Le jeu de Go semblait une formalité pour l’intelligence artificielle, qui arrivait à battre tous les plus grands maîtres, mais un joueur a réussi à vaincre la machine. Kellin Pelrine, dont le classement elo se situe juste en dessous du meilleur classement amateur, a exploité une faille pour mettre son adversaire dans une situation périlleuse et remporter la partie.
Grâce à AlphaGo, l’intelligence artificielle avait le dessus sur les humains dans le jeu de go
L’histoire entre l’intelligence et le jeu de go reste très récente. Après plusieurs tentatives infructueuses, l’entreprise britannique DeepMind spécialisée dans l’IA et appartenant désormais à Google a réussi à développer en 2014 un programme informatique baptisé AlphaGo. Celui-ci réussit à battre en octobre 2015, le joueur français professionnel Fan Hui, puis en mars 2016, l’un des meilleurs joueurs mondiaux de l’époque, le coréen Lee Sedol.
Inscrivez-vous à la newsletter
En vous inscrivant vous acceptez notre politique de protection des données personnelles.
Ce dernier, qui prendra sa retraite trois ans plus tard, avait même affirmé que l’IA avait été une des raisons qui l’avait poussé à se séparer du jeu de go. « Je ne suis plus au sommet, même si je deviens le numéro un. Il y a une entité qui ne peut plus être vaincue » affirmait le joueur déprimé après sa défaite face à la machine. En 2017, AlphaGo l’emporte une nouvelle fois face au meilleur joueur du monde, confirmant sa suprématie sur les humains. Juste après cette victoire, les développeurs ont décidé de mettre un terme au développement du logiciel.
Entre-temps, plusieurs entreprises et développeurs ont mis au point leur propre IA, inspirée des prouesses d’AlphaGo. C’est le cas de KataGo, un autre modèle d’IA conçu par David Wu et également capable de battre des joueurs professionnels du jeu de go. Si cet outil, tout comme AlphaGo, était invincible, un joueur américain amateur, dont le classement est certes bon, mais pas aussi excellent que celui des joueurs professionnels, a réussi à mettre en déroule ce programme informatique.
Kellin Pelrine a réussi à feinter la machine pour l’emporter
Kellin Pelrine avait déjà affronté KataGo par le passé. Il avait déjà été battu à de nombreuses reprises par le programme informatique, mais restait convaincu qu’il était possible de le battre. Avec le soutien de la société, Far AI, le joueur a pu s’entraîner face à une IA comparable à celle de KataGo. Il a ainsi terminé plus d’un million de parties face à la machine afin de trouver ses failles.
Après plusieurs mois de travail, Kellin Pelrine a mis au point un plan d’attaque qu’il a exécuté face à KataGo. Sa stratégie consistait à encercler lentement des groupes de pièces adverses. Pour distraire l’IA, il mettait son plan à exécution un coup sur deux. Le premier coup lui permettant d’encercler les pièces adverses, le second coup visant à poser une pièce sur une autre partie du plateau qui n’avait rien à voir avec la zone où il jouait précédemment. Ainsi, sur 15 parties, le joueur américain en a remporté 14.
De manière assez remarquable, Kellin Pelrine a également appliqué sa stratégie face à une autre intelligence artificielle, Leela Zero. Et de la même manière, il l’a emporté sur la machine. Si cette stratégie semble exceptionnelle, en réalité, elle n’est pas tout à fait triviale selon la déclaration de Pelrine au Financial Times. Ce plan d’attaque reste assez facile à apprendre pour des joueurs amateurs possédant un bon niveau et pour l’ensemble des joueurs professionnels. À noter que pour ces derniers, la stratégie utilisée par Pelrine est très facile à remarquer et à contourner, et ne fonctionne donc que sur les IA.
Selon l’analyse réalisée par Stuart Russel, informaticien à l’Univsersité de Berkeley pour le Financial Times, « le succès du joueur montre une faiblesse fondamentale de l’IA moderne. Les systèmes ne comprennent que les situations pour lesquelles ils sont bien formés, mais échouent généralement lorsqu’il s’agit d’analyser une situation particulière et qu’ils n’ont jamais vu ». En clair, la stratégie est tellement peu utilisée par les joueurs qu’elle n’est pas présente dans les données d’entraînement utilisées pour parfaire ces IA.
