Den 27. januar meddelte Google, at AlphaGo, en kunstig intelligens udviklet af datterselskabet DeepMind, havde besejret Europæiske Go mester Fan Hui i en fem-spillet kamp.
Du har måske hørt om denne nyhed, da det er gør overskrifter rundt omkring i verden, men hvorfor skal folk bekymrer sig så meget om det? Hvad betyder det alt sammen? Hvis du ikke er bekendt med spillet af Go eller dets betydning for kunstig intelligens, kan du være følelse lidt tabt.
Bare rolig, vi har du dækket. Her er alt, hvad du behøver at vide om gennembruddet, og hvordan det påvirker almindelige mennesker som dig og mig
The Game af Go:. Enkle, men Kompleks
Go er et gammelt kinesisk strategi spil, hvor to spillere kæmpe for at indfange område. Sving for sving, hver spiller - en hvid, den anden sort - placerer sten på krydsene med en 19 x 19 gitter. Når en gruppe af sten er helt omgivet af den anden spillers sten, de er "fanget" og fjernes fra brættet.
I slutningen af spillet, hver tomme plet "ejes" af spilleren omgiver det. Hver spillers score er baseret på, hvor meget område han ejer (dvs. hvor meget tom plads, han har omgivet) plus antallet af modstanderens brikker, der blev taget til fange under spillet.
Mens de fleste mennesker tror sikkert af Chess som kongen af strategispil, Go er faktisk mere kompliceret. Ifølge Wikipedia, er der 10 761 mulige spil af Go sammenlignet med 10 120 estimerede mulige spil skak. Denne kompleksitet, sammen med nogle esoteriske regler og en vægt på at spille med instinkt, gør Gå en særlig svær kamp for computere til at lære og spille på et højt niveau. i det store arrangement med ting, designe en kunstig intelligens, der spiller et spil synes ikke som et meget værdifuldt forfølgelse, især når IBMs Watson AI allerede arbejder på at hjælpe med at forbedre sundhedspleje, et område, der har brug for al den hjælp, det kan få. Så hvorfor Google bruger så mange timer og dollars til at skabe en Go-spiller AI? På ét niveau, det hjælper AI forskere finde ud af den bedste måde at lære computere at gøre tingene på. Hvis du kan lære en computer til at løse, hvordan man finder de bedste træk i et spil Checkers eller Tic-Tac-Toe, kan du få indsigt i undervisning en anden computer hvordan man anbefale film på Netflix, øjeblikkeligt oversætte tale, eller forudsige jordskælv. Mange af anvendelsesmuligheder for AI, som vi har set hidtil vil have gavn af forbedret problemløsning og mønster-udvinding evner, som også tilfældigvis er vigtig for effektiv game-spiller AIs. Deep Blue, den Chess mester AI, arbejdede ved hjælp af en enorm mængde af beregningskraft og brute force teknikker til at evaluere alle mulige næste træk - op til 200.000.000 positioner i sekundet. Og mens denne strategi var effektiv nok til at slå en tidligere World Chess Champion, det er ikke en særlig "menneske-lignende" måde at spille skak. Det kræver også programmører til "forklare" reglerne i spillet til AI. For nylig blev en proces udviklet kaldet dyb læring, som i det væsentlige banet vejen for computere at undervise sig selv, og at fuldstændig ændret . løb for kunstig intelligens med dyb læring, en computer kan udtrække brugbare mønstre fra data - i stedet for at blive fortalt af programmører hvilke mønstre den skal kigge efter - og bruge disse mønstre til at optimere sine egne beslutninger. Hvis dyb læring lykkes, kan en AI endda opdage mønstre, der er mere effektive end det, vi kan genkende som mennesker. Denne type læring blev demonstreret sidste år, når Google-ejede AI analysefirmaet DeepMind afslørede en AI, der lærte sig at spille 49 forskellige Atari spil efter får kun rå input. (Du kan se det at lære at spille Breakout ovenfor.) Processen er den samme som at lære et videospil uden en tutorial eller forklaring. Du ser et stykke tid, så prøv at skubbe tilfældige knapper, og derefter begynde at regne tingene ud, udvikle strategier, og til sidst går på at udmærke. Og udmærke det gjorde. Den DeepMind AI ødelagde absolut menneskelige modstandere professionelt niveau i nogle af disse spil, ligesom Video Pinball. Det klarede betydeligt værre i andre spil, herunder Ms Pac-Man, men havde en meget imponerende rekord samlet AlphaGo, den computer, der besejrede Fan Hui på Go, brugt denne dybe