Η τεχνητή νοημοσύνη είναι το όριο της επιστήμης των υπολογιστών. Η επιστήμη έχει προχωρήσει αρκετά ώστε το AI μας χτυπά στο δικό μας παιχνίδι - ή θα έπρεπε να πούμε, παιχνίδια. Μερικοί άνθρωποι μπορεί να φοβούνται την άνοδο του Skynet Εδώ είναι γιατί οι επιστήμονες νομίζουν ότι πρέπει να ανησυχούν για την τεχνητή νοημοσύνη Εδώ είναι γιατί οι επιστήμονες νομίζουν ότι πρέπει να ανησυχείτε για την τεχνητή νοημοσύνη Νομίζετε ότι η τεχνητή νοημοσύνη είναι επικίνδυνη; Μπορεί το AI να αποτελέσει σοβαρό κίνδυνο για την ανθρώπινη φυλή. Αυτοί είναι μερικοί λόγοι για τους οποίους μπορεί να θέλετε να ανησυχείτε. Διαβάστε περισσότερα με κάθε εξέλιξη της ΑΠ, αλλά είμαστε λίγο πιο αισιόδοξοι.
Το AlphaGo είναι το τελευταίο AI για να νικήσει έναν άνθρωπο σε ένα επιτραπέζιο παιχνίδι, αλλά προέρχεται από ένα μακρύ γενεαλογικό. Παρόλο που αυτές οι πέντε μηχανές ξεκίνησαν ως προγραμματισμένα προγράμματα, μερικοί βρήκαν δεύτερες ζωές που ξεπερνούν τα αρχικά τους καλέσματα.
Σε αυτό το άρθρο, θα περάσουμε από κάθε φορά που ένας λαμπρός άνθρωπος χάθηκε σε έναν υπολογιστή και θα εξετάσει τι έδωσε στον καθένα από αυτούς τους υπολογιστές το καθοριστικό του πλεονέκτημα.
1. Deep Blue, το Master Chess
Οι Deep Blue της IBM και ο Garry Kasparov είχαν μία από τις πρώτες μάχες υψηλού προφίλ μεταξύ ανθρώπου και μηχανής. Ο Kasparov έχασε, βέβαια, αλλά είχαν μια περίπλοκη ιστορία.
Αφού ο Kasparov νίκησε αρχικά τον μικρό αδελφό της Deep Blue, Deep Thought, το 1989, η IBM επέστρεψε με το νέο και βελτιωμένο Deep Blue το 1996. Ο Kasparov έχασε ένα εναρκτήριο παιχνίδι, έδεσε ένα δευτερόλεπτο, αλλά στη συνέχεια κέρδισε τρία συνεχόμενα παιχνίδια για να πάρει τον αγώνα.
Δεν ήταν μέχρι το δεύτερο rematch το 1997 που Deep Blue βιαστεί Kasparov, κερδίζοντας ένα παιχνίδι έξι παιχνιδιών από ένα παιχνίδι.
Ο Κασπαρόφ δήλωσε ότι είδε τη νοημοσύνη στο παιχνίδι του Deep Blue και κατηγόρησε την IBM ότι παρενέβη. Η "νοημοσύνη" ήταν στην πραγματικότητα ένα σφάλμα που προκάλεσε το Deep Blue να δράσει από χαρακτήρα. Ουσιαστικά, το AI ήταν μάλλον πρωτόγονο, βαρύ, αναγκάζοντας τον δρόμο του μέσα από πιθανές κινήσεις και αποτελέσματα ...
... και αν δεν μπορούσε να βρει μια βέλτιστη επιλογή, επέλεξε τυχαία.
Για κάθε κίνηση του, ο Deep Blue υπολόγισε όλες τις δυνατές κινήσεις και τις απαντήσεις του Kasparov. Ήταν σε θέση να διαμορφώσει έως και είκοσι κινήσεις μπροστά, αξιολογώντας εκατομμύρια πιθανές θέσεις ανά δευτερόλεπτο. Αυτό το μοντέλο απαιτούσε υλικό ικανό για ισχυρή παράλληλη επεξεργασία.
