AlphaZero maîtrise échecs, shogi et go en partant de zéro

Le 5 décembre 2017, une équipe de DeepMind met en ligne un article de recherche qui va faire le tour de la planète jeux. Un programme baptisé AlphaZero a appris à jouer aux échecs en partant de rien — sans base d'ouvertures, sans partie humaine, sans le moindre conseil de grand maître. On lui a simplement donné les règles, puis on l'a laissé jouer des millions de parties contre lui-même. Quatre heures plus tard, il battait déjà Stockfish, le moteur d'échecs le plus fort du monde. Et le même algorithme, sans la moindre modification, a fait exactement pareil au shogi (les échecs japonais) et au go. Trois jeux millénaires, une seule recette, aucune connaissance humaine préalable.

Cet article raconte comment fonctionne AlphaZero, et surtout pourquoi c'est une étape marquante de l'histoire de l'intelligence artificielle. Nous allons décortiquer les idées maîtresses — l'auto-jeu, l'apprentissage par renforcement, la recherche arborescente, le réseau de neurones qui remplace des décennies d'expertise humaine — sans jamais supposer que vous êtes ingénieur. La promesse de cette chronique « IA pour tous » tient en une phrase : ces concepts qui font peur sont en réalité plus simples qu'on ne le croit, à condition de prendre le temps de les expliquer avec des images.

Un mot de méthode d'abord. AlphaZero n'est pas sorti de nulle part. Il est l'aboutissement d'une lignée de programmes DeepMind, et sa vraie prouesse n'est pas d'avoir battu Stockfish — d'autres programmes y étaient presque parvenus — mais d'y être arrivé avec une méthode d'apprentissage entièrement générale. C'est cette généralité, cette capacité à s'attaquer à trois problèmes très différents avec le même moule, qui rend le résultat si intéressant. Voyons pas à pas comment tout cela s'articule.

D'AlphaGo à AlphaZero : une lignée d'apprenants

Pour comprendre AlphaZero, il faut remonter le fil. En 2016, DeepMind avait déjà fait sensation avec AlphaGo, le programme qui a battu le multiple champion du monde de go Lee Sedol. Le go était considéré comme le Graal des jeux de plateau pour l'intelligence artificielle : son immense nombre de configurations possibles — bien supérieur au nombre d'atomes dans l'univers observable — rendait inopérantes les méthodes de force brute qui avaient permis de dominer les échecs dans les années 1990.

AlphaGo, cette première version, apprenait en partie sur des parties humaines : on l'avait nourri de millions de coups joués par de bons joueurs, avant de le perfectionner par l'auto-jeu. C'était un exploit, mais il gardait une béquille humaine. L'étape suivante, AlphaGo Zero, présentée en octobre 2017, a coupé cette béquille : le programme apprenait le go uniquement en jouant contre lui-même, à partir du hasard le plus complet, et il a fini par surpasser toutes les versions précédentes. Le mot « Zero » de son nom marque cette rupture : zéro donnée humaine au départ.

Le pas de plus : un algorithme unique pour trois jeux

AlphaZero, dévoilé quelques semaines plus tard, franchit une marche supplémentaire. AlphaGo Zero était encore taillé pour le go — un jeu au plateau symétrique, aux règles bien particulières. AlphaZero, lui, généralise l'approche pour qu'un même algorithme puisse s'appliquer à des jeux aux règles très différentes. Les échecs et le shogi apportent des difficultés que le go ignore :

• Aux échecs et au shogi, les pièces se déplacent de façons variées et le plateau n'est pas symétrique, alors qu'au go toutes les pierres sont identiques ;
• Ces deux jeux admettent des parties nulles, et même de très nombreuses nulles au haut niveau, ce qui complique l'apprentissage par récompense ;
• Le shogi ajoute une règle déroutante : les pièces capturées changent de camp et peuvent être « parachutées » sur le plateau, ce qui gonfle énormément le nombre de coups possibles.

Le tour de force d'AlphaZero est d'absorber ces différences sans qu'on ait à réécrire son cerveau. On change les règles du jeu qu'on lui présente, on relance l'entraînement, et le programme se débrouille. Cette généralité est le vrai message de l'article de décembre 2017 : ce n'est pas un programme d'échecs, ni un programme de go, c'est une méthode d'apprentissage qui se moque du jeu qu'on lui confie, du moment qu'on lui en donne les règles.

