211service.com
Google AI pārvalda spēli Go desmit gadus agrāk, nekā gaidīts
Google ir spēris izcilu un negaidītu soli ceļā uz mākslīgā intelekta izveidi ar cilvēciskāku intuīciju, izstrādājot datoru, kas spēj pārspēt pat pieredzējušus cilvēkus velnišķīgi sarežģītajā galda spēlē Go.
Vairāk nekā pirms 2500 gadiem Ķīnā izgudrotās spēles Go mērķis ir diezgan vienkāršs: spēlētājiem pārmaiņus jānovieto melni un balti akmeņi uz 19 horizontālām un 19 vertikālām līnijām, lai apņemtu pretinieka figūras un izvairītos no savus gabalus ieskauj. Tomēr, lai apgūtu Go, ir nepieciešama nebeidzama prakse, kā arī smalki noregulēta prasme atpazīt smalkus modeļus skaņdarbu izkārtojumā.
Google komanda ir parādījusi, ka prasmes, kas nepieciešamas, lai apgūtu Go, tomēr nav tik unikāli cilvēciskas. Viņu datorprogramma ar nosaukumu AlphaGo pārspēja Eiropas Go čempionu Fan Hui ar piecām spēlēm līdz nullei. Un šī gada martā tas tiksies ar vienu no pasaules labākajiem spēlētājiem Lī Sedolu turnīrā, kas notiks Seulā, Dienvidkorejā.
Go ir vissarežģītākā un skaistākā spēle, ko jebkad ir radījuši cilvēki, preses brīfingā sacīja Google komandas vadītājs un pats dedzīgs Go spēlētājs Demis Hassabis. Viņš piebilda, ka pārspējot Fanu Hui, mūsu programma sasniedza vienu no ilgstošajiem AI izaicinājumiem.
Hassabis arī teica, ka AlphaGo izveidei izmantotās metodes būtu piemērotas viņa komandas centieniem izstrādāt vispārēju AI. Galu galā mēs vēlamies pielietot šīs metodes svarīgām reālās pasaules problēmām, viņš teica. Tā kā mūsu izmantotās metodes bija vispārīgas, mēs ceram, ka kādu dienu tās varēs paplašināt, lai palīdzētu risināt dažas no sabiedrības aktuālākajām problēmām, sākot no medicīniskās diagnostikas līdz klimata modelēšanai (skatiet sadaļu Vai AI varētu atrisināt pasaules lielākās problēmas? ).
Hassabis teica, ka pirmais veids, kā šo tehnoloģiju varētu izmantot Google, būtu labākas programmatūras personīgo asistentu izstrāde. Viņš ierosināja, ka šāds palīgs varētu uzzināt lietotāja preferences no viņa tiešsaistes uzvedības un sniegt intuitīvākus ieteikumus par produktiem vai notikumiem.
Go ir daudz grūtāks datoriem nekā, piemēram, šahs divu iemeslu dēļ: potenciālo gājienu skaits katrā gājienā ir daudz lielāks, un nav vienkārša veida, kā izmērīt materiālās priekšrocības. Tāpēc spēlētājam ir jāiemācās atpazīt abstraktus modeļus simtiem gabalu, kas novietoti uz galda. Un pat eksperti bieži vien cenšas izskaidrot, kāpēc konkrēta pozīcija šķiet izdevīga vai problemātiska.
Tikai pirms pāris gadiem vairums Go spēlētāju un spēļu programmētāju uzskatīja, ka spēle ir tik sarežģīta, ka paies vairākas desmitgades, līdz datori varētu sasniegt kvalificēta spēlētāja standartu.
AlphaGo izstrādāja komanda, kas pazīstama kā Google DeepMind — grupa, kas izveidota pēc tam, kad Google 2014. gadā iegādājās nelielu AI UK starta uzņēmumu DeepMind. Pētnieki izveidoja AlphaGo, izmantojot ārkārtīgi populāru un veiksmīgu mašīnmācīšanās metodi, kas pazīstama kā dziļā mācīšanās, apvienojumā ar citu simulācijas paņēmienu. potenciālo kustību modelēšanai. Padziļināta mācīšanās ietver liela simulēta neironu tīkla apmācību, lai tas reaģētu uz datu modeļiem. Tas ir izrādījies ļoti noderīgs attēlu un audio apstrādei, un daudzi lieli tehnoloģiju uzņēmumi pēta jaunus metodes pielietošanas veidus.
