind. Ang paglalakbay mula sa pagiging dalubhasa sa isang sinaunang laro ng board hanggang sa pagiging katalista ng mga siyentipikong pagtuklas na nanalo ng Nobel Prize ay nagbibigay-diin sa malalim at namamalaging epekto ng AlphaGo, na nagpuwesto dito bilang isang pundasyong haligi sa paghahanap ng sangkatauhan ng mga panghuling kasangkapan upang isulong ang siyensiya, medisina, at pagiging produktibo.

Ang Makasaysayang Laban: "Galaw 37" at ang Pagsisimula ng Isang Bagong Panahon

Pinanood ng mundo nang may pagkamangha noong 2016 habang naglalaban ang AlphaGo at ang alamat ng Go na si Lee Sedol sa Seoul. Ang Go, sa napakalaking 10^170 posibleng posisyon ng board—higit pa sa bilang ng mga atomo sa nakikitang uniberso—ay matagal nang itinuturing na pangunahing hamon para sa AI dahil sa napakalaking pagiging kumplikado nito at pag-asa sa intuwisyon. Ang tagumpay ng AlphaGo ay patunay ng bago nitong arkitektura, na pinagsama ang mga deep neural networks sa mga advanced na search algorithms at reinforcement learning, isang pamamaraan na pinasimulan ng DeepMind.

Dumating ang mapagpasyang sandali sa Laro 2 sa "Galaw 37". Ang galaw na ito ay napakahindi-pangkaraniwan kaya't sa simula ay ibinasura ito ng mga propesyonal na komentarista bilang isang pagkakamali. Ngunit, pinatunayan ng malalim na pananaw ng AlphaGo na mali sila. Makalipas ang isandaang galaw, nasa eksaktong lugar ang bato kung saan ito kinakailangan para sa AlphaGo upang masiguro ang panalo. Ipinakita ng malikhain, tila counter-intuitive na galaw na ito ang isang sistema ng AI na may kakayahang lumampas sa paggaya sa mga eksperto ng tao, na nagpapakita ng kakayahang tumuklas ng ganap na bago at pinakamainam na estratehiya. Ito ay isang tiyak na paunang tingin sa lumalaking kakayahan ng AI para sa tunay na inobasyon.

Lampas sa Board: Ebolusyon at Pangkalahatan ng AlphaGo

Ang paunang tagumpay ng AlphaGo ay simula pa lamang. Mabilis na pinaunlad ng DeepMind ang mga sistema ng AI nito na naglalaro ng laro, na itinutulak ang mga hangganan ng kung ano ang posible sa pamamagitan ng self-improvement at generalization.

Una ay ang AlphaGo Zero, isang sistema na natutunan ang laro ng Go sa pamamagitan lamang ng self-play, simula sa ganap na random na galaw at nang walang anumang datos ng eksperto ng tao. Sa pamamagitan ng paglalaro ng daan-daang libong laro laban sa sarili nito, hindi lamang nilampasan ng AlphaGo Zero ang nauna dito kundi naging marahil ang pinakamalakas na manlalaro ng Go sa kasaysayan, na nagpapakita ng kapangyarihan ng purong reinforcement learning.

Kasunod nito, mas ginawa pang pangkalahatan ng AlphaZero ang konseptong ito. Idinisenyo upang pagkadluhasaan ang anumang laro na may perpektong impormasyon para sa dalawang manlalaro, tinuruan ng AlphaZero ang sarili nito ng Go, Chess, at Shogi mula sa simula. Binigyan lamang ng mga patakaran, natuto at natalo ng AlphaZero hindi lamang ang mga nangungunang manlalaro ng tao kundi pati na rin ang pinakamahusay na espesyalisadong programa ng chess noong panahong iyon, tulad ng Stockfish, sa loob lamang ng ilang oras. Katulad ng sa Go, ang sariwang pananaw ng AlphaZero ay humantong sa pagtuklas ng mga bagong estratehiya sa mga laro na matagal nang pinag-aaralan, na nagpapatunay sa kakayahang umangkop at kapangyarihan ng mga algorithm nito sa pag-aaral.