Il vaut la peine de mesurer à quel point ce détachement de l'expertise humaine tranche avec l'histoire des programmes de jeu. Pendant un demi-siècle, la recette pour bien jouer aux échecs consistait à distiller le savoir des grands maîtres dans le code : des fonctions d'évaluation soigneusement réglées à la main, des bibliothèques d'ouvertures compilant des décennies de théorie, des tables de finales calculées à l'avance. Le programme n'était, en un sens, qu'un formidable amplificateur de connaissance humaine. AlphaZero renverse cette philosophie : il ne reçoit ni ouverture, ni finale, ni fonction d'évaluation experte. On lui donne les règles, un tableau blanc, et le temps de jouer. Tout le reste, il l'invente.

Partant du jeu aléatoire, et sans autre connaissance du domaine que les règles, AlphaZero a atteint en 24 heures un niveau surhumain aux échecs, au shogi et au go, et a battu de façon convaincante un programme champion du monde dans chacun de ces trois jeux.

L'auto-jeu : apprendre en jouant contre soi-même

Voici sans doute l'idée la plus contre-intuitive, et pourtant la plus belle. Comment un programme peut-il devenir bon à un jeu sans qu'on lui montre jamais une seule partie de bon niveau ? La réponse tient en deux mots : l'auto-jeu.

Imaginez qu'on vous enferme dans une pièce avec un échiquier et les seules règles du jeu, et qu'on vous demande de jouer contre vous-même, encore et encore, pendant des millions de parties. Au début, vos coups seraient totalement aléatoires : vous ne sauriez pas qu'il faut protéger sa dame ou occuper le centre. Mais à chaque partie terminée, vous sauriez au moins une chose : qui a gagné. Et petit à petit, en repérant les enchaînements de coups qui mènent souvent à la victoire et ceux qui conduisent à la défaite, vous affineriez votre jugement. C'est exactement ce que fait AlphaZero, à une échelle et une vitesse hors de portée d'un humain.

Le principe de l'apprentissage par renforcement

Ce mécanisme porte un nom : l'apprentissage par renforcement. Le principe est simple à énoncer. Un « agent » — ici le programme — prend des décisions dans un environnement, et reçoit de temps en temps une récompense. Son objectif est d'ajuster son comportement pour maximiser les récompenses à venir. Pas besoin de lui dire quel est le bon coup à chaque instant : il suffit de lui indiquer, à la fin, s'il a gagné, perdu ou fait nulle. Le programme se charge lui-même de remonter le fil et d'attribuer du crédit aux décisions qui ont mené au bon résultat.

La comparaison qui vient à l'esprit est celle de l'enfant qui apprend à faire du vélo. On ne lui explique pas la physique de l'équilibre ; il essaie, il tombe, il recommence, et son corps finit par retenir les gestes qui évitent la chute. AlphaZero apprend de la même manière, mais sa « chute » est une partie perdue, et il peut en enchaîner des millions par jour sans jamais se lasser ni se décourager. Là où un humain met des années à devenir un bon joueur d'échecs, AlphaZero comprime cet apprentissage en quelques heures grâce à un volume de parties astronomique.

Un détail mérite qu'on s'y arrête, car il éclaire toute la démarche. Dans l'auto-jeu, l'adversaire progresse en même temps que l'apprenant, puisque c'est le même programme. Le niveau de la « salle de sport » monte donc en continu : au début, AlphaZero joue contre un débutant maladroit (lui-même), et à mesure qu'il progresse, son sparring-partner devient plus coriace (toujours lui-même). Cette montée conjointe crée un cercle vertueux : le programme se retrouve toujours confronté à un adversaire exactement à sa mesure, ni trop faible pour ne rien apprendre, ni trop fort pour être écrasé. C'est ce dosage automatique de la difficulté qui rend l'auto-jeu si efficace.

Le rôle discret du hasard au départ

Un point souvent négligé dans les récits grand public mérite qu'on l'explicite : au tout début de l'entraînement, AlphaZero joue vraiment n'importe comment. Ses premières parties sont un fouillis de coups sans queue ni tête, et c'est précisément ce dont il a besoin. Cette exploration désordonnée lui permet de découvrir, par accident, des idées qu'un programme trop prudent n'aurait jamais essayées. Peu à peu, les enchaînements qui mènent souvent à la victoire sont renforcés, ceux qui conduisent à la défaite sont abandonnés, et le chaos initial se cristallise en stratégie.

Cet équilibre entre exploration (essayer des choses nouvelles, même risquées) et exploitation (rejouer ce qui a déjà marché) est l'un des dilemmes centraux de l'apprentissage par renforcement. Trop d'exploitation, et le programme se fige dans des habitudes médiocres sans jamais découvrir mieux ; trop d'exploration, et il ne consolide jamais ses acquis. AlphaZero gère cet arbitrage automatiquement, en injectant une dose de hasard contrôlée dans sa recherche pendant l'entraînement. C'est ce qui lui permet, dans certaines parties, de tomber sur des coups inhabituels — des sacrifices ou des manœuvres que la théorie classique aurait écartés — et de découvrir qu'ils fonctionnent. Une partie du style si particulier d'AlphaZero prend racine ici, dans cette liberté d'essayer laissée à la machine.

Le réseau de neurones : intuition et calcul en un seul cerveau

Reste une question : quand AlphaZero joue une partie contre lui-même, comment décide-t-il de son coup ? Il ne peut évidemment pas explorer tous les coups possibles jusqu'à la fin — aux échecs, l'arbre des possibilités est bien trop vaste. C'est là qu'intervient son cœur : un réseau de neurones, sorte de cerveau artificiel entraîné à porter deux jugements sur une position donnée.

Ce réseau produit deux sorties, que les chercheurs appellent la « tête de politique » et la « tête de valeur ». Traduisons en langage courant :

• La politique répond à la question « quels coups semblent prometteurs ici ? ». Plutôt que de considérer tous les coups légaux, le réseau attribue à chacun une probabilité d'être intéressant, orientant d'emblée l'attention vers les bonnes idées.
• La valeur répond à la question « qui est en train de gagner ? ». Le réseau donne une estimation, un nombre compris entre perdre à coup sûr et gagner à coup sûr, résumant en un chiffre la santé de la position.

Ces deux jugements correspondent à ce qu'un fort joueur humain appelle son intuition. Un grand maître ne calcule pas toutes les variantes : d'un coup d'œil, il « sent » les coups candidats et évalue la position. La force d'AlphaZero est d'apprendre cette intuition tout seul, par l'auto-jeu, sans qu'on la lui ait jamais enseignée. Sur le plan technique, ce réseau repose sur une architecture dite « à blocs résiduels » — une pile de couches qui a fait ses preuves dans la reconnaissance d'images — surmontée des deux têtes décrites ci-dessus.

La recherche arborescente : vérifier l'intuition par le calcul

L'intuition seule ne suffit pas ; il faut la vérifier. AlphaZero combine donc son réseau de neurones avec une technique de recherche arborescente Monte-Carlo (en anglais, Monte Carlo Tree Search, ou MCTS). Le nom est intimidant, l'idée l'est beaucoup moins.

Partant de la position actuelle, le programme explore un arbre de coups possibles : « si je joue ceci, l'adversaire répondra probablement cela, et alors je pourrais jouer ceci… ». À chaque étape, plutôt que d'ouvrir toutes les branches, il se laisse guider par la « politique » du réseau, qui lui souffle quelles branches méritent l'attention. Et pour juger du bout d'une branche sans aller jusqu'à le terme de la partie, il s'appuie sur la « valeur » du réseau. En répétant cette exploration ciblée des milliers de fois, AlphaZero concentre son calcul sur les variantes qui comptent vraiment et finit par désigner le coup le plus solide.

Ce mariage entre intuition (le réseau) et calcul (la recherche) est le vrai secret d'AlphaZero. Le réseau évite d'explorer des milliards de coups sans intérêt ; la recherche évite de faire aveuglément confiance à une intuition qui pourrait se tromper. L'un corrige les faiblesses de l'autre. Et détail remarquable, ce même mécanisme sert deux fonctions : pendant l'entraînement, il génère les parties d'auto-jeu dont le programme apprend ; pendant une vraie partie, il choisit les coups à jouer. La même machinerie apprend et joue.

Une boucle d'amélioration qui se referme sur elle-même

Le plus élégant, dans ce dispositif, c'est la manière dont réseau et recherche se tirent mutuellement vers le haut. Voici la boucle, décrite simplement. Le réseau propose une première intuition sur les bons coups. La recherche arborescente, en explorant les conséquences de ces coups, produit une évaluation plus fine, souvent meilleure que l'intuition brute du réseau. On enregistre alors ces conclusions de la recherche, et on s'en sert pour corriger le réseau : la prochaine fois, son intuition sera un peu plus juste, car elle aura intégré ce que la recherche a découvert. Puis la recherche repart d'une meilleure base, produit des évaluations encore plus fines, qui corrigent à nouveau le réseau, et ainsi de suite.

Cette boucle est le moteur de tout l'apprentissage. À chaque tour, la recherche joue le rôle d'un professeur exigeant qui montre au réseau où il se trompe, et le réseau, en s'améliorant, rend la recherche suivante plus pertinente. Ni l'un ni l'autre ne pourrait progresser seul aussi vite. C'est cette dynamique en spirale — la recherche affine le réseau, le réseau accélère la recherche — qui explique comment AlphaZero peut, en quelques heures, passer du hasard le plus complet à un niveau que nul humain n'atteint. On tient là, en une image, l'essence de la méthode : deux composants imparfaits qui, en s'entraînant l'un l'autre, deviennent ensemble bien plus forts que chacun séparément.

Peu de calcul brut, beaucoup d'intelligence

C'est ici que les chiffres publiés par DeepMind deviennent parlants, car ils renversent une idée reçue. On imagine volontiers qu'une machine gagne aux échecs en calculant plus vite et plus loin que quiconque. AlphaZero prouve le contraire.

Aux échecs, AlphaZero n'examine qu'environ 80 000 positions par seconde. Son adversaire Stockfish, lui, en évalue près de 70 millions dans le même temps — soit à peu près 875 fois plus. Au shogi, l'écart est du même ordre : environ 40 000 positions par seconde pour AlphaZero, contre 35 millions pour son rival Elmo. Autrement dit, AlphaZero gagne alors qu'il regarde des centaines de fois moins de positions que l'adversaire qu'il bat.

Comment est-ce possible ? Parce qu'AlphaZero ne compense pas par la quantité, mais par la qualité de sa sélection. Là où Stockfish ratisse large en explorant énormément de variantes, y compris beaucoup d'impasses, AlphaZero se concentre d'emblée, grâce à son réseau, sur la poignée de coups qui comptent vraiment. C'est la différence entre un lecteur qui parcourt chaque mot d'une bibliothèque entière et un lecteur qui sait exactement dans quel rayon et sur quelle page se trouve la réponse. Le second lit infiniment moins, mais trouve plus vite.

AlphaZero recherche environ 80 000 positions par seconde aux échecs, contre 70 millions pour Stockfish : il compense ce moindre volume d'évaluations en concentrant, grâce à son réseau, la recherche sur les variations les plus prometteuses.

Cette leçon dépasse largement le jeu d'échecs. Elle illustre un basculement de fond dans l'intelligence artificielle : pendant des décennies, progresser voulait dire calculer davantage. AlphaZero montre qu'une intuition bien apprise peut valoir mieux qu'une force brute colossale. Ce déplacement — de la puissance de calcul vers la qualité de l'apprentissage — irrigue aujourd'hui une grande partie des recherches sur l'IA.

Les coulisses de l'entraînement

Parlons concret. Apprendre trois jeux à partir de zéro, cela demande des moyens. AlphaZero a été entraîné exclusivement par auto-jeu, sur une infrastructure de calcul considérable. Selon les informations publiées, l'entraînement a mobilisé environ 5 000 processeurs spécialisés de première génération (les fameuses TPU conçues par Google pour l'apprentissage automatique) pour générer les parties, et 64 processeurs de seconde génération pour entraîner le réseau de neurones à partir de ces parties. Le tout fonctionnait en parallèle, sans accès à la moindre bibliothèque d'ouvertures ni table de finales.

La durée d'entraînement dépend de la complexité du jeu. D'après DeepMind, il a fallu environ neuf heures pour les échecs, douze heures pour le shogi, et treize jours pour le go, nettement plus riche combinatoirement. Un chiffre a particulièrement frappé les commentateurs : le fameux résultat obtenu en quatre heures aux échecs, souvent cité, correspond au moment où AlphaZero dépasse déjà le niveau de Stockfish en cours d'entraînement. En quelques heures, le programme parcourt donc un chemin que l'humanité a mis des siècles à défricher.

La nuance à garder en tête

Un peu de recul s'impose, car l'exploit a nourri quelques exagérations. Certains ont présenté AlphaZero comme une intelligence quasi universelle. C'est aller trop vite. AlphaZero excelle dans une catégorie bien précise de problèmes : les jeux à deux joueurs, à information complète (chacun voit tout le plateau), déterministes (aucun hasard, pas de dé) et dont les règles sont parfaitement connues à l'avance. Beaucoup de problèmes du monde réel ne cochent aucune de ces cases : l'information y est partielle, le hasard omniprésent, et les « règles » souvent floues ou mouvantes.

