Penkios AlphaGo istorinės pergalės pamokos

„AlphaGo“ 4:1 įveikė 18 kartų pasaulio „Go“ čempioną Lee Sedolą ir išmokė keletą įdomių pamokų apie tai, kur šiandien yra dirbtinio intelekto tyrimai ir kur jie linksta.

Yra gyvybė senuose AI metoduose

Vienas žavus AlphaGo dalykas yra neįprastas jo sukūrimo būdas. Programinė įranga sujungė gilųjį mokymąsi – karščiausią AI techniką šiandien – su daug senesniu ir daug mažiau madingu metodu. Gilus mokymasis apima labai didelių modeliuojamų neuroninių tinklų naudojimą ir paprastai vengiama logikos ar simbolių manipuliavimo, tokio, kokį pradėjo Marvinas Minksy ir Johnas McCarthy. Bet AlphaGo sujungia gilų mokymąsi su kažkuo vadinamu medžio paieška , techniką, kurią išrado vienas Minksy amžininkų ir kolegų Claude'as Shannonas. Galbūt ateityje vis dažniau matysime konnekcionistinį ir simbolinį DI susijungimą.

Polanyi paradoksas nėra problema

Žaidimas „Go“, kuriame žaidėjai bando apsupti ir užfiksuoti vienas kito figūras didelėje lentoje, yra puikus garsiojo Polanyi paradokso pavyzdys: mes žinome daugiau, nei galime pasakyti.

Skirtingai nei šachmatų atveju, nėra aiškių gairių, kaip žaisti žaidimą ar įvertinti pažangą, o tai yra viena iš priežasčių, kodėl Go istoriškai buvo taip sunku žaisti kompiuteriais. Mašininis mokymasis, kai kompiuteris nėra užprogramuotas (įprastine prasme), o sukuria savo mokymosi iš pavyzdžių algoritmą, siūlo kompiuteriams būdą naršyti Polanyi paradoksu. Daugelis dalykų, kuriuos darome, pavyzdžiui, vairuojame automobilį ar atpažįstame veidą, yra panašūs. Kai kurie ekonomistai pabrėžė tai kaip svarbų dalyką. Ir kaip straipsnis viduje konors Niujorko laikas rodo , kai kurie netgi mano, kad AlphaGo triumfas yra įtikinamas įrodymas, kad kompiuteriai perims daugiau užduočių (ir darbų), nes mašininis mokymasis bus naudojamas vis plačiau.

„AlphaGo“ iš tikrųjų nėra AI

Tačiau ne taip greitai. Kad ir kaip nuostabi AlphaGo, ji dar toli iki tikrai protingo. Kaip dirbtinio intelekto ekspertas ir robotikos verslininkas Jeanas-Christophe'as Baillie atkreipia dėmesį į , tikram intelektui reikės ne tik sudėtingesnio mokymosi, bet ir tokių dalykų kaip įsikūnijimas ir gebėjimas bendrauti. Iš tiesų, vairuoti automobilį judrioje miesto gatve ar bendrauti su pažįstamu žmogumi yra daug sudėtingiau, nei galime įsivaizduoti. Taigi, nors mašininis mokymasis gali leisti kompiuteriams atlikti daugiau užduočių, praeis daug laiko, kol jie galės pakeisti viską, ką daro žmonės.

AlphaGo yra gana neefektyvus

Palyginti su žmogumi, AlphaGo greitai mokosi, naudoja duomenis apie ankstesnius žaidimus ir žaidžia prieš save silicio greičiu. Tačiau tai daug mažiau efektyvu nei žmogus mokosi, nes norint pasirinkti veiksmingus metodus reikia daug daugiau „Go“ žaidimų pavyzdžių. Tai viena iš pagrindinių gilaus mokymosi problemų, kurią daugelis žmonių bando išspręsti ieškodami būdų, kaip mokytis iš naujų rūšių duomenų arba iš viso iš mažiau duomenų.

Komercializacija nėra akivaizdi

„AlphaGo“ demonstruojami įgūdžiai – subtilus modelio atpažinimas, planavimas ir sprendimų priėmimas – akivaizdžiai svarbūs. Tačiau mažiau akivaizdu, kaip jie gali būti paversti komerciškai perspektyviu produktu. Demis Hassabis, Google DeepMind įkūrėjas, teigė, kad AlphaGo sukurtos technikos gali būti naudojamos kuriant asmeninį asistentą, kuris veiksmingiau išmoktų savo šeimininko pageidavimus ir įpročius. Bet žmonių kalba yra daug sudėtingesnė nei stalo žaidimas , ir daug sunkiau iš to mokytis. Kitaip tariant, gali būti sudėtinga pritaikyti specifinius AlphaGo įgūdžius netvarkingame realiame pasaulyje.

(Skaityti daugiau: Niujorko laikas , IEEE spektras , Gamta , Trūksta dirbtinio intelekto grandis, Ar šis žmogus gali dirbtinį intelektą padaryti žmogiškesnį? )

paslėpti