Den 27. januar annonserte Google at AlphaGo, en kunstig intelligens Hvilken kunstig intelligens ikke er, hvilken kunstig intelligens ikke er intelligent, vil bevisende roboter overta verden? Ikke i dag - og kanskje aldri. Les More utviklet av datterselskapet DeepMind, hadde beseiret European Go-mesteren Fan Hui i en kamp med fem kamper.
Du har kanskje hørt om denne nyheten som det gjør overskrifter rundt om i verden, men hvorfor bryr folk seg så mye om det? Hva betyr alt dette? Hvis du ikke er kjent med spillet Go eller dens betydning for kunstig intelligens, kan du føle deg litt tapt.
Ikke bekymre deg, vi har dekket deg. Her er alt du trenger å vite om gjennombruddet, og hvordan det påvirker vanlige folk som deg og meg.
The Game of Go: Enkelt, men komplekst
Go er et gammelt kinesisk strategispill hvor to spillere kjemper for å fange territorium. Slå av tur, hver spiller - en hvit, den andre svarte - plasserer steiner på kryssene i et 19 x 19 rutenett. Når en gruppe steiner er helt omringet av de andre spillernes steiner, blir de "fanget" og fjernet fra brettet.
På slutten av spillet blir hver tom plass eid av spilleren som omgir den. Hver spiller score er basert på hvor mye territorium han eier (dvs. hvor mye tomt rom han har omgitt) pluss antall motstanderstykker som ble tatt under spill.
Mens de fleste sannsynligvis tenker på sjakk som kongen av strategispill, er Go faktisk mer kompleks. Ifølge Wikipedia er det 10 761 mulige Go-spill i forhold til 10 120 estimerte mulige Chess-spill.
Denne kompleksiteten, sammen med noen esoteriske regler og vekt på å spille av instinkt, gjør Go et spesielt vanskelig spill for at datamaskiner skal lære og spille på høyt nivå.
The Incredible World of Game-Playing AIs
I den store ordningen med ting, utgjør en kunstig intelligens som spiller et spill ikke ut som en veldig verdig forfølgelse, spesielt når IBMs Watson AI allerede jobber for å forbedre helsevesenet, et område som trenger all hjelp den kan få. Så hvorfor brukte Google så mange timer og dollar til å lage en Go-playing AI?
På et nivå hjelper det AI-forskere å finne ut den beste måten å lære datamaskiner å gjøre ting på. Hvis du kan lære en datamaskin å løse hvordan du finner de beste trekkene i et spill av Checkers eller Tic-Tac-Toe, kan du få innsikt i å lære en annen datamaskin hvordan du kan anbefale filmer på Netflix 4 Maskininlæringsalgoritmer som lager livet ditt 4 Maskininlæringsalgoritmer som skaper ditt liv Du kan ikke innse det, men maskinlæring er allerede rundt deg, og det kan utøve en overraskende grad av innflytelse over livet ditt. Tro ikke på meg? Du kan bli overrasket. Les mer, umiddelbart oversette tale, eller forutsi jordskjelv.
Mange av bruken av AI som vi har sett så langt, vil ha nytte av bedre problemløsende og mønsterutvunnende evner, som også er viktige for effektive spilleavspillere.
Deep Blue, Chess-mesteren AI, jobbet ved å bruke en stor mengde beregningsmessig kraft og brute force-teknikker for å vurdere alle mulige neste trekk - opptil 200.000.000 stillinger per sekund. Og mens denne strategien var effektiv nok til å slå en tidligere World Chess Champion, er det ikke en spesielt "menneskelig" måte å spille sjakk på. Det krever også at programmører skal "forklare" spillereglene til AI.
Mer nylig ble det utviklet en prosess som kalles dyp læring, noe som i hovedsak banet vei for datamaskiner til å undervise seg, og som helt forandret løpet for kunstig intelligens Microsoft vs Google - Hvem leder det kunstige intelligensløpet? Microsoft vs Google - Hvem leder det kunstige intelligensløpet? Kunstig intelligensforskere gjør konkrete fremskritt, og folk begynner å snakke seriøst om AI igjen. De to titanene som leder kunstig intelligensløp er Google og Microsoft. Les mer .
Med dyp læring kan en datamaskin trekke ut nyttige mønstre fra data - i stedet for å bli fortalt av programmører hvilke mønstre den skal se etter - og bruk disse mønstrene for å optimalisere sine egne beslutninger. Hvis dyp læring lykkes, kan en AI til og med oppdage mønstre som er mer effektive enn hva vi kan gjenkjenne som mennesker.
Denne typen læring ble demonstrert i fjor da Google-eide AI-forskningsfirma DeepMind avslørte en AI som lærte seg å spille 49 forskjellige Atari-spill Atari Arcade - Spill Retro Videospill I HTML5 [MUO Gaming] Atari Arcade - Spill Retro Videospill I HTML5 [MUO Gaming] Enhver som spiller videospill i dag skylder en stor takknemlighet til Atari og grunnleggerne og ingeniører som jobbet for selskapet i sine formative år. Atari var ansvarlig for mange av ... Les mer etter å ha blitt gitt bare rå innspill. (Du kan se det lære å spille Breakout ovenfor.)
Prosessen er den samme som å lære et videospill uten opplæring eller forklaring. Du ser på en stund, så prøv å trykke på tilfeldige knapper, så begynn å finne ut ting, utvikle strategier, og til slutt gå på å utmerke seg.
Og utmerke det gjorde det. DeepMind AI ødela absolutt profesjonelle nivå motstandere i noen av disse spillene, som Video Pinball. Det gikk vesentlig verre i andre spill, inkludert Ms Pac-Man, men hadde en veldig imponerende rekord totalt.
