Googles AI gennembrud: Hvad det betyder og hvordan det påvirker dig

Reklame

Den 27. januar annoncerede Google, at AlphaGo, en kunstig intelligens Hvad kunstig intelligens ikke erVil intelligente, opmærksomme robotter overtage verden? Ikke i dag - og måske ikke nogensinde. Læs mere udviklet af datterselskabet DeepMind, havde besejret den europæiske Go-mester Fan Hui i en femkampkamp.

Du har muligvis hørt om denne nyhed, da den skaber overskrifter overalt i verden, men hvorfor er folk så interesserede i den? Hvad betyder det hele? Hvis du ikke kender spillet Go eller dets betydning for kunstig intelligens, føler du dig måske lidt tabt.

Bare rolig, vi har dig dækket. Her er alt hvad du har brug for at vide om gennembrudet, og hvordan det påvirker regelmæssige mennesker som dig og mig.

The Game of Go: Simple Yet Complex

Go er et gammelt kinesisk strategispil, hvor to spillere kæmper for at fange territorium. Drej efter tur, hver spiller - den ene hvid, den anden sort - placerer sten på skæringspunktene mellem et 19 x 19 gitter. Når en gruppe af sten er fuldstændig omgivet af den anden spillers sten, bliver de "fanget" og fjernet fra brættet.

I slutningen af ​​spillet "ejes" hvert tomt sted af spilleren, der omgiver det. Hver spillers score er baseret på hvor meget territorium han ejer (dvs. hvor meget tom plads han har omgivet) plus antallet af modstanderstykker, der blev fanget under spillet.

Mens de fleste sandsynligvis tænker på Skak som kongen af ​​strategispil, er Go faktisk mere kompleks. Ifølge Wikipedia er der 10⁷⁶¹ mulige Go-spil sammenlignet med 10¹²⁰ estimerede mulige spil i skak.

Denne kompleksitet sammen med nogle esoteriske regler og en vægt på at spille ved instinkt gør Go til et særligt vanskeligt spil for computere at lære og spille på et højt niveau.

Den utrolige verden af ​​AI'er til spil-spil

I det store skema med ting virker det ikke meget værd at designe en kunstig intelligens, der spiller et spil forfølgelse, især når IBM's Watson AI allerede arbejder for at hjælpe med at forbedre sundhedsområdet, et område, der har brug for al den hjælp, den kan få. Så hvorfor brugte Google så mange timer og dollars på at oprette en Go-playing AI?

På et niveau hjælper det AI-forskere med at finde ud af den bedste måde at lære computere at gøre ting på. Hvis du kan lære en computer at løse, hvordan man finder de bedste træk i et spil Checkers eller Tic-Tac-Toe, kan du få indsigt i at lære en anden computer, hvordan man anbefaler film på Netflix 4 Algoritmer til maskinlæring, der former dit livDu er måske ikke klar over det, men maskinlæring er allerede rundt omkring dig, og det kan udøve en overraskende grad af indflydelse på dit liv. Tro mig ikke? Du bliver måske overrasket. Læs mere , oversæt med det samme tale eller forudsig jordskælv.

Mange af de anvendelser til AI, som vi hidtil har set, ville drage fordel af forbedrede evner til problemløsning og mønsterudtrækning, hvilket også tilfældigvis er vigtigt for effektive AI'er til spil-spil.

Deep Blue, skakmesteren AI, arbejdede ved at bruge en enorm mængde computerkraft og brute force-teknikker til at evaluere alle mulige næste træk - op til 200.000.000 positioner i sekundet. Og selvom denne strategi var effektiv nok til at slå en tidligere verdenschachmester, er det ikke en særlig "menneskelignende" måde at spille skak på. Det kræver også, at programmerere skal ”forklare” spillereglerne til AI.

For nylig blev der udviklet en proces kaldet dyb læring, der væsentligt banede vejen for computere at lære sig selv, og der ændrede fuldstændigt race for kunstig intelligens Microsoft vs Google - Hvem fører det kunstige intelligens race?Kunstige intelligensforskere gør konkrete fremskridt, og folk begynder at tale alvorligt om AI igen. De to titaner, der fører det race af kunstig intelligens, er Google og Microsoft. Læs mere .

Med dyb læring kan en computer udtrække nyttige mønstre fra data - i stedet for at blive fortalt af programmerere, hvilke mønstre den skal kigge efter - og bruge disse mønstre til at optimere sine egne beslutninger. Hvis dyb læring er vellykket, kan en AI endda opdage mønstre, der er mere effektive end hvad vi kan genkende som mennesker.

Denne type læring blev demonstreret sidste år, da Google-ejede AI-forskningsfirma DeepMind afslørede en AI, der lærte sig selv at spille 49 forskellige Atari-spil Atari Arcade - Spil retro videospil i HTML5 [MUO Gaming]Enhver, der spiller videospil i dag, skylder Atari og grundlæggerne og ingeniørerne, der arbejdede for virksomheden i dets formative år, en stor taknemmelighed. Atari var ansvarlig for mange af ... Læs mere efter kun at have givet rå input. (Du kan se det lære at spille Breakout ovenfor.)

Processen er den samme som at lære et videospil uden en tutorial eller forklaring. Du holder øje med et stykke tid, prøv derefter at trykke på tilfældige knapper, begynder derefter at finde ud af tingene, udvikle strategier og til sidst fortsætter med at udmærke dig.

Og det gjorde det godt. DeepMind AI ødelagde absolut menneskelige modstandere på professionelt niveau i nogle af disse spil, f.eks. Video Pinball. Det klarede sig markant dårligere i andre spil, inklusive Ms. Pac-Man, men havde en meget imponerende rekord samlet.

