AI wygrywają 5 razy, gdy komputery pokonują ludzi

Sztuczna inteligencja jest granicą informatyki. Nauka jest na tyle zaawansowana, że ​​sztuczna inteligencja pokonuje nas w naszej własnej grze - a raczej w grach. Niektórzy ludzie mogą obawiać się wzrostu Skynet Oto dlaczego naukowcy uważają, że należy się martwić sztuczną inteligencją Oto dlaczego naukowcy uważają, że należy się martwić o sztuczną inteligencję Czy uważasz, że sztuczna inteligencja jest niebezpieczna? Czy sztuczna inteligencja może stanowić poważne zagrożenie dla rasy ludzkiej? Oto niektóre powody, dla których możesz się martwić. z każdą ewolucją AI, ale jesteśmy trochę bardziej optymistyczni.

AlphaGo to najnowsza sztuczna inteligencja, która pokonała człowieka w grze planszowej, ale pochodzi z długiego rodowodu. Chociaż te pięć maszyn powstało jako programy specjalnie zaprojektowane, niektóre z nich znalazły drugie życie, które wykracza poza ich pierwotne powołania.

W tym artykule omówimy za każdym razem, gdy genialny człowiek zagubi się w komputerze, i sprawdzimy, co dało każdemu z tych komputerów decydującą przewagę.

1. Deep Blue, mistrz szachowy

Deep Blue i Garry Kasparov IBM przeprowadzili jedną z pierwszych głośnych bitew między człowiekiem a maszyną. Kasparow oczywiście przegrał, ale mieli trochę skomplikowaną historię.

Po tym, jak Kasparow po raz pierwszy pokonał młodszego brata Deep Blue, Deep Thought, w 1989 roku, IBM powrócił z nowym i ulepszonym Deep Blue w 1996 roku. Kasparow przegrał grę otwierającą, remisował, ale wygrał trzy proste mecze, aby wziąć udział w meczu.

Dopiero po drugiej rewanżu w 1997 roku Deep Blue pokonał Kasparowa, wygrywając mecz w sześciu meczach.

Kasparow powiedział, że widział inteligencję w grze Deep Blue i oskarżył IBM o interwencję. The “inteligencja” był w rzeczywistości błędem, który spowodował, że Deep Blue działał poza charakterem. Zasadniczo AI było dość prymitywne, brutalnie zmuszając się do przejścia przez możliwe ruchy i wyniki…

… A jeśli nie mógł znaleźć optymalnego wyboru, wybrał losowo.

Dla każdego ze swoich ruchów Deep Blue modelował wszystkie możliwe ruchy i odpowiedzi Kasparowa. Był w stanie modelować do dwudziestu ruchów do przodu, oceniając miliony możliwych pozycji na sekundę. Modelowanie wymagało sprzętu zdolnego do wydajnego przetwarzania równoległego.

Równoległe przetwarzanie dzieli zadania na mniejsze zadania komputerowe i wykonuje je jednocześnie. Dane wynikowe są następnie ponownie zestawiane dla wyniku.

Pomiędzy tymi dwoma meczami Deep Blue otrzymał znaczną modernizację sprzętu. Zwycięskim sprzętem był 30-węzłowy system działający na platformie Power PC IBM. Każdy węzeł miał procesory wtórne dedykowane instrukcjom szachowym. 10 kreatywnych sposobów na przećwiczenie treningu w szachy. 10 kreatywnych sposobów na przeładowanie treningu w szachy. Lepsza gra w szachy polega zwykle na celowym ćwiczeniu wielu zniechęcających gier, więc spójrzmy na kilka sposobów, które możesz wnieść zabawa i kreatywność w treningu szachowym. .

Wszystkie połączone Deep Blue miały równolegle 256 procesorów.

Są potomkowie tego sprzętu pracujący w centrach danych, ale prawdziwym dziedzictwem Deep Blue jest Watson, mistrz Jeopardy. W końcu IBM wprowadził Deep Blue do pracy nad modelowaniem finansowym, eksploracją danych i odkrywaniem leków - wszystkie obszary wymagające symulacji na dużą skalę.

2. Polaris, mistrz pokera

University of Alberta stworzył Polaris, pierwszą sztuczną inteligencję, która pokonała pokerzystów w turnieju. Naukowcy wybrali wariant Texas Hold 'Em dla swojej sztucznej inteligencji, ponieważ w najmniejszym stopniu zależy od szczęścia.

Polaris dwukrotnie zmierzył się z pokerzystami. Pierwszy był w 2007 roku przeciwko dwóm graczom. Ręce zostały rozdane - Polaris miał jeden zestaw kart, gdy walczył przeciwko jednemu graczowi, a odwrotny układ, gdy grał przeciw drugiemu (aby kontrolować szczęście).

Polaris został później zmieniony na turniej 2008 przeciwko sześciu graczom. Był to także wcześniej przygotowany zestaw gier. Polaris dostał remis w pierwszej grze i przegrał drugą, ale ostatecznie wygrał turniej, wychodząc z tyłu i wygrywając dwie proste gry.

W przeciwieństwie do szachów, poker nie może być brutalnie zmuszony do modelowania, ponieważ AI ma ograniczony obraz gry - nie ma pojęcia o rękach przeciwników.

Oferty kart są niemal nieskończenie wyjątkowe, przez co modelowanie jest jeszcze mniej skuteczne. Te same karty mogą być dobrą lub bezwartościową ręką, tylko w zależności od innych rozdanych kart. Blefowanie stanowi kolejny problem dla AI, ponieważ same zakłady nie są dobrym wskaźnikiem siły ręki.

Polaris to połączenie kilku programów nazywanych agentami. Każdy z tych programów miał swoją własną strategię, a inny agent decydował, który z nich będzie najlepszy dla danej ręki.

Strategie stosowane do podziału gry w pokera są zróżnicowane i wymagają teorii gier. Podstawową ideą jest ustalenie najlepszej strategii każdego gracza na podstawie wszystkich dostępnych danych, a Polaris osiągnął to dzięki technice zwanej wiaderko.

Wiadro służy do klasyfikowania kart na podstawie siły. Umożliwiło to Polarisowi zmniejszenie liczby punktów danych potrzebnych do śledzenia gry. Następnie wykorzystał prawdopodobieństwo wszystkich innych dostępnych wiader, czerpiąc je z widocznych kart.

Polaris miał unikalny sprzęt: klaster 8 komputerów, z których każdy ma 4 procesory i 8 GB pamięci RAM. Te maszyny przeprowadziły symulacje potrzebne do stworzenia segmentów i strategii dla każdego agenta.

Od tego czasu Polaris przekształcił się w inny program o nazwie Cefeusz, stając się tak zaawansowanym, że naukowcy ogłosili, że Texas Hold 'Em jest “słabo rozwiązany”.

Gry są “rozwiązany” kiedy algorytmy mogą określić wynik gry z dowolnej pozycji. Gra jest “słabo rozwiązany” gdy algorytm nie może uwzględnić niedoskonałej gry. Możesz spróbować szczęścia przeciwko Cefeuszowi tutaj.

3. Watson, geniusz Jeopardy

Zwycięstwa AI do tej pory w historii były mało wymagającymi grami, dlatego zwycięstwo Watsona jest tak ważnym kamieniem milowym dla ludzi z głównego nurtu: Watson wprowadził bitwę AI bezpośrednio do amerykańskich salonów.

Jeopardy to ukochany teleturniej znany z trