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: "AlphaGo的十年：从博弈到通用人工智能与科学发现" slug: "10-years-of-alphago" date: "2026-03-12" lang: "zh" source: "https://deepmind.google/blog/10-years-of-alphago/" category: "人工智能研究" keywords:

AlphaGo
DeepMind
AGI
通用人工智能
AlphaFold
蛋白质折叠
科学发现
强化学习
围棋
Move 37
AlphaZero
Gemini meta_description: "庆祝AlphaGo击败围棋世界冠军十年，探索其深远影响，从推动AlphaFold等科学突破到为通用人工智能（AGI）铺平道路。" image: "/images/articles/10-years-of-alphago.png" image_alt: "AlphaGo在与李世石的历史性围棋比赛中标志性的第37手，象征着人工智能研究的转折点。" quality_score: 94 content_score: 93 seo_score: 95 companies:
Google schema_type: "NewsArticle" reading_time: 7 faq:
question: "AlphaGo在2016年的胜利有何重要意义？" answer: "AlphaGo在2016年击败围棋世界冠军李世石是一项里程碑式的成就，标志着现代人工智能时代的开始。它证明了人工智能系统不仅可以模仿人类专业知识，还能开发出新颖、富有创造性的策略，甚至让专业棋手也感到惊讶，例如著名的“第37手”。这一突破打破了人工智能发展的原有时间表，证明了其解决极其复杂问题的潜力，并为游戏之外的现实世界科学领域应用铺平了道路，预示着人工智能技术能力和期望的深刻转变。"
question: "AlphaGo的方法论在初期成功后是如何演变的？" answer: "在初次成功之后，随着AlphaGo Zero和AlphaZero的引入，AlphaGo的方法论迅速演变。AlphaGo Zero完全通过自我对弈学习围棋，没有使用任何人类数据，仅依靠强化学习成为史上最强的围棋选手。随后，AlphaZero将这种方法推广开来，从零开始掌握了国际象棋和将棋等多种双人完美信息博弈游戏。这表明深度神经网络、高级搜索和强化学习的基本原理可以应用于各种复杂的领域，而无需预先具备特定的游戏知识，证明了该方法的强大适应性。"
question: "AlphaFold是什么？它与AlphaGo的遗产有何关联？" answer: "AlphaFold 2是DeepMind的一个人工智能系统，解决了长达50年的蛋白质三维结构预测这一重大挑战。它与AlphaGo的遗产直接相关，因为它将类似的导航巨大搜索空间的基本原理应用于复杂的科学问题。正如AlphaGo掌握了围棋棋盘上错综复杂的可能性一样，AlphaFold解决了蛋白质折叠构象的组合爆炸问题。它的成功使得所有2亿已知蛋白质的结构得以被预测，并为其创造者赢得了诺贝尔奖，这说明了博弈型人工智能研究如何能够促进生物学和医学等领域的深刻突破。"
question: "除了蛋白质折叠，AlphaGo的方法还影响了哪些科学领域？" answer: "AlphaGo的开创性方法除了蛋白质折叠之外，还影响了许多科学领域。其深度强化学习和高级搜索的原理已应用于数学推理，例如AlphaProof系统在国际数学奥林匹克竞赛（IMO）中达到了银牌标准，以及Gemini的Deep Think模式取得了金牌。它还启发了AlphaEvolve，一个发现高效算法的编码智能体，并推动了人工智能共同科学家的发展，这些科学家能够辩论假设并加速抗生素耐药性、基因组理解、聚变能源研究和天气预报改进等领域的研究。"
question: "AlphaGo的工作如何促进通用人工智能（AGI）的发展？" answer: "AlphaGo的工作通过提供复杂问题解决、搜索和强化学习的基础技术，对通用人工智能（AGI）的发展做出了关键贡献。其学习新颖策略和跨领域泛化的能力被视为AGI的蓝图。DeepMind的Gemini模型旨在实现多模态并理解各种数据类型，整合了AlphaGo的搜索和规划技术。目标是将世界模型、高级搜索和专业人工智能工具结合起来，以实现真正的创造力和通用推理能力，从而应对未知的科学和工程挑战，超越专业人工智能系统。"
question: "“第37手”是什么？它在人工智能历史上为何如此重要？" answer: "'第37手'指的是AlphaGo在2016年与李世石的第二盘对弈中下出的一步特定、非传统的棋。专业的围棋评论员最初认为这是一个错误，因为它偏离了既定的人类策略。然而，事实证明，这是一步决定性的、具有远见的棋，为AlphaGo的胜利奠定了基础。它的重要性在于展示了人工智能真正的创造力和战略创新能力，不仅仅是模仿人类专家，而是以全新的方法超越他们。它成为了人工智能“跳出固有思维”潜力的强大象征，并预示了人工智能未来在各个学科中重新定义问题解决方式的能力。"