De même, il faut relativiser la comparaison avec Stockfish. Des voix se sont élevées, dans la communauté des échecs, pour souligner que les conditions du match — le matériel alloué à chaque programme, les réglages de Stockfish, l'absence de bibliothèque d'ouvertures pour ce dernier — n'étaient pas parfaitement équilibrées. Ces objections sont légitimes et il serait malhonnête de les taire. Elles ne remettent toutefois pas en cause l'essentiel : ce qui impressionne dans AlphaZero, ce n'est pas d'avoir battu Stockfish de tel ou tel score exact, c'est d'y être parvenu avec une méthode entièrement générale, en partant du hasard le plus complet.

Les résultats des matchs, jeu par jeu

Venons-en aux affrontements eux-mêmes, ceux qui ont fait la une. Une fois entraîné, AlphaZero a été confronté au meilleur programme de chaque discipline. Le bilan, publié par DeepMind, est sans appel.

Aux échecs, face à Stockfish

Dans un match à huis clos de 100 parties contre Stockfish, AlphaZero l'a emporté avec 28 victoires, 72 nulles et aucune défaite. En partant de la position initiale normale, il a gagné 25 parties avec les Blancs, 3 avec les Noirs, et concédé la nulle dans les 72 autres. Pas une seule défaite face au moteur le plus fort du monde : le résultat est net.

Mais au-delà du score, ce sont les parties qui ont fasciné les joueurs. AlphaZero a produit un échecs d'un style singulier, souvent qualifié de « romantique » : sacrifices de matériel audacieux pour obtenir une activité de pièces durable, mépris apparent pour certains principes classiques, préférence marquée pour la mobilité plutôt que pour l'accumulation de matériel. Là où les moteurs traditionnels jouent de façon presque comptable, AlphaZero semblait jouer selon une compréhension plus profonde et plus fluide de la position. Des grands maîtres humains ont parlé d'un style rafraîchissant, presque humain dans son goût du risque.

Cette différence de tempérament n'est pas anecdotique : elle découle directement de la méthode. Un moteur classique évalue une position en additionnant des critères numériques réglés par des programmeurs humains — tant de points pour un pion, tant pour la sécurité du roi, tant pour le contrôle du centre. Sa vision reste, au fond, une somme de règles écrites par des gens. AlphaZero, lui, a construit sa propre évaluation à partir de rien, en observant simplement ce qui mène à la victoire sur des millions de parties. Rien ne l'obligeait à valoriser le matériel autant que la tradition humaine le fait. Résultat : il sacrifie volontiers un pion, parfois une pièce, quand son expérience lui a appris que l'activité obtenue en échange vaut davantage sur la durée. Ce que les commentateurs ont perçu comme de l'audace n'est, du point de vue de la machine, qu'un calcul froid fondé sur une base de connaissances bâtie de façon entièrement autonome.

Plusieurs de ses parties d'exhibition ont été abondamment analysées et commentées après la publication. On y voit AlphaZero enfermer patiemment les pièces adverses, accepter des faiblesses structurelles apparentes en échange d'une pression durable, et privilégier des plans à long terme là où un moteur classique aurait cherché un gain matériel immédiat. Pour beaucoup de joueurs, ces parties ont eu une valeur pédagogique : elles ont rappelé que certains principes de la stratégie échiquéenne, tenus pour acquis, méritaient d'être réexaminés à la lumière d'une intelligence qui les avait redécouverts — ou écartés — par elle-même.

Au shogi et au go

Le même schéma s'est répété dans les deux autres jeux. Au shogi, AlphaZero a battu Elmo, le programme de référence — perdant ici quelques parties, mais s'imposant très largement dans l'ensemble. Au go, il a vaincu la version précédente d'AlphaGo Zero, celle-là même qui avait déjà surpassé toutes les versions ayant battu les champions humains. Un même programme, trois jeux, trois adversaires de tout premier plan, trois victoires convaincantes : c'est cette triple démonstration, réalisée avec un algorithme identique, qui constitue le véritable événement.

Ce que cela change pour l'IA

Pourquoi cette histoire de jeux de plateau a-t-elle autant compté pour l'intelligence artificielle dans son ensemble ? Parce qu'elle valide, de façon éclatante, une idée qui va bien au-delà de l'échiquier : un système peut acquérir une compétence de très haut niveau sans qu'on lui transmette le savoir humain accumulé, simplement en explorant lui-même un espace de possibilités guidé par des récompenses.