Η παράλληλη επεξεργασία αναλύει τις εργασίες σε μικρότερα υπολογιστικά καθήκοντα και ταυτόχρονα ολοκληρώνει τα καθήκοντα αυτά. Τα προκύπτοντα δεδομένα συλλέγονται στη συνέχεια μαζί για το αποτέλεσμα.
Μεταξύ των δύο αγώνων, η Deep Blue έλαβε σημαντική αναβάθμιση υλικού. Το νικητήριο υλικό ήταν ένα σύστημα 30 κόμβων που λειτουργούσε στην πλατφόρμα Power PC της IBM. Κάθε κόμβος είχε δευτερεύοντες επεξεργαστές που ήταν αφιερωμένοι στις οδηγίες του Σκακιού 10 Δημιουργικοί τρόποι για να επιβαρύνουν την εκπαίδευση του σκάκι σας 10 Δημιουργικοί τρόποι για να υπερφορτώσετε την εκπαίδευσή σας στο σκάκι Να πάρει καλύτερα στο σκάκι είναι συνήθως για σκόπιμη πρακτική σε πολλά απογοητευτικά παιχνίδια, έτσι ας δούμε μερικούς από τους τρόπους που μπορείτε να φέρετε τη διασκέδαση και τη δημιουργικότητα στην εκπαίδευση σκακιού σας. Διαβάστε περισσότερα .
Όλοι μαζί, ο Deep Blue είχε 256 επεξεργαστές που εργάζονται παράλληλα.
Υπάρχουν απόγονοι αυτού του υλικού που εργάζονται σε datacenters, αλλά η πραγματική κληρονομιά του Deep Blue είναι ο Watson, ο πρωταθλητής του Jeopardy. Τελικά, η IBM έβαλε το Deep Blue για να ασχοληθεί με τη χρηματοοικονομική μοντελοποίηση, την εξόρυξη δεδομένων και την ανακάλυψη φαρμάκων, όλους τους τομείς που χρειάζονται προσομοιώσεις μεγάλης κλίμακας.
2. Ο Polaris, ο πρωταθλητής πόκερ
Το Πανεπιστήμιο της Αλμπέρτα δημιούργησε τον Polaris, τον πρώτο AI που κερδίζει τους επαγγελματίες του πόκερ σε ένα τουρνουά. Οι ερευνητές επέλεξαν μια παραλλαγή του Texas Hold 'Em για το AI τους, καθώς βασίζεται ελάχιστα στην τύχη.
Η Polaris αντιμετώπισε δύο παίκτες πόκερ. Το πρώτο ήταν το 2007 εναντίον δύο παικτών. Τα χέρια προεπιλέχτηκαν - η Polaris είχε ένα σύνολο καρτών όταν αντιμετώπιζε έναν παίκτη και το πίσω χέρι όταν έπαιζε τον άλλο παίκτη (για τον έλεγχο της τύχης).
Η Polaris ανατράπηκε αργότερα για ένα τουρνουά του 2008 εναντίον έξι παικτών. Αυτό ήταν επίσης ένα προκαθορισμένο σύνολο παιχνιδιών. Ο Polaris πήρε ισοπαλία στο πρώτο παιχνίδι και έχασε το δεύτερο, αλλά κέρδισε τελικά το τουρνουά, που έρχεται από πίσω και κερδίζει δύο συνεχόμενα παιχνίδια.
Σε αντίθεση με το σκάκι, το πόκερ δεν μπορεί να εξαναγκαστεί με βαρύ τρόπο μέσω της μοντελοποίησης, επειδή το AI έχει περιορισμένη εικόνα του παιχνιδιού - δεν έχει ιδέα για τα χέρια των αντιπάλων του.
Οι διαπραγματεύσεις καρτών είναι σχεδόν απεριόριστα μοναδικές, καθιστώντας το μοντελοποίηση ακόμη λιγότερο αποτελεσματικό. Οι ίδιες κάρτες μπορούν να είναι ένα καλό ή άχρηστο χέρι, ανάλογα με τις άλλες κάρτες που έχουν μοιραστεί. Το Bluffing παρουσιάζει ένα άλλο πρόβλημα για το AI, καθώς το στοίχημα από μόνο του δεν αποτελεί καλό δείκτη της δύναμης των χεριών.
