Tā vietā, lai vingrinātu, šis AI apguva šahu, lasot par to

Šaha galdiņš. Atbrīvojieties no šļakatām

Šaha faniem nekas vairāk patīk, kā vien apspriest meistarīgu upuri Bobijs Fišers vai ģeniāla pašreizējā pasaules čempiona uzbrukuma līnija Magnuss Karlsens . Izrādās, ka šī pļāpāšana varētu palīdzēt AI programmām iemācīties spēlēt spēli jaunā veidā. Kādu dienu šī pati tehnika varētu ļaut mašīnām izmantot mūsu valodas emocionālo saturu dažādu praktisku uzdevumu veikšanai.

Šaha algoritms, saukts FeelMATE , izstrādāja pētnieki Nicholas McCarthy, Isaac Kamlish un Isaac Bentata Chocron no Londonas Universitātes koledžas. Tajā tiek novērtēta šaha gājienu kvalitāte, analizējot ekspertu komentētāju reakciju.

Komanda analizēja 2700 tiešsaistē pieejamo šaha spēļu komentāru tekstu. Viņi izgrieza komentārus, kas nebija saistīti ar augstas kvalitātes gājieniem, un piemērus, kas bija pārāk neskaidri. Pēc tam viņi izmantoja īpaša veida atkārtotu neironu tīklu un vārdu iegulšanu (matemātisko paņēmienu, kas savieno vārdus, pamatojoties uz to nozīmi), kas tika apmācīti pēc cita moderna modeļa valodas analīzei.

AI nesen ir guvis ievērojamu progresu parsēšanas valodā. Piemēram, Sanfrancisko pētniecības uzņēmuma OpenAI pētnieku izstrādātais algoritms izrādījās spējīgs ģenerēt veselus ziņu stāstus, izmantojot dažus vārdus.

Nākamais solis dabiskās valodas apstrādes attīstībā ir pārvērst šo apgūto informāciju taustāmās darbībās, lai palīdzētu atrisināt reālās pasaules uzdevumus, pētnieki teica e-pastā MIT Technology Review. Mēs uzskatījām, ka mācīšanās stratēģija no teksta datiem varētu būt ļoti svarīga izpētes iespēja.

SentiMATE pārsteidza pētniekus ar savu spēju izstrādāt dažus no šaha pamatprincipiem, kā arī vairākām galvenajām stratēģijām, piemēram, dakšošanu (kad tiek apdraudētas divas vai vairākas figūras vienlaikus) un castling (kad karalis un pils pāriet uz vairāk aizsardzības pozīcija dēļa aizmugurē).

Diez vai tas bija AI lielmeistars: tam neizdevās konsekventi pārspēt dažus parastos šaha robotus. Taču programma demonstrē solījumu izmantot valodu, lai palīdzētu izdomāt, kā labi spēlēt spēli, izmantojot mazāk prakses datu un mazāku datora jaudu, nekā tas ir vajadzīgs parastajām pieejām.

Šahs jau sen ir bijis mašīninteliģences progresa etalons, sākot no Alana Tjūringa 1951. gada programmas spēles spēlēšanai (uzrakstīta uz papīra) līdz Garija Kasparova sakāvei IBM Deep Blue rokās.

Pavisam nesen Alphabet meitasuzņēmums DeepMind demonstrēja AlphaGo šaha variantu — programmu, kas spēj iemācīt spēlēt seno ķīniešu galda spēli Go. Šī programma, kas pazīstama kā AlphaZero , tika doti spēles noteikumi un pēc tam pilnveidoja savu prasmi, spēlējot pret citām sevis versijām. Tā kā tas mācīja sevi, AlphaZero izstrādāja dažas neparastas un pārsteidzošas stratēģijas. Taču, tāpat kā Deep Blue, arī AlphaZero bija nepieciešami tūkstošiem Google specializēto tensoru apstrādes vienības (TPU) mikroshēmu, kā arī dati no miljoniem spēļu.

Pētnieki saka, ka SentiMATE izmantotajām mācību metodēm var būt daudz citu praktisku pielietojumu, ne tikai šahu. Piemēram, tie var palīdzēt mašīnām analizēt sporta veidus, paredzēt finansiālās aktivitātes un sniegt labākus ieteikumus. Komanda norāda, ka ir daudz grāmatu, emuāru un rakstu.

paslēpties