AlphaGo的持久遗产：人工智能转型和科学突破的十年

十年前，世界见证了一个不可逆转地重塑人工智能轨迹的时刻。2016年3月12日，DeepMind的人工智能系统AlphaGo实现了许多专家认为还需要十年才能达到的成就：在极其复杂的围棋游戏中击败了世界冠军。这项里程碑式的成就，因如今已成为传奇的“第37手”而备受瞩目，它不仅是博弈型人工智能的一个里程碑；它预示着现代人工智能时代的黎明，展示了一种超越人类直觉的创造性火花，并预示了人工智能解决现实世界科学问题的潜力。

今天，当我们纪念那场历史性比赛十年之际，AlphaGo的突破继续为DeepMind追求通用人工智能（AGI）提供信息和启发。从掌握一种古老的棋盘游戏到推动诺贝尔奖级科学发现的历程，凸显了AlphaGo深远而持久的影响，使其成为人类寻求终极工具以推进科学、医学和生产力的基石。

历史性对决：“第37手”与新时代的黎明

2016年，当AlphaGo在首尔与围棋传奇李世石对弈时，全世界都为之惊叹。围棋拥有惊人的10^170种可能的棋盘局面——远远超过可观测宇宙中的原子数量——因其巨大的复杂性和对直觉的依赖，长期以来被认为是人工智能的终极挑战。AlphaGo的胜利证明了其新颖的架构，它结合了深度神经网络、高级搜索算法和强化学习，这是DeepMind开创的一种方法。

决定性时刻出现在第二局的“第37手”。这一着法如此非同寻常，以至于专业评论员最初认为它是一个错误。然而，AlphaGo的深远洞察力证明他们错了。一百手之后，那颗棋子正好处于AlphaGo确保胜利所需的位置。这一富有创造性、看似反直觉的棋招展示了一个人工智能系统能够超越模仿人类专家，具备发现全新最优策略的能力。这是人工智能真正创新能力日益增长的明确预兆。

超越棋盘：AlphaGo的演进与泛化

AlphaGo的最初成功仅仅是一个开始。DeepMind迅速发展其博弈型人工智能系统，通过自我改进和泛化不断突破可能的边界。

首先是AlphaGo Zero，这是一个完全通过自我对弈学习围棋的系统，从完全随机的走法开始，不使用任何人类专家数据。通过与自己对弈数十万局，AlphaGo Zero不仅超越了其前身，而且可以说成为了历史上最强的围棋选手，展示了纯粹强化学习的力量。

接下来，AlphaZero进一步泛化了这一概念。AlphaZero旨在掌握任何双人完全信息博弈游戏，它从零开始自学了围棋、国际象棋和将棋。在仅给出规则的情况下，AlphaZero能够在短短几小时内学会并击败顶尖人类玩家，甚至超越当时最专业的国际象棋程序，如Stockfish。就像在围棋中一样，AlphaZero的全新视角在这些经过长期研究的游戏中发现了新的策略，证明了其学习算法的适应性和强大能力。

这种从特定游戏精通到泛化学习的快速进展是关键一步，表明人工智能的基本原理可以广泛应用。下表展示了这些开创性人工智能系统的传承和影响：

人工智能系统	核心创新	主要成就
AlphaGo	深度神经网络、蒙特卡洛树搜索（MCTS）、强化学习	首个击败围棋世界冠军的人工智能；“第37手”展示了人工智能的创造力。
AlphaGo Zero	从零开始自我对弈，无人类数据	成为最强围棋选手；自主学习最优策略。
AlphaZero	跨多游戏泛化自我对弈算法	从零开始掌握围棋、国际象棋和将棋；在数小时内击败顶尖专业程序。
AlphaFold 2	用于蛋白质结构预测的人工智能	解决了长达50年的蛋白质折叠问题；促成了诺贝尔奖；创建了公共蛋白质数据库。
AlphaProof	语言模型 + AlphaZero的强化学习/搜索用于形式化证明	在国际数学奥林匹克竞赛（IMO）中达到数学推理银牌标准。
AlphaEvolve	由Gemini驱动的算法发现编码智能体	发现了新颖、更高效的矩阵乘法算法；在数据中心优化方面具有潜力。
Gemini DeepThink	多模态推理，受AlphaGo启发的搜索与规划	在IMO中达到金牌标准；应用于复杂的、开放式的科学和工程挑战。