AlphaGo: Det næste niveau af AI

AlphaGo, computeren, der besejrede Fan Hui ved Go, brugte denne dybe læringsstrategi til at gå ubesejret i fem kampe.

I stedet for at bruge beregning af brute force som Deep Blue, bestemte AlphaGo sit næste træk ved at bruge, hvad det havde lært i træning begrænse omfanget af potentielt effektive træk og kør derefter simuleringer for at se, hvilke træk der mest sandsynligt ville resultere i positive udfald.

To forskellige neurale netværk Den seneste computerteknologi, du skal se for at troSe nogle af de nyeste computerteknologier, der er indstillet til at transformere verdenen inden for elektronik og pc'er i de næste par år. Læs mere , politiknetværket og værdienetværket, arbejdede sammen om at evaluere træk og vælge det bedste hver tur.

På grund af Go's kompleksitet er en brute force-tilgang over alle mulige bevægelser bare ikke mulig som i skak. Så AlphaGo brugte den viden, den fik i træningsfasen, som bestod af at se 30 millioner træk foretaget af menneskelige eksperter, der lærer at forudsige deres træk, komme med sine egne strategier og spille mod sig selv tusinder af gange.

Ved hjælp af forstærkningslæring blev dens beslutningsprocesser udviklet og styrket, indtil AlphaGo blev den bedste Go-playing AI i verden. I 500 spil mod de mest avancerede Go-computere vandt det 499 af dem - selv efter at have givet disse programmer et firetrinsskift.

Og selvfølgelig slog AlphaGo Fan Hui, den nuværende europæiske Go-mester. Sejren blev faktisk opnået i oktober 2015, men meddelelsen blev forsinket til at falde sammen med frigivelsen af ​​DeepMinds forskningsdokument i Natur. I marts vil AlphaGo overtage Lee Sedol, den mest dominerende spiller i verden i løbet af de sidste ti år.

Okay, hvad betyder det hele?

Hvorfor skaber dette overskrifter verden over? Faktisk af flere grunde.

For det første troede mange mennesker, at det var umuligt med den nuværende teknologi. De fleste estimater sagde, at en AI ikke ville slå en Go-spiller i verdensklasse i mindst yderligere ti år. AlphaGos værdinetværk kan evaluere ethvert Go-spil, der i øjeblikket spilles, og forudsige en eventuel vinder, et problem, som Google siger er "så hårdt var det menes at være umulig. ”

For det andet er det faktum, at dyb og uafhængig læring blev brugt, meget vigtigt. Dette viser, at en nuværende kunstig intelligens kan indsamle data, udtrække mønstre, lære at forudsige sådanne mønstre og til sidst udvikle problemløsningsstrategier, der er komplekse og effektive nok til at slå en verdensklasse menneske.

Og mens det at vinde på Go ikke kommer til at ændre verden, er det faktum, at en computer var i stand til at komme med dette strateginiveau ved hjælp af sin egen læringsalgoritmer, meget imponerende.

Det er denne dybe læring, der har AI-forskere virkelig begejstret for AlphaGo. Mange mener, at uafhængig læring er det første skridt hen imod at lave en stærk kunstig intelligens. En stærk AI henviser til en computer, der kan løse intellektuelle opgaver på niveau med mennesker (hvilket er utroligt vanskeligt, stort set på grund af kompleksiteten og effektiviteten af ​​den menneskelige hjerne). Dette er den slags AI, du ser i mange science fiction-film Opmærksomhed, Internet! De bedste film om kunstig intelligensHollywood har udgivet en masse gode film, der udforsker spørgsmålene om kunstig intelligens gennem årene, og her er 10 af de bedste film om AI, vi anbefaler, at du flytter Himmel og jord til ... Læs mere .

Det er af denne grund, at det er så stor ting at oprette AI'er, der kan opføre sig på menneskelignende måder. Udtræk af mønstre og udvikling af strategier er noget, vi gør hele tiden, og vi bruger ikke brute force-metoder, når vi træffer beslutninger.

Det er meget vanskeligt at få en computer til at gøre det uden meget vejledning, men takket være AlphaGo ved vi nu, at stærk AI ikke bare er mulig, men nærmere, end vi troede.

Selvfølgelig er en Go-playing AI stadig langt væk fra en generelt intelligent AI. Det gør kun én ting, som er så simpelt som en kunstig intelligens kan få - selv den Atari-spillende AI var i stand til at spille 49 forskellige spil Fremtidige AI'er til videospil vil alvorligt frække dig udVideogame AI er ikke så stor - endnu. Med de nylige teknologiske fremskridt kan det dog snart ændre sig. Læs mere - men AlphaGos effektive uafhængige læring kan være det første skridt hen imod et stort paradigmeskift i AI.

Hvad synes du?

Der er ingen tvivl om, at AlphaGos sejr over Fan Hui er vigtig, men hvorvidt det er værd at verdensomspændende overskrifter er klar til eller ej.

Tror du, det er meget? Er vi et skridt tættere på robot-apokalypse Microsoft, kunstig intelligens og robotapokalypsenMicrosoft ser en række autonome robotter seriøst ud. Er dette begyndelsen på slutningen for mennesker, eller er der endnu et skridt fremad i skubbet til sikker kunstig intelligens? Læs mere ? Eller er du ikke imponeret over en AI, der bare kan spille et spil? Del dine tanker nedenfor, og lad os tale om det.

Billedkreditter: gå spil af vvoe via Shutterstock, Tatiana Belova via Shutterstock.com, Mciura via Wikimedia Commons, Zerbor via Shutterstock.com