211service.com
Piecas mācības no AlphaGo vēsturiskās uzvaras
AlphaGo ar 4:1 pārspēja 18 kārtējo pasaules Go čempionu Lī Sedolu, tādējādi sniedzot mums vairākas interesantas mācības par to, kur mūsdienās ir mākslīgā intelekta pētniecība un kur tā virzās.
Vecajās AI pieejās ir dzīvība
Viena aizraujoša lieta AlphaGo ir neparastais veids, kā tas tika izveidots. Programmatūra apvienoja dziļo mācīšanos — mūsdienu karstāko AI tehniku — ar daudz vecāku un daudz mazāk modernu pieeju. Padziļināta mācīšanās ietver ļoti lielu simulētu neironu tīklu izmantošanu, un parasti tā izvairās no loģikas vai simbolu manipulācijām, piemēram, Mārvins Minksijs un Džons Makartijs. Bet AlphaGo apvieno dziļu mācīšanos ar kaut ko sauc koku meklēšana , paņēmienu, ko izgudroja viens no Minksija laikabiedriem un kolēģiem Klods Šenons. Iespējams, ka nākotnē mēs arvien vairāk redzēsim, ka konnekcionists un simbolisks AI apvienojas.
Polanyi paradokss nav problēma
Spēle Go, kurā spēlētāji mēģina aptvert un notvert viens otra figūras uz liela dēļa, ir lielisks Polanyi slavenā paradoksa piemērs: mēs zinām vairāk, nekā spējam pateikt.
Atšķirībā no šaha spēles spēlēšanai vai progresa mērīšanai nav tiešu vadlīniju, kas ir viens no iemesliem, kāpēc Go vēsturiski ir bijis tik grūti spēlēt datoriem. Mašīnmācība, kurā dators nav ieprogrammēts (parastajā izpratnē), bet gan ģenerē savu algoritmu mācībām no piemēriem, piedāvā datoriem iespēju orientēties Polanyi paradoksā. Daudzas lietas, ko mēs darām, piemēram, automašīnas vadīšana vai sejas atpazīšana, ir līdzīgas. Daži ekonomisti ir uzsvēruši to kā svarīgu punktu. Un kā raksts iekš Ņujorkas Laiks rāda , daži pat uzskata AlphaGo triumfu kā pārliecinošu pierādījumu tam, ka datori pārņems vairāk uzdevumu (un darbu), jo mašīnmācība tiek izmantota arvien plašāk.
AlphaGo patiesībā nav AI
Tomēr ne tik ātri. Lai arī cik pārsteidzošs ir AlphaGo, tas joprojām ir tālu no patiesi inteliģenta. Kā AI eksperts un robotikas uzņēmējs Žans Kristofs Beilijs norāda , patiesam intelektam būs nepieciešama ne tikai sarežģītāka mācīšanās, bet arī tādas lietas kā iemiesojums un spēja sazināties. Patiešām, braukt ar automašīnu pa rosīgu pilsētas ielu vai sazināties ar kādu, kuru atpazīstat, ir daudz sarežģītāk, nekā mēs varētu iedomāties. Tātad, lai gan mašīnmācība var ļaut datoriem veikt vairāk uzdevumu, paies ilgs laiks, līdz tie var aizstāt visu, ko cilvēki dara.
AlphaGo ir diezgan neefektīvs
Salīdzinot ar cilvēku, AlphaGo ātri mācās, patērē datus par iepriekšējām spēlēm un spēlē pret sevi silīcija ātrumā. Taču tas ir daudz mazāk efektīvi nekā cilvēks mācībās, jo ir nepieciešams daudz vairāk Go spēļu piemēru, lai apgūtu efektīvas metodes. Šī ir viena no galvenajām padziļinātās mācīšanās problēmām, ko daudzi cilvēki cenšas atrisināt, meklējot veidus, kā mācīties no jauna veida datiem vai no mazākiem datiem.
Komercializācija nav acīmredzama
AlphaGo demonstrētās prasmes — smalka modeļu atpazīšana, plānošana un lēmumu pieņemšana — acīmredzami ir svarīgas. Taču nav tik skaidrs, kā tos varētu pārvērst par komerciāli dzīvotspējīgu produktu. Demis Hassabis, Google DeepMind dibinātājs, ir teicis, ka AlphaGo izstrādātās metodes varētu izmantot, lai izveidotu personīgo palīgu, kas efektīvāk apgūst sava meistara vēlmes un paradumus. Bet cilvēku valoda ir daudz sarežģītāka nekā galda spēle , un no tā ir daudz grūtāk mācīties. Citiem vārdiem sakot, var būt sarežģīti pielietot AlphaGo īpašo prasmju kopumu nekārtīgajā reālajā pasaulē.
(Lasīt vairāk: Ņujorkas Laiks , IEEE spektrs , Daba , Mākslīgā intelekta trūkstošā saite, vai šis cilvēks var padarīt AI cilvēcīgāku? )