推动科学突破：从蛋白质到证明

AlphaGo背后的真正愿景始终是加速科学发现。通过证明其在围棋巨大搜索空间中导航的能力，它展示了人工智能理解物理世界巨大复杂性的潜力。这一理念迅速转化为切实的科学进步。

2020年，DeepMind攻克了生物学领域的一项“重大挑战”：蛋白质折叠问题。50年来，科学家们一直在努力预测蛋白质的三维结构，这对于理解疾病和开发新药至关重要。AlphaFold 2作为AlphaGo原理的直接继承者，成功预测了这些复杂的结构。这项里程碑式的成就使得所有2亿已知蛋白质的结构得以被预测，并以开源数据库的形式免费提供给全球超过300万研究人员使用。这项开创性工作为John Jumper和Demis Hassabis代表AlphaFold团队赢得了2024年的诺贝尔化学奖，巩固了人工智能在变革性科学研究中的作用。

AlphaGo的影响进一步扩展到不同的科学和数学领域：

数学推理： AlphaProof直接继承了AlphaGo的架构基因，学会了证明形式化的数学命题。它将语言模型与AlphaZero的强化学习和搜索相结合，在IMO中达到了银牌标准。DeepMind最新多模态模型（例如Gemini 3.1 Pro）中的高级Deep Think模式，此后在2025年IMO中取得了金牌表现，展示了受AlphaGo启发的方法如何解锁高级数学推理。
算法发现： 受AlphaGo搜索最优落子的启发，AlphaEvolve探索计算机代码空间以发现更高效的算法。它通过找到一种新颖的矩阵乘法方法，经历了它自己的“第37手”时刻，矩阵乘法是现代神经网络的基础运算，有望为从数据中心管理到量子计算等领域带来优化。
科学协作： AlphaGo的搜索和推理原理现已整合到人工智能共同科学家中。这些系统可以“辩论”科学思想，识别数据中的模式，并独立生成假设。伦敦帝国学院的一项验证研究表明，一名人工智能共同科学家独立得出了与研究人员耗时多年才提出的抗生素耐药性相关的相同假设。

这些应用，以及更好地理解基因组、推进聚变能源研究和改进天气预报的努力，都强调了AlphaGo如何为人工智能成为科学方法中不可或缺的工具奠定了基础。

通往AGI之路：AlphaGo作为人工智能未来的蓝图

尽管令人印象深刻，DeepMind的许多科学模型都是高度专业化的。受到AlphaGo旅程的启发，最终目标是构建能够在不同领域发现底层结构和联系的通用人工智能系统——即通用人工智能（AGI）。

为了使人工智能真正具有通用性，它必须全面理解物理世界。这需要多模态性，这是DeepMind Gemini模型背后的核心设计原则。Gemini不仅理解语言，还理解音频、视频、图像和代码，从而构建一个更全面的世界模型。至关重要的是，最新的Gemini模型采用了AlphaGo和AlphaZero开创的技术，用于跨这些模态进行思考和推理。

下一代人工智能系统还将需要调用专业工具的能力，就像人类专家使用不同的工具完成不同的任务一样。例如，一个需要蛋白质结构信息的AGI系统可以利用AlphaFold。Gemini的多模态世界模型、AlphaGo强大的搜索和规划技术，以及专业人工智能工具的战略性使用相结合，预计将是实现AGI的关键。这预示着一个人工智能作为文本的时代已经结束的未来，智能体将执行复杂的、真实世界的动作。

真正的创造力，那种在“第37手”中惊鸿一瞥的能力，仍然是AGI的关键能力。一个AGI系统不仅仅会设计出新颖的围棋策略；它还会发明一个像围棋本身一样深奥而优雅的游戏。十年过去了，AlphaGo决定性的一手首次点燃的创造性火花，已经催生了一系列突破，所有这些都汇聚起来，为通往AGI的道路铺平道路，并开启一个有望成为科学发现新黄金时代的时期。

AlphaGo的十年：从博弈到通用人工智能与科学发现