AlphaGo: Det neste nivået av AI
AlphaGo, datamaskinen som beseiret Fan Hui at Go, brukte denne dype læringsstrategien til å gå ubeseiret i fem kamper.
I stedet for å bruke brute force computing som Deep Blue, bestemte AlphaGo sitt neste trekk ved å bruke det det hadde lært i trening for å begrense omfanget av potensielt effektive trekk, og deretter løpende simuleringer for å se hvilke trekk som mest sannsynlig ville resultere i positive resultater.
To forskjellige neurale nettverk Den nyeste datateknologi du må se for å tro på den nyeste datateknologien du må se for å tro Sjekk ut noen av de nyeste datateknologiene som er satt til å forandre verden av elektronikk og PCer de neste årene. Les mer, det politiske nettverket og verdinettverket, jobbet sammen for å evaluere trekk og velge det beste som hver svinger.
På grunn av kompleksiteten til Go, er en brute force-tilnærming over alle mulige trekk bare ikke mulig som i Chess. Så AlphaGo trakk på kunnskapen den oppnådde i treningsfasen, som besto av å se på 30 millioner trekk fra menneskelige eksperter, lære å forutsi sine trekk, komme opp med egne strategier og spille mot seg selv tusenvis av ganger.
Ved hjelp av forsterkende læring ble beslutningsprosesser utviklet og styrket til AlphaGo ble den beste Go-playing AI i verden. I 500 kamper mot de mest avanserte Go-datamaskiner, vant det 499 av dem - selv etter at de hadde gitt fire programmer i gang.
Og selvfølgelig slår AlphaGo Fan Hui, den nåværende European Go-mesteren. Seieren ble faktisk oppnådd i oktober 2015, men kunngjøringen ble forsinket for å falle sammen med utgivelsen av DeepMinds forskningsoppgave i Nature . I mars vil AlphaGo ta på seg Lee Sedol, den dominerende spilleren i verden de siste ti årene.
Ok, så hva betyr det alt?
Hvorfor gjør dette overskrifter rundt om i verden? Av flere grunner, faktisk.
For det første trodde mange at dette var umulig med dagens teknologi. De fleste estimater sa at en AI ikke ville slå en verdensklasse Go-spiller i minst ti år. AlphaGos verdi nettverk kan evaluere alle Go-spill som nå spilles og forutsi en eventuell vinner, et problem som Google sier er "så hardt ble det antatt å være umulig."
For det andre er det faktum at dyp og selvstendig læring ble brukt, veldig viktig. Dette viser at en nåværende kunstig intelligens kan samle data, trekke ut mønstre, lære å forutsi slike mønstre, og til slutt utvikle problemløsende strategier som er komplekse og effektive nok til å slå en verdensklasse menneske.
Og mens du vinner på Go, ikke kommer til å forandre verden, er det veldig imponerende at en datamaskin var i stand til å komme opp med det strateginivået ved hjelp av egne læringsalgoritmer.
Det er denne dype læringen som har AI-forskere, veldig spent på AlphaGo. Mange tror at selvstendig læring er det første skrittet mot å lage en sterk kunstig intelligens . En sterk AI refererer til en datamaskin som kan løse intellektuelle oppgaver på nivå med mennesker (noe som er utrolig vanskelig, hovedsakelig på grunn av den menneskelige hjernens kompleksitet og effektivitet). Dette er den slags AI du ser i mange science fiction-filmer Oppmerksomhet, Internett! De beste filmene om kunstig intelligens oppmerksomhet, internett! De beste filmene om kunstig intelligens Hollywood har gitt ut mange flotte filmer som utforsker problemene med kunstig intelligens gjennom årene, og her er 10 av de beste filmene om AI, vi anbefaler at du flytter Himmelen og Jorden til ... Les mer.
Det er av denne grunn at skape AIer som kan oppføre seg på menneskelige måter, er så stor avtale. Utdragsmønstre og utvikling av strategier er noe vi gjør hele tiden, og vi bruker ikke brute force-metoder når vi tar beslutninger.
Det er veldig vanskelig å få en datamaskin til å gjøre det uten mye veiledning, men takket være AlphaGo, vet vi nå at sterk AI ikke bare er mulig, men nærmere enn vi trodde.
Selvfølgelig er en Go-playing AI fortsatt langt unna en generelt intelligent AI. Det er bare en ting som er omtrent like enkelt som en kunstig intelligens kan skaffe seg - selv Atari-spillingen AI var i stand til å spille 49 forskjellige spill Fremtidige videospill AIs vil i alvorlig grad freak deg ut Fremtidige videospill-AIs vil i alvorlig grad freak deg ut Videogame AI er ikke så bra - ennå. Men med nyere teknologiske fremskritt, kan det snart endres. Les mer - men AlphaGos effektive selvstendige læring kan være det første skrittet mot et stort paradigmeskift i AI.
Hva tror du?
Det er ingen tvil om at AlphaGos seier over Fan Hui er viktig, men om det er verdig til verdensomspennende overskrifter, står det for debatt.
Tror du dette er en stor avtale? Er vi et skritt nærmere robotapokalypsen Microsoft, Artificial Intelligence og Robot Apocalypse Microsoft, Artificial Intelligence, og Robot Apocalypse Microsoft gir en serie autonome roboter et seriøst utseende. Er dette begynnelsen på slutten for mennesker, eller bare et skritt fremover i trykket for sikker kunstig intelligens? Les mer ? Eller er du ikke imponert over en AI som bare kan spille et spill? Del dine tanker nedenfor og la oss snakke om det.
Image Credits: gå spill av vvoe via Shutterstock, Tatiana Belova via Shutterstock.com, Mciura via Wikimedia Commons, Zerbor via Shutterstock.com