1985 spelade en ung, kaxig stormästare i schack – Garry Kasparov – trettiotvå partier samtidigt. Inte mot andra människor utan mot datorer. Han vann alla matcher enkelt, förutom en. En dator gjorde motstånd och Kasparov var tvungen att skärpa koncentrationen. Han lurade datorn genom att offra en bonde och vann.

Resultat Kasparov 32 - Datorerna 0.

Kasparov versus Deep Blue

Elva år senare spelade Kasparov igen mot en dator, och den här gången bara en, kallad Deep Blue. En betydligt kraftfullare maskin än de han hade stött på tidigare. Den kunde beräkna 100 miljoner möjliga drag per sekund. Något som ingen mänsklig hjärna vara nära. Inte ens Garry Kasparovs.

I det första partiet chockade datorn Kasparov genom att offra en bonde, ett liknande drag som hans eget 1985.

"Det var ett underbart och extremt mänskligt drag. ... Jag kände en ny typ av intelligens på andra sidan bordet."

Detta var en första glimt av vad som skulle komma. Datorer var inte bara beräkningsmaskiner utan de började tänka.

IBMs Deep Blue vann det partiet men förlorade matchen 4-2.

Kasparov spelade mot en uppgraderad Deep Blue igen nästa år, och nu kunde maskinen beräkna 200 miljoner drag per sekund. Det märktes och inför sista partiet var ställningen lika – 2 ½ - 2 ½. Om datorn vann det sista partiet skulle det vara första gången en maskin hade slagit en schackvärldsmästare.

I det avgörande partiet var matchen jämn när datorn gillrade en fälla och offrade ett torn. Kasparov tog betet, vilket ledde till att han förlorade 20 drag senare.

Kasparov 2 ½ - Deep Blue 3 ½.

Nästa utmaning: Go

Schack är komplicerat för en dator att vinna, eftersom det inte går att beräkna alla möjliga drag. Du måste tänka framåt och, som datorn lärde sig, ibland ta kortsiktiga förluster för långsiktiga vinster. Ännu mer komplicerat för en dator är ett annat brädspel, Go.

Det spelas på ett bräde med 19 x 19 rutor. Som i schack har du svarta och vita pjäser, kallade stenar. Om den andra spelarens stenar omger en sten tas den bort från brädet. Målet är att kontrollera ett större område än din motståndare.

Det är mer komplicerat för en dator eftersom det finns så många fler alternativ. I schack finns det 20 möjliga öppningsdrag. I Go har den första spelaren 361 möjliga drag. En bra Go-spelare beskriver att de nästan känner vad rätt drag är.

"Jag ser ett drag och är säker på att det är rätt, men kommer inte att kunna berätta exakt hur jag vet. Jag ser det bara", säger Go-spelaren Michael Redmond.

Att vinna över mänskliga stormästare i Go var nästa utmaning för datorn. Nu kallad AlphaGo, utvecklat av företaget DeepMind, som ägs av Alphabet.

Matchen mot världsmästaren Lee Sedol fångas vackert i dokumentären AlphaGo.

Eftersom programmerarna inte kunde lära datorn alla möjliga drag, och det är omöjligt för datorn att beräkna dem alla, var de tvungna att lära datorn att lära sig. Med maskininlärning matade de AlphaGo med 30 miljoner Go-matcher, och den spelade också ytterligare 30 miljoner matcher mot sig själv.

AlphaGo vann lätt, 4-1, mot den lite chockade 9-dan rankade Lee Sedol.

Att spela spel är roligt, men vilken nytta har det?

Det här var inte den enda gångerna datorer spelade mot människor. IBM skapade Watson för att spela Jeopardy och DeepMind skapade AlphaStar för att spela Starcraft. Kul, men vad är det verkliga syftet?

Vi fick svar på den frågan när AlphaFold löste en 50-årig utmaning inom biologi.

Det var faktiskt också en tävling.

1972 sa Christian Anfinsen i sitt tacktal för Nobelpriset i kemi, att det borde vara möjligt att helt bestämma ett proteins struktur genom dess aminosyrasekvens.

Problemet är att räkna ut hur en proteinkedja viker sig när den intar sin tredimensionella struktur. Brute force-beräkningar är inte möjliga eftersom siffrorna är astronomiskt stora.

För att påskynda utvecklingen startade professor John Moult och professor Krzysztof Fidelis CASP. I denna tävling förutsäger lagen vikningen av ett protein som har bestämts experimentellt men ännu inte publicerats.

DeepMind deltog i tävlingen med AlphaFold 2018 och vann direkt. Men de kom inte ens nära 90 poäng, vilket anses vara konkurrenskraftigt med resultat från experimentella metoder.

Så DeepMind deltog också i årets tävling och i år vann de inte bara, de krossade alla, med en medianpoäng på 92,4.

"Vi utbildade detta system på offentligt tillgängliga data bestående av ~ 170 000 proteinstrukturer från proteindatabanken tillsammans med stora databaser som innehåller proteinsekvenser med okänd struktur."

Samma sätt som de lärde AlphaGo att spela Go och AlphaStar att spela Starcraft.

Detta är ett viktigt genombrott och vetenskapsvärlden jublande.

"Detta beräkningsarbete representerar ett fantastiskt framsteg på proteinvikningsproblemet, en 50-årig stor utmaning inom biologin. Det har inträffat årtionden innan många inom området trodde."

Professor Venki Ramakrishnan, Nobelpristagare och ordförande för Royal Society

Nästan alla funktioner som vår kropp utför förlitar sig på proteiner och hur de rör sig och förändras. Vad ett givet protein kan göra beror på dess unika 3D-struktur. Att ha ett snabbt och inte så dyrt sätt att förstå den strukturen har enorm potential.

John Moult förklarar:

"Även små förändringar av dessa vitala molekyler kan ha katastrofala effekter på vår hälsa, så ett av de mest effektiva sätten att förstå sjukdomen och hitta nya behandlingar är att studera de involverade proteinerna."

"Det finns tiotusentals proteiner i människor och många miljarder i andra arter, inklusive bakterier och virus, men att ta reda på formen av bara en kräver dyr utrustning och kan ta år."

Nu kan det göras på dagar, timmar och minuter istället.

Jag låter John Moult avsluta texten i denna optimistiska ton.

"Det är så spännande hur vetenskap fungerar. Att du aldrig kan se exakt, eller ens ungefär, vad som kommer att hända härnäst. Det finns alltid dessa överraskningar. Och det är verkligen det, som forskare, som håller dig igång. Vad kommer att bli nästa överraskning?”