Η Polaris είναι ένας συνδυασμός διαφόρων προγραμμάτων, τα οποία καλούνται πράκτορες. Κάθε ένα από αυτά τα προγράμματα είχε τη δική του στρατηγική και υπήρχε ένας άλλος πράκτορας που θα επέλεγε ποιο από αυτά ήταν το καλύτερο για κάθε δεδομένο χέρι.
Οι στρατηγικές που χρησιμοποιούνται για την κατάρρευση του παιχνιδιού του πόκερ είναι ποικίλες και απαιτούν θεωρία παιχνιδιών. Η βασική ιδέα είναι να καταλάβουμε ποια θα ήταν η καλύτερη στρατηγική κάθε παίκτη για όλα τα διαθέσιμα δεδομένα και η Polaris το πέτυχε αυτό μέσω μιας τεχνικής που ονομάζεται bucketing.
Το bucketing χρησιμοποιείται για να ταξινομήσει τα χέρια με βάση τη δύναμη. Επιτρέποντας στην Polaris να μειώσει τον αριθμό των σημείων δεδομένων που απαιτούνται για την παρακολούθηση του παιχνιδιού. Στη συνέχεια, χρησιμοποίησε την πιθανότητα όλων των άλλων διαθέσιμων κουβάδων, που προέκυψαν από τις ορατές κάρτες.
Η Polaris είχε μια μοναδική διάταξη υλικού: ένα σύμπλεγμα από 8 υπολογιστές με το κάθε ένα να έχει 4 επεξεργαστές και 8 GB μνήμης RAM. Αυτά τα μηχανήματα έτρεξαν τις προσομοιώσεις που απαιτούνται για τη δημιουργία των κουβάδων και των στρατηγικών για κάθε παράγοντα.
Από τότε, η Polaris εξελίχθηκε σε ένα άλλο πρόγραμμα που ονομάζεται Cepheus, καθιστώντας τόσο προηγμένο ότι οι ερευνητές έχουν πλέον δηλώσει ότι το Texas Hold 'Em είναι "αδύνατο να λυθεί".
Τα παιχνίδια "λυθούν" όταν οι αλγόριθμοι μπορούν να καθορίσουν το αποτέλεσμα ενός παιχνιδιού από οποιαδήποτε θέση. Ένα παιχνίδι είναι "αδύναμη επίλυση" όταν ο αλγόριθμος δεν μπορεί να αντιληφθεί το ατελές παιχνίδι. Μπορείτε να δοκιμάσετε την τύχη σας ενάντια στον Κέφεο εδώ.
3. Watson, το Genius Jeopardy
AI νίκες μέχρι αυτό το σημείο στην ιστορία ήταν παιχνίδια χαμηλού κλειδιού, γι 'αυτό η νίκη του Watson είναι ένα τέτοιο ορόσημο για τους συνηθισμένους λαούς: ο Watson έφερε τη μάχη του AI απευθείας στα σαλόνια της Αμερικής.
Η διαφθορά είναι μια αγαπημένη παράσταση παιχνιδιών γνωστή για τις προκλητικές παρατυπίες της, και έχει μια μοναδική ιδιορρυθμία: οι ενδείξεις είναι οι απαντήσεις και οι διαγωνιζόμενοι πρέπει να βρουν τις ερωτήσεις. Μια πραγματική δοκιμασία για τον Watson, ο οποίος ανέλαβε τους γνωστούς πρωταθλητές του Jeopardy Brad Rutter και τον Ken Jennings.
Ο Rutter ήταν ο πρωταθλητής χρήματος όλων των εποχών και ο Ken Jennings είχε τη μεγαλύτερη κερδοφόρα σειρά. Ένας τρίτος επέλεξε μια τυχαία σειρά ερωτήσεων από παλαιότερα επεισόδια για να εξασφαλίσει ότι οι ερωτήσεις δεν γράφτηκαν για να βοηθήσουν ή να εκμεταλλευτούν τον Watson.