Cette idée a une portée pratique considérable. Dans de nombreux domaines, le savoir humain est rare, coûteux à collecter, ou tout simplement inexistant. Un système capable d'apprendre par l'expérience, sans dépendre de données annotées par des experts, ouvre des perspectives partout où l'on peut définir clairement un objectif et laisser la machine chercher. On retrouve cette même philosophie de l'apprentissage par renforcement dans des travaux ultérieurs sur la découverte scientifique, l'optimisation de systèmes complexes ou l'entraînement des grands modèles de langage à mieux raisonner.

Il y a aussi une dimension plus subtile, presque philosophique. En jouant contre lui-même sans a priori humain, AlphaZero a redécouvert seul des principes stratégiques que l'humanité avait mis des siècles à formaliser — l'importance du centre, la valeur de l'initiative — mais il en a aussi bousculé d'autres, jouant des coups que les experts humains auraient spontanément écartés. Cette capacité à sortir des sentiers battus, à ne pas être prisonnier des habitudes d'une discipline, est précisément ce qu'on attend d'un outil qui aide à explorer l'inconnu.

La leçon n'est pas qu'une machine bat l'humain à un jeu, mais qu'un système peut, en partant de zéro, découvrir par lui-même des stratégies que des siècles d'expertise n'avaient pas épuisées.

Comprendre les limites sans minimiser l'avancée

Pour rester juste, résumons ce qu'AlphaZero fait, et ce qu'il ne fait pas. Il maîtrise superbement une famille de problèmes bien cadrés : deux joueurs, information complète, règles connues, pas de hasard. Dans ce cadre, il apprend seul, vite, et à un niveau que nul humain n'atteint. C'est un résultat solide et reproductible, publié et depuis largement étudié.

Ce qu'il ne fait pas, c'est généraliser à des situations aux règles inconnues ou incertaines, aux informations cachées, ou dépendant du hasard. Un jeu de cartes où l'on ne voit pas la main de l'adversaire, une négociation, la conduite dans le trafic réel : autant de terrains où le cadre d'AlphaZero ne s'applique pas directement. Reconnaître ces limites n'affaiblit en rien l'accomplissement ; cela permet de le situer avec justesse. AlphaZero n'est pas une intelligence générale : c'est une démonstration remarquable qu'une méthode d'apprentissage bien conçue peut, dans son domaine, se passer entièrement du savoir humain.

Et c'est peut-être là le plus enthousiasmant. Chaque fois qu'un système repousse ainsi une frontière que l'on croyait indépassable sans expertise humaine, il élargit le champ de ce que l'apprentissage automatique peut espérer accomplir. AlphaZero n'est pas un aboutissement, c'est une porte ouverte — et une belle invitation à comprendre, sans se laisser intimider, les idées qui font tourner l'IA d'aujourd'hui.

Avec le recul

(depuis 2026) La lignée n'en est pas restée là. En 2019, DeepMind a présenté MuZero, qui pousse l'idée plus loin encore en apprenant à planifier sans même connaître les règles du jeu à l'avance — un pas de plus vers des agents capables d'évoluer dans des environnements inconnus. Et l'esprit d'AlphaZero — apprendre par soi-même à partir d'une récompense claire — a essaimé bien au-delà des jeux, jusque dans les méthodes d'entraînement au raisonnement des grands modèles de langage récents. Avec le recul, l'article de décembre 2017 apparaît comme un jalon : le moment où l'apprentissage par renforcement à partir de zéro a cessé d'être une curiosité de laboratoire pour devenir une brique majeure de l'IA.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• Silver, Hubert, Schrittwieser et al., « Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm » (preprint du 5 décembre 2017) — arXiv 1712.01815 (algorithme, auto-jeu, résultats des matchs).
• DeepMind, « AlphaZero: Shedding new light on chess, shogi, and Go » — deepmind.google (présentation officielle, durées d'entraînement).
• Silver et al., « A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play », Science — science.org (version publiée et évaluée par les pairs).
• « AlphaZero » — Wikipedia (infrastructure TPU, positions par seconde, résultats détaillés).
• Chess.com, « Google's AlphaZero Destroys Stockfish In 100-Game Match » — chess.com (score 28-72-0, réactions de la communauté).
• The Morning Paper, « Mastering chess and shogi by self-play… » — blog.acolyer.org (analyse pédagogique de l'article).