Užuot praktikavęs, šis AI įvaldė šachmatus skaitydamas apie juos

Šachmatų lenta. Atskleiskite purslą

Šachmatų gerbėjai nemėgsta nieko daugiau, kaip tik aptarti meistrišką pasiaukojimą Bobis Fišeris arba išradinga dabartinio pasaulio čempiono puolimo linija Magnusas Karlsenas . Pasirodo, šis pokalbis gali padėti AI programoms išmokti žaisti žaidimą nauju būdu. Vieną dieną ta pati technika leistų mašinoms panaudoti emocinį mūsų kalbos turinį įvairioms praktinėms užduotims atlikti.

Šachmatų algoritmas, vadinamas FeelMATE , sukūrė mokslininkai Nicholas McCarthy, Isaac Kamlish ir Isaac Bentata Chocron iš Londono universiteto koledžo. Jame šachmatų ėjimų kokybė vertinama analizuojant ekspertų komentatorių reakciją.

Komanda išanalizavo 2700 šachmatų partijų komentarų, kuriuos galima rasti internete. Jie pašalino komentarus, kurie nebuvo susiję su aukštos kokybės judesiais, ir pernelyg dviprasmiškus pavyzdžius. Tada jie naudojo specialų pasikartojančio neuroninio tinklo ir žodžių įterpimo tipą (matematinę techniką, kuri sujungia žodžius pagal jų reikšmes), išmokytą pagal kitą naujausią kalbos analizės modelį.

AI neseniai padarė didelę pažangą analizuojant kalbą. Pavyzdžiui, San Francisko tyrimų bendrovės OpenAI tyrėjų sukurtas algoritmas gali sukurti visas naujienas iš kelių žodžių.

Kitas žingsnis tobulinant natūralios kalbos apdorojimą – šią išmoktą informaciją paversti apčiuopiamais veiksmais, padedančiais išspręsti realaus pasaulio užduotis, rašoma mokslininkų el. laiške MIT Technology Review. Manėme, kad mokymosi strategija iš tekstinių duomenų gali būti labai svarbi tyrimo kryptis.

SentiMATE nustebino tyrėjus savo gebėjimu išsiaiškinti kai kuriuos pagrindinius šachmatų principus, taip pat keletą pagrindinių strategijų, tokių kaip šakės (kai vienu metu gresia dvi ar daugiau figūrų) ir užmetimas (kai karalius ir pilis persikelia į daugiau gynybinė padėtis lentos gale).

Vargu ar tai buvo AI didmeistris: jam nepavyko nuosekliai įveikti kai kurių įprastų šachmatų robotų. Tačiau programa parodo pažadą panaudoti kalbą, padedančią išsiaiškinti, kaip gerai žaisti žaidimą, naudojant mažiau praktinių duomenų ir mažiau kompiuterio galios, nei reikalauja įprastiniai metodai.

Šachmatai ilgą laiką buvo mašininio intelekto pažangos etalonas – nuo ​​1951 m. Alano Turingo žaidimo programos (parašyta popieriuje) iki Gario Kasparovo pralaimėjimo IBM Deep Blue.

Visai neseniai „Alphabet“ dukterinė įmonė „DeepMind“ pademonstravo „AlphaGo“ šachmatų variantą – programą, galinčią išmokyti žaisti senovės kinų stalo žaidimą „Go“. Ši programa, žinoma kaip AlphaZero , buvo suteiktos žaidimo taisyklės, o tada patobulino savo įgūdžius žaisdamas prieš kitas savo versijas. Kadangi išmoko pats, AlphaZero sukūrė keletą neįprastų ir stebinančių strategijų. Tačiau, kaip ir „Deep Blue“, „AlphaZero“ reikėjo tūkstančių specializuotų „Google“ tensorinio apdorojimo bloko (TPU) lustų, taip pat duomenų iš milijonų praktinių žaidimų.

Tyrėjai teigia, kad SentiMATE naudojami mokymosi metodai gali turėti daug kitų praktinių pritaikymų ne tik šachmatais. Pavyzdžiui, jie gali padėti mašinoms analizuoti sportą, numatyti finansinę veiklą ir pateikti geresnių rekomendacijų. Komanda atkreipia dėmesį į tai, kad yra daugybė knygų, tinklaraščių ir straipsnių, iš kurių galima pasimokyti.

paslėpti