Ο Watson κέρδισε τρία συνεχόμενα παιχνίδια - μία πρακτική και δύο τηλεοπτικά - αλλά υπήρξαν κάποιες περίεργες διαμάχες σε μερικές από τις απαντήσεις του Watson. Για παράδειγμα, αμέσως μετά την Jennings απάντησε μια ερώτηση λάθος, Watson απάντησε με την ίδια λάθος απάντηση.
Ωστόσο, αυτό που έκανε το Watson μοναδικό ήταν η ικανότητά του να χρησιμοποιεί τη φυσική γλώσσα. Η IBM κάλεσε αυτό το Deep QA, το οποίο στάθηκε για "απάντηση σε ερωτήσεις". Το βασικό επίτευγμα ήταν ότι ο Watson θα μπορούσε να αναζητήσει απαντήσεις με το πλαίσιο, όχι μόνο τη συνάφεια των λέξεων-κλειδιών.
Το λογισμικό είναι ένας συνδυασμός κατανεμημένων συστημάτων. Hadoop και Apache UIMA εργάζονται μαζί για να ευρετηριάσουν τα δεδομένα και να επιτρέψουν στους διάφορους κόμβους του Watson να συνεργαστούν.
Όπως και η Deep Blue, ο Watson χτίστηκε στην πλατφόρμα Power PC της IBM. Ο Watson ήταν ένα συγκρότημα 90 πυρήνων με 16 TB μνήμης RAM. Για τα παιχνίδια διακινδύνευσης, όλα τα σχετικά δεδομένα φορτώθηκαν και αποθηκεύτηκαν στη μνήμη RAM.
Ποια είναι τα σχετικά δεδομένα; Λοιπόν, ο Watson είχε πρόσβαση στο πλήρες κείμενο της Wikipedia. Είχε μια σειρά από λεξικά, θησαυρούς, εγκυκλοπαίδειες και άλλα υλικά αναφοράς. Ο Watson δεν είχε πρόσβαση στο Διαδίκτυο κατά τη διάρκεια του παιχνιδιού, αλλά όλα τα τοπικά δεδομένα ήταν περίπου 4 TB.
Πιο πρόσφατα, ο Watson έχει χρησιμοποιηθεί για να αναλύσει και να προτείνει επιλογές θεραπείας για ασθενείς με καρκίνο. Το τελευταίο εγχείρημα της Watson συμβάλλει στη δημιουργία εξατομικευμένων εφαρμογών εκμάθησης για παιδιά. Υπάρχουν ακόμη και προσπάθειες να εκπαιδεύσει τον Watson πώς να μαγειρέψει το Watson της IBM Δημιουργία γεύματος ευχαριστιών της IBM - Εδώ είναι τι συνέβη Watson της IBM Δημιουργία γεύματος ευχαριστιών της IBM - Εδώ είναι τι συνέβη Η τεχνητή νοημοσύνη της IBM γνωστή ως Watson μπορεί να κάνει πολλά έξυπνα πράγματα, αλλά μπορεί να δημιουργήσει μια πλήρη και μοναδικό γεύμα Ευχαριστιών; Προσπαθώ να το δοκιμάσω. Δείτε τι συμβαίνει! Διαβάστε περισσότερα !
4. Βαθιά, ο αυτοδίδακτος
Το Deepmind της Google μπορεί τελικά να δώσει κάτι που πρέπει να ανησυχείτε επειδή χτυπά τους ανθρώπους στα κλασικά παιχνίδια Atari. Το Internet Archive φέρνει 900 παιχνίδια Classic Arcade στον περιηγητή σας. Εδώ είναι 7 από τα καλύτερα αρχεία Internet Φέρνει 900 κλασικά παιχνίδια Arcade στον browser σας. Εδώ είναι 7 από τα καλύτερα Το arcade της πόλης σας μπορεί να έχει κλείσει στα μέσα της δεκαετίας του '90, αλλά αυτό δεν πρέπει να σας σταματήσει από το να φτιάξετε τα κλασικά παιχνίδια σας. Διαβάστε περισσότερα - καλά, τουλάχιστον ορισμένα παιχνίδια. Η ανθρωπότητα εξακολουθεί να είναι άκρη σε παιχνίδια όπως Asteroid και Gravitar.
