Starter med tre på rad i 1954, og deretter brikker i 1994 har datamaskiner jevnt og trutt jobbet seg gjennom stadig mer komplekse spill, matchet og deretter overgått det beste menneskeheten har å tilby. Sjakk ble lenge holdt som en bastion av menneskelig intellekt som var for subtil for datamaskiner å mestre frem til 1997 da IBMs Deep Blue beseiret notorisk Garry Kasparov, en av de største spillerne i sjakkhistorien. Nylig oppnådde IBM nok en suksess da Watson beseiret to Fare mestere i 2011. Google skapte overskrifter i fjor med en generalisert AI som var i stand til å lære seg selv mer enn et dusin Atari-spill bare basert på pikselinngang.
Gå har lenge vært en hellig gral for AI-forskere på grunn av kombinasjonen av relativt enkle regler og enorm strategisk kompleksitet. Opprinnelse i Kina for over 2500 år siden, Gå har samlet millioner av hengivne spillere, og regnes som en høy intellektuell streben, spesielt i japansk og kinesisk kultur. Spillere veksler mellom å plassere svarte eller hvite steiner på et rutenett med mål om å fange hverandres brikker eller fullstendig omgivende deler av brettet for å få poeng. Reglene er rett frem, men fordi spillere kan plassere steiner hvor som helst på brettet, har spillet 1 x 10^127 mulige stater. Det er mer enn antall atomer i det kjente universet, og mange størrelsesordener mer enn antall mulige sjakkposisjoner.
Anbefalte videoer
Tradisjonelle AI-løsninger for spill innebærer å bruke søketrær for å gå gjennom mulige måter spillet kan spille ut på, basert på gjeldende spilltilstand, for å ta den mest informerte avgjørelsen. Denne brute force-metoden, som utnytter datakraft til å kjøre gjennom flere muligheter enn et intuisjonsavhengig menneske kunne, har alltid vært fullstendig utilstrekkelig i møte med Gåsin åpne kompleksitet.
AlphaGo gikk 5 og 0 mot Hui, og markerte første gang et dataprogram noensinne har overgått en profesjonell Gå spiller.
Googles team stolte i stedet på nevrale nettverk, en tilnærming til intelligente systemer som kjører innganger gjennom lag med virtuelle nevroner som løst etterligner dyrehjernens funksjon. Resultatet måles mot et ønsket mål, og deretter justeres tilkoblingsstyrkene i nettverkene. Gjennom repetisjon tillater dette systemer som dynamisk «lærer», og kommer frem til løsninger og strategier som aldri ble direkte programmert inn. AlphaGo, Googles system, omfattet 12 nevrale nettverkslag, inkludert et "policynettverk" som valgte et trekk etter styrestaten ble kjørt gjennom de andre lagene, og et "verdinettverk" som spår vinneren basert på en gitt bevege seg.
30 millioner trekk fra menneskelige ekspertspill ble kjørt gjennom nettverket til det kunne forutsi menneskelige trekk 57 prosent av tiden (i løpet av de forrige 44 prosent rekord). AlphaGo ønsket å gjøre mer enn bare å etterligne menneskelige spillere, og ble deretter sendt til å spille tusenvis av spill mot seg selv, og utviklet sine egne, ikke-programmerte strategier ved å justere tilkoblinger og forsterke beslutninger som førte til seire, ved å stole på Google Cloud Platform for nødvendig databehandling oomph. Mer teknisk finurlig om hvordan AlphaGo utviklet seg, finner du i en artikkel publisert av teamet i Natur.
AlphaGo ble deretter satt på prøve. Først tok den på seg den regjerende toppen Gå dataprogrammer, og vinner alle unntatt ett av 500 spill. Så kom den virkelige testen, utfordrende tre ganger europeisk Gå mester Fan Hui. Bak lukkede dører i oktober i fjor gikk AlphaGo 5 og 0 mot Hui, og markerte første gang et dataprogram noensinne har overgått en profesjonell Gå spiller.
Tilfeldigvis, Facebook også nettopp annonsert sin innsats for å takle Gå med kunstig intelligens i en offentlighet post fra grunnlegger Mark Zuckerberg. Selv om Facebook tilsynelatende har gjort betydelige fremskritt det siste året, ser det ut til at Google har slått dem til bunns ved å erklære AlphaGos seier over Fan Hui. Det kan være moro og lek for nå, men å takle utfordringer som Gå som tidligere ble antatt uoverkommelige har større implikasjoner for fremdriften av tilkoblingsorientert AI og maskinlæring, som har potensial til å bli ekstremt kraftige verktøy for å analysere rotete, virkelige verden problemer.
Redaktørenes anbefalinger
- Hackere bruker AI for å lage ond skadelig programvare, sier FBI
- Toppforfattere krever betaling fra AI-firmaer for å bruke arbeidet deres
- De beste AI-videoredigeringsverktøyene
- ChatGPT-produsenten OpenAI står overfor FTC-undersøkelse over forbrukerbeskyttelseslover
- Elon Musks nye AI-selskap har som mål å "forstå universet"
Oppgrader livsstilen dinDigitale trender hjelper leserne å følge med på den fartsfylte teknologiverdenen med alle de siste nyhetene, morsomme produktanmeldelser, innsiktsfulle redaksjoner og unike sniktitter.