læringsstrategi at gå ubesejret i fem kampe. i stedet for at bruge brute force beregning som Deep Blue, AlphaGo fastlagt sin næste træk ved at bruge, hvad den havde lært i uddannelse for at begrænse omfanget af potentielt effektive bevægelser, så kører simulationer for at se, som bevæger var mest tilbøjelige til at resultere i positive resultater. To forskellige neurale netværk, den politiske netværk og værdien netværk, arbejdede sammen om at vurdere bevægelser og vælge den bedste hver tur . på grund af kompleksiteten af Go, en brute force tilgang frem for alle mulige træk bare ikke er muligt som det er i skak. Så AlphaGo trak på den viden, det fik under uddannelsen fase, som bestod af at se 30 millioner bevæger foretaget af menneskelige eksperter, lære at forudsige deres bevægelser, kommer op med sine egne strategier, og spille mod sig selv tusindvis af gange. Og, selvfølgelig, AlphaGo slog Fan Hui, den nuværende europæiske Go mester.. Sejren var faktisk opnået i oktober 2015, men meddelelsen blev forsinket til at falde sammen med udgivelsen af DeepMind forskning papir i Natur Hvorfor er dette gør overskrifter jorden rundt? Af flere grunde, faktisk. Først mange mennesker troede, det var umuligt med den nuværende teknologi. De fleste estimater siger, at en AI ikke ville slå en verdensklasse Go afspiller yderligere mindst ti år. AlphaGo s værdinetværk kan vurdere enhver Go spil der spilles i øjeblikket og forudsige en eventuel vinder, et problem, som Google siger er "så hårdt det mentes at være umuligt." For det andet er den omstændighed, at dyb og selvstændig læring blev brugt, er meget vigtigt. Dette viser, at en aktuel kunstig intelligens kan indsamle data, ekstrakt mønstre, lære at forudsige sådanne mønstre, og i sidste ende udvikle problemløsning strategier, der er komplekse og effektive nok til at slå en verdensklasse menneske. Og mens vinde på Go ikke kommer til at ændre verden, at en computer var i stand til at komme med dette niveau af strategi ved hjælp af sine egne læring algoritmer er meget imponerende. det er denne dybe læring, der har AI forskere virkelig begejstrede AlphaGo. Mange tror, at selvstændig læring er det første skridt i retning af at gøre en stærk kunstig intelligens. En stærk AI henviser til en computer, der kan løse intellektuelle opgaver på lige fod med mennesker (som er utrolig svært, hovedsagelig på grund af kompleksiteten og effektiviteten af den menneskelige hjerne). Det er den slags AI du ser i mange science fiction film. Det er grunden til, at skabe AIs, der kan opføre sig menneskelignende måder er sådan en big deal. Udtræk mønstre og udvikle strategier er noget, vi gør hele tiden, og vi bruger ikke brute force metoder når de træffer beslutninger. Det er meget vanskeligt at få en computer til at gøre det uden en masse vejledning, men takket være AlphaGo, vi ved nu, at stærk AI er ikke bare muligt, men nærmere end vi troede. selvfølgelig er en Go-spiller AI er stadig lang vej væk fra en generelt intelligent AI. Det gør kun én ting, der er omtrent lige så simpelt som en kunstig intelligens kan få - selv Atari-spiller AI var i stand til at spille 49 forskellige spil - men AlphaGo effektive selvstændig læring kunne være det første skridt mod en større paradigmeskift i AI. der er ingen tvivl om, at AlphaGo sejr over Fan Hui er vigtig, men hvorvidt det er værd verdensplan overskrifter er op til debat. Do du mener dette er en big deal? Er vi et skridt tættere på robotten apokalypse? Eller er du ikke imponeret med en AI, der bare kan spille et spil? Del dine tanker nedenfor og lad os tale om det Billede Credits:. Go spil ved vvoe via Shutterstock, Tatiana Belova via Shutterstock.com, Mciura via Wikimedia Commons, Zerbor via Shutterstock.com
The Incredible World of spil-Playing AIS
AlphaGo:. Det næste niveau af AI
< p> Brug forstærkning læring, blev dens beslutningsprocesser udvikles og styrkes, indtil AlphaGo blev den bedste Go-spiller AI i verden. I 500 kampe mod de mest avancerede Go computere, det vandt 499 af dem - selv efter at give disse programmer en fire-move forspring
. I marts vil AlphaGo tage på Lee Sodol, den mest dominerende spiller i verden i løbet af de seneste ti år.
Okay, så hvad betyder det alt sammen?
Hvad mener du?