Το Deepmind είναι ένα νευρωνικό δίκτυο AI. Τα νευρικά δίκτυα είναι ΑΙ που δημιουργούνται για να μιμούνται τον τρόπο που λειτουργεί το ανθρώπινο μυαλό, το οποίο κάνει δημιουργώντας εικονικούς "νευρώνες" χρησιμοποιώντας τη μνήμη του υπολογιστή.
Η Deepmind ήταν σε θέση να αναλύσει κάθε εικονοστοιχείο της οθόνης, να αποφασίσει την καλύτερη ενέργεια που πρέπει να λάβει, λαμβάνοντας υπόψη τις συνθήκες νίκης, και στη συνέχεια να απαντήσει με την είσοδο του ελεγκτή.
Το AI έμαθε παιχνίδια χρησιμοποιώντας μια παραλλαγή της Q-Learning που ονομάζεται Deep Learning. Πρόκειται για μια μέθοδο μάθησης όπου το AI διατηρεί την καλύτερη απόφαση που λαμβάνεται σε μια συγκεκριμένη κατάσταση, και στη συνέχεια το επαναλαμβάνει όταν συναντά την ίδια κατάσταση.
Η παραλλαγή Deepmind είναι μοναδική, όμως, επειδή προσθέτει εξωτερικές πηγές μνήμης.
Αυτό το σύστημα διατηρούμενης πληροφόρησης επέτρεψε στο Deepmind να κυριαρχήσει τα σχέδια ορισμένων παιχνιδιών Atari, και μάλιστα το οδήγησε για να βρει τη βέλτιστη στρατηγική της Breakout όλα από μόνη της.
Γιατί το Deepmind είχε κακή απόδοση σε ορισμένα παιχνίδια; Εξαιτίας του τρόπου με τον οποίο έκρινε καταστάσεις. Αποδεικνύεται ότι η Deepmind ήταν σε θέση μόνο να αναλύσει τέσσερα πλαίσια ανά πάσα στιγμή, γεγονός που περιόρισε την ικανότητά της να περιηγεί τους λαβύρινθους ή να αντιδρά γρήγορα.
Επίσης, ο Deepmind έπρεπε να μάθει κάθε παιχνίδι από το μηδέν και δεν μπορούσε να εφαρμόσει δεξιότητες από το ένα παιχνίδι στο άλλο.
5. Alpha Go, το Incredible
Το AlphaGo είναι ένα άλλο έργο DeepMind και είναι αξιοθαύμαστο γιατί κατόρθωσε να κερδίσει δύο επαγγελματίες πρωταθλητές Go AI Breakthrough της Google: Τι σημαίνει και πώς επηρεάζει You AI Breakthrough της Google: Τι σημαίνει και πώς σας επηρεάζει Διαβάστε περισσότερα - Fan Hui και Lee Sedol - κερδίζοντας τους αγώνες 5-0 και 4-1 αντίστοιχα.
Σύμφωνα με τους παίκτες και τους σχολιαστές των αγώνων, όλοι ανέφεραν ότι ο AI έπαιξε συντηρητικά, κάτι που δεν προκαλεί έκπληξη επειδή είχε προγραμματιστεί να ευνοεί ασφαλείς κινήσεις που θα εξασφάλιζαν νίκη σε επικίνδυνες κινήσεις που θα εξασφάλιζαν περισσότερους πόντους.
Το Go θεωρήθηκε κάποτε ότι είναι εκτός έδρας για το AI, αλλά το Alpha Go είναι τώρα ο πρώτος AI που κατατάσσεται επαγγελματικά στο παιχνίδι.
Το παιχνίδι έχει ένα απλό set up: δύο παίκτες προσπαθούν να κατακτήσουν το διοικητικό συμβούλιο χρησιμοποιώντας άσπρες και μαύρες πέτρες. Το διοικητικό συμβούλιο είναι ένα 19 x 19 πλέγμα με 361 διασταυρώσεις και η τοποθέτηση των πετρωμάτων καθορίζει την επικράτεια κάθε παίκτη. Ο στόχος είναι να τερματίσετε με περισσότερη επικράτεια από την άλλη.