Programmā AlphaGo tika izmantoti divi padziļināti mācību tīkli: viens tīkls iemācījās paredzēt nākamo gājienu, bet otrs iemācījās paredzēt rezultātu, izmantojot dažādus pasākumus. Abi tīkli tika apvienoti, izmantojot tradicionālāku AI algoritmu, lai skatītos uz priekšu spēlē iespējamo kustību. Zinātnisks raksts, ko sarakstījuši Google pētnieki un kurā aprakstīts darbs parādās žurnālā Daba šodien .
Spēlei Go ir milzīga meklēšanas telpa, ko nevar atrisināt ar brutālu spēku meklēšanu, saka Deivids Silvers, cits Google pētnieks, kurš vadīja šīs pūles. AlphaGo galvenais mērķis ir samazināt šo meklēšanas vietu līdz kaut kam vieglāk pārvaldāmam. Šī pieeja padara AlphaGo daudz cilvēciskāku nekā iepriekšējās pieejas.
Kad 1997. gadā IBM Deep Blue dators apguva šahu, tas izmantoja ar roku kodētus noteikumus un izsmeļoši meklēja iespējamos šaha gājienus. AlphaGo būtībā laika gaitā iemācījās atpazīt potenciāli izdevīgus modeļus un pēc tam simulēja ierobežotu skaitu iespējamo rezultātu.
Google sasniegumu ar apsveikumiem un zināmu izbrīnu uzņēma citi šīs jomas pētnieki.
No tehniskās puses šis darbs ir milzīgs ieguldījums AI, saka Iļja Suckevers, vadošais mākslīgā intelekta pētnieks un jaunas bezpeļņas organizācijas OpenAI direktors (skatiet Inovatori, kas jaunāki par 35 gadiem: Iļja Sutskevers). Sutskever saka, ka darbs bija īpaši svarīgs, jo AlphaGo būtībā iemācīja sev, kā uzvarēt. To pašu paņēmienu var izmantot, lai sasniegtu ārkārtīgi augstu veiktspēju arī daudzās citās spēlēs, viņš saka.
Maikls Boulings , datorzinātņu profesors Albertas Universitātē Kanādā, kurš nesen izstrādāja programmu spēj pārspēt jebkuru heads-up limita pokerā, arī bija sajūsmā par sasniegumu. Viņš uzskata, ka šai pieejai patiešām vajadzētu izrādīties noderīgai daudzās jomās, kurās tiek izmantota mašīnmācība. Viņš saka, ka liela daļa no tā, ko mēs tradicionāli uzskatītu par cilvēka intelektu, ir balstīta uz modeļu saskaņošanu. Un daudz no tā, ko mēs uzskatītu par mācīšanos, ir tas, ka esam redzējuši šos modeļus pagātnē un spēju saprast, kā tie ir saistīti ar pašreizējo situāciju.
Viens no rezultāta aspektiem, kas ir vērts atzīmēt, ir tas, ka tas apvieno dziļu mācīšanos ar citām metodēm, saka Gerijs Markuss, Ņujorkas universitātes psiholoģijas profesors un līdzdibinātājs un izpilddirektors. Ģeometriskā inteliģence , AI starta uzņēmums, kas arī apvieno dziļo mācīšanos ar citām metodēm (skatiet sadaļu Vai šis cilvēks var padarīt AI cilvēcīgāku? ).
Markuss saka, ka šī nav tā sauktā visaptveroša dziļo mācību sistēma. Tā ir rūpīgi strukturēta, modulāra sistēma ar pārdomātu roku inženieriju priekšpusē. Kas, padomājot par to, ir diezgan paralēls cilvēka prātam: bagāts, modulārs, ar nelielu evolūcijas pielāgošanu, nevis tikai virkni neironu, kas nejauši savienoti un pilnībā noregulēti pieredzes dēļ.
Google nav vienīgais uzņēmums, kas izmanto padziļinātu mācīšanos, lai izstrādātu Go-playing AI. Facebook jau iepriekš ir paziņojis, ka pie šādas sistēmas strādā pētnieks, un pagājušajā naktī abi Jans Lekuns , Facebook AI pētījumu direktors un izpilddirektors Marks Cukerbergs publicēja atjauninājumus par centieniem. Facebook darbs ir agrīnā stadijā, taču tajā ir arī apvienota dziļa mācīšanās ar citu tehniku.
AI meistara Go redzēšana var izraisīt arī eksistenciālu satraukumu. Preses brīfingā, kurā tika paziņotas ziņas, Hassabis saskārās ar jautājumiem par Google izstrādāto AI sistēmu ilgtermiņa riskiem. Viņš teica, ka uzņēmums veic pasākumus, lai mazinātu šos riskus, sadarbojoties ar akadēmiķiem, organizējot konferences un strādājot ar iekšējo ētikas padomi.