Ang mabilis na pag-unlad na ito mula sa tiyak na pagkadluhasaan sa laro patungo sa pangkalahatang pag-aaral ay isang kritikal na hakbang, na nagpapakita na ang pinagbabatayang prinsipyo ng AI ay maaaring malawakang ilapat. Ipinapakita ng talahanayan sa ibaba ang pinagmulan at epekto ng mga groundbreaking na sistema ng AI:

Sistema ng AI	Pangunahing Inobasyon	Pangunahing Nakamit
AlphaGo	Mga deep neural networks, Monte Carlo Tree Search (MCTS), reinforcement learning	Unang AI na tinalo ang kampeon sa mundo ng Go; ipinakita ng 'Galaw 37' ang pagkamalikhain ng AI.
AlphaGo Zero	Self-play mula sa simula, walang datos ng tao	Naging pinakamalakas na manlalaro ng Go; natuto ng mga optimal na estratehiya nang awtonomo.
AlphaZero	Pangkalahatang self-play algorithm sa iba't ibang laro	Pinagkadalubhasaan ang Go, Chess, at Shogi mula sa simula; tinalo ang mga nangungunang espesyalisadong programa sa loob ng ilang oras.
AlphaFold 2	AI para sa hula ng istraktura ng protina	Lumutas sa 50-taong problema ng pagtiklop ng protina; humantong sa Nobel Prize; lumikha ng pampublikong database ng protina.
AlphaProof	Mga language models + RL/paghahanap ng AlphaZero para sa pormal na proofs	Nakamit ang pamantayan ng 'silver medal' sa International Mathematical Olympiad (IMO) para sa pangangatwirang matematikal.
AlphaEvolve	Coding agent na pinapagana ng Gemini para sa pagtuklas ng algorithm	Nakatuklas ng bago, mas mahusay na matrix multiplication algorithm; potensyal para sa data center optimization.
Gemini DeepThink	Multimodal na pangangatwiran, AlphaGo-inspired na paghahanap at pagpaplano	Nakamit ang pamantayan ng 'gold medal' sa IMO; inilapat sa kumplikado, open-ended na mga hamon sa siyensiya at inhinyeriya.

Pagiging Katalista ng mga Siyentipikong Tagumpay: Mula sa mga Protina Hanggang sa mga Proofs

Ang tunay na pananaw sa likod ng AlphaGo ay palaging upang pabilisin ang pagtuklas siyentipiko. Sa pamamagitan ng pagpapatunay ng kakayahan nitong mag-navigate sa napakalaking search space ng Go, ipinakita nito ang potensyal ng AI na maunawaan ang malawak na pagiging kumplikado ng pisikal na mundo. Ang pilosopiyang ito ay mabilis na naisalin sa nasasalat na mga pagsulong sa siyensiya.

Noong 2020, sinolve ng DeepMind ang isa sa "grand challenges" ng biology: ang problema sa pagtiklop ng protina. Sa loob ng 50 taon, nahihirapan ang mga siyentipiko sa paghula ng 3D na istraktura ng mga protina, na mahalaga para sa pag-unawa sa mga sakit at pagbuo ng mga bagong gamot. Ang AlphaFold 2, isang direktang supling ng mga prinsipyo ng AlphaGo, ay matagumpay na hinulaan ang mga masalimuot na istrukturang ito. Ang napakalaking tagumpay na ito ay humantong sa pagtiklop ng lahat ng 200 milyong protina na kilala sa siyensiya, na ginawang malayang magagamit sa isang open-source database na ginagamit ng mahigit 3 milyong mananaliksik sa buong mundo. Ang groundbreaking na gawaing ito ay nagbigay kay John Jumper at Demis Hassabis ng Nobel Prize sa Chemistry noong 2024, sa ngalan ng pangkat ng AlphaFold, na nagpatibay sa papel ng AI sa trans pormatibong pananaliksik sa siyensiya.

Ang impluwensya ng AlphaGo ay lalo pang lumawak sa iba't ibang domain ng siyensiya at matematika:

Pangangatwirang Matematikal: Ang AlphaProof, na direktang nagmana ng DNA ng arkitektura ng AlphaGo, ay natutong magpatunay ng pormal na mga pahayag sa matematika. Pinagsasama ang mga language models sa reinforcement learning at paghahanap ng AlphaZero, nakamit nito ang pamantayan ng 'silver medal' sa IMO. Ang advanced na 'Deep Think' mode sa loob ng pinakabagong mga multimodal models ng DeepMind, tulad ng Gemini 3.1 Pro, ay nakamit na ang pagganap na 'gold medal' sa 2025 IMO, na nagpapakita ng mga pamamaraan na inspirasyon ng AlphaGo na nagbubukas ng advanced na pangangatwirang matematikal.
Pagtuklas ng Algorithm: Inspirasyon ng paghahanap ng AlphaGo para sa mga optimal na galaw, sinusuri ng AlphaEvolve ang espasyo ng computer code upang tumuklas ng mas mahusay na mga algorithm. Naranasan nito ang sarili nitong "Galaw 37" sa paghahanap ng isang bagong paraan upang i-multiply ang mga matrix, isang pangunahing operasyon na sumusuporta sa mga modernong neural networks, na nagbibigay ng mga optimisasyon para sa mga lugar mula sa pamamahala ng data center hanggang sa quantum computing.
Pakikipagtulungan sa Siyensiya: Ang mga prinsipyo ng paghahanap at pangangatwiran ng AlphaGo ay isinama na ngayon sa mga AI co-scientists. Ang mga sistemang ito ay maaaring 'magdebate' ng mga ideyang siyentipiko, tukuyin ang mga pattern sa data, at malayang bumuo ng mga hypothesis. Nakita sa isang pag-aaral ng balidasyon sa Imperial College London na ang isang AI co-scientist ay malayang nakakuha ng parehong hypothesis tungkol sa antimicrobial resistance na pinag-ukulan ng mga mananaliksik ng maraming taon sa pagbuo.

Ang mga aplikasyong ito, kasama ang mga pagsisikap na mas maunawaan ang genome, isulong ang pananaliksik sa enerhiyang fusion, at pagbutihin ang pagtataya ng panahon, ay nagbibigay-diin kung paano inilatag ng AlphaGo ang pundasyon para sa AI upang maging isang kailangang-kailangan na kasangkapan sa pamamaraang siyentipiko.

Ang Daan Patungo sa AGI: Ang Blueprint ng AlphaGo para sa Kinabukasan ng AI

Bagaman kahanga-hanga, marami sa mga siyentipikong modelo ng DeepMind ay lubos na espesyalisado. Ang panghuling layunin, na inspirasyon ng paglalakbay ng AlphaGo, ay bumuo ng pangkalahatang sistema ng AI na makakahanap ng mga pinagbabatayang istraktura at koneksyon sa iba't ibang larangan – ang kilala bilang Artipisyal na Pangkalahatang Katalinuhan (AGI).

Para maging tunay na pangkalahatan ang isang AI, kailangan nitong maunawaan ang pisikal na mundo sa kabuuan nito. Nangangailangan ito ng multimodality, isang pangunahing prinsipyo ng disenyo sa likod ng mga modelo ng Gemini ng DeepMind. Naiintindihan ng Gemini hindi lamang ang wika, kundi pati na rin ang audio, video, mga larawan, at code, na bumubuo ng isang mas komprehensibong modelo ng mundo. Mahalaga, ang pinakabagong mga modelo ng Gemini ay gumagamit ng mga teknik na pinasimulan sa AlphaGo at AlphaZero para sa pag-iisip at pangangatwiran sa iba't ibang modalidad na ito.

Ang susunod na henerasyon ng mga sistema ng AI ay mangangailangan din ng kakayahang tumawag sa mga espesyal na kasangkapan, tulad ng paggamit ng isang dalubhasa ng tao ng iba't ibang instrumento para sa iba't ibang gawain. Halimbawa, ang isang sistema ng AGI na nangangailangan ng impormasyon sa istraktura ng protina ay maaaring gamitin ang AlphaFold. Ang kumbinasyon ng mga multimodal world models ng Gemini, ang matibay na mga teknik ng paghahanap at pagpaplano ng AlphaGo, at ang estratehikong paggamit ng mga espesyal na kasangkapan ng AI ay inaasahang magiging kritikal para sa pagkamit ng AGI. Ito ay nagpapahiwatig ng isang kinabukasan kung saan tapos na ang panahon ng AI bilang teksto, na may matatalinong ahente na nagsasagawa ng kumplikado, tunay na mga aksyon sa mundo.

Ang tunay na pagkamalikhain, ang uri na nasilayan sa "Galaw 37", ay nananatiling isang pangunahing kakayahan para sa AGI. Ang isang sistema ng AGI ay hindi lamang gagawa ng isang nobela na estratehiya ng Go; ito ay lilikha ng isang laro na kasing-lalim at kasing-elegante ng Go mismo. Sampung taon na ang nakalipas, ang malikhaing simula na unang pinasiklab ng mapagpasyang galaw ng AlphaGo ay nagdulot ng kaskada ng mga tagumpay, lahat ay nagtatagpo upang buksan ang landas tungo sa AGI at magpasinaya sa ipinangangako na maging isang bagong ginintuang panahon ng pagtuklas siyentipiko.

Dekada ng AlphaGo: Mula sa mga Laro Tungo sa AGI at Pagdiskubreng Siyentipiko