Ο αριθμός των πιθανών κινήσεων και των συνθηκών παιχνιδιού είναι μαζικός, τουλάχιστον. Ναι, πολύ μεγαλύτερο από το σκάκι, αν αναρωτιέστε.
Το Alpha Go χρησιμοποιεί το προαναφερθέν σύστημα Deep Learning AI, το οποίο σημαίνει ότι το Alpha Go διατηρεί τη μνήμη των παιχνιδιών που παίζει και τα μελετάει ως εμπειρία. Στη συνέχεια διερευνά τους, επιλέγοντας την επιλογή που έχει το μεγαλύτερο αριθμό θετικών δυνητικών αποτελεσμάτων.
Το Alpha Go χρειάζεται πολλή ισχύ υπολογιστή για να εκτελέσει τον αλγόριθμό του με τον υπολογισμό του. Η έκδοση που έπαιξε τους αγώνες έτρεξε σε ένα διανεμημένο σύνολο εξυπηρετητών με συνολικά 1.920 επεξεργαστές και 280 μονάδες GPU - μια τεράστια ποσότητα ενέργειας που επέτρεπε 64 ταυτόχρονες συνδέσεις αναζήτησης κατά τη διάρκεια του παιχνιδιού.
Όπως και ο Watson, το DeepMind κατευθύνεται προς την ιατρική σχολή. Η Deepmind ανακοίνωσε μια συνεργασία με το NHS του Ηνωμένου Βασιλείου για την ανάλυση των αρχείων υγείας. Το έργο, Streams, θα βοηθήσει στον εντοπισμό ασθενών που διατρέχουν κίνδυνο για νεφρική βλάβη.
Η Τεχνητή Νοημοσύνη γίνεται σοβαρή
Υπάρχει πολλή έρευνα που πηγαίνει στο AI αυτή τη στιγμή.
Η Google ελπίζει ότι η AI μπορεί να βοηθήσει την επιχείρηση αναζήτησης. Ένα έργο που ονομάζεται Rankbrain προσπαθεί να χρησιμοποιήσει το AI για να ενισχύσει την αποτελεσματικότητα του Page Rank. Η Microsoft και το Facebook κυκλοφόρησαν και τα δύο chatbots. Η Tesla οδηγεί την αιμορραγία με την αυτόματη λειτουργία οδήγησης και η Google βρίσκεται ακριβώς πίσω με τα αυτοκίνητα με αυτο-οδήγηση.
Ίσως είναι δύσκολο να δούμε τη σχέση μεταξύ αυτών των έργων και την κατάρτιση ενός ΑΙ να κερδίσουμε παιχνίδια, αλλά κάθε ένα από αυτά τα AI έχει διαμορφώσει μηχανική μάθηση με κάποιο τρόπο.
Καθώς το πεδίο έχει εξελιχθεί, επέτρεψε στους AIs να συνεργαστούν με πιο περίπλοκα σύνολα δεδομένων. Αυτοί σχεδόν άπειροι αριθμοί κινήσεων στο Go μπορούν να μεταφραστούν στον σχεδόν άπειρο αριθμό μεταβλητών στον ανοιχτό δρόμο. Έτσι πραγματικά, αυτά τα παιχνίδια είναι μόνο η αρχή - μια φάση πρακτικής, αν θέλετε.
Τα πραγματικά ενδιαφέρον πράγματα είναι ακριβώς γύρω από τη γωνία, και είναι πολύ πιθανό ότι θα μπορέσουμε να το βιώσουμε από πρώτο χέρι.
Τι σας ενθουσιάζει για το AI; Υπάρχει ένα παιχνίδι που νομίζετε ότι το AI δεν μπορεί τελικά να κατακτήσει; Ενημερώστε μας στα σχόλια.
Image Credit: David Pacey μέσω Flickr, Debbie Miesel μέσω IBM, CPRG μέσω του Πανεπιστημίου της Αλμπέρτα, Παίξε ανάμεσα στους φίλους Paf μέσω του Flickr, ο Seb μέσω του Flickr, ο Matt Brown μέσω του Flickr, ο Jiuguang Wang μέσω του Flickr