In meiner Kindheit liebte ich Go sehr, fast bis zur Besessenheit. Ich spielte keine Videospiele, mein Handy hatte nur eine App namens Go-Bibel, ich schaute Tag und Nacht die Partien von professionellen Spielern an und spielte, wann immer ich etwas Freizeit hatte, Online-Go. Abends saß ich im Bett und stellte die Steine auf, kämpfte gegen mich selbst, und morgens wachte ich auf und fand, dass ich auf Steinen lag – damals war ich fest davon überzeugt, dass Go die Krone aller Denksportarten ist. Der Moment, als mein Glauben zerbrach, war vor 10 Jahren, als AlphaGo meinen Lieblingsspieler Lee Sedol besiegte. Alle romantischen Vorstellungen verschwanden, Go war nicht mehr elegant, es wurde so langweilig wie Schach, der Rubik-Würfel oder Poker. In der High School war ich von Physik besessen, ein unvergesslicher Moment war, als ich eine Aufgabe löste: Wie sieht das Universum aus, wenn man mit 0,5-facher Lichtgeschwindigkeit fliegt? Die Antwort ist, dass man unter dem Einfluss der relativistischen Lichtablenkung und des Dopplereffekts einen blauen Körper mit rotem Rand in einer Goldfischschüssel sieht – ich dachte, es gibt wohl nichts Schöneres auf der Welt. Später stellte ich fest, dass veraltete mathematische Werkzeuge die Physiker stark einschränkten. Selbst viel intelligentere Menschen als ich könnten ihr ganzes Leben lang keine einheitliche Theorie finden, also gab ich auf. Aber das Gefühl für Physik, das wie ein weißer Mondschein war, blieb. Jedes Mal, wenn ich nach Hause kam, sprach ich mit meinen ehemaligen Klassenkameraden, mit denen ich Physik gelernt hatte, und stillte meinen Verstand. Vor ein paar Tagen erzählte mir ein Doktorand, der an der Peking-Universität Hochenergiephysik macht: Es gibt ein vertikales Projekt, das einen Agenten entwickelt, der auf Claude Code basiert und die Artikel reproduziert. Er hat die Artikel in seinem eigenen Bereich fast alle reproduziert. Vielleicht steht die Physik auch vor ihrem AlphaGo-Moment... Es geht nicht darum, dass KI die besten Methoden der Forschung beherrschen kann, es ist überhaupt nicht notwendig, die Optimierung zu verfolgen, solange sie besser ist als der Mensch. Im Trainingsdatensatz von AlphaGo waren viele Partien menschlicher Spieler enthalten. Nach AlphaGo entwickelte das Team von DeepMind ein viel stärkeres Go-Modell namens AlphaZero – ohne auch nur einen Tropfen menschlicher Partien, rein aus den ersten Prinzipien selbst entwickelt. Was noch frustrierender ist: DeepMind hat nicht weiter an einem stärkeren Modell gearbeitet, sondern einfach erklärt, dass das Go-Problem vollständig gelöst ist. Zerstört dich, was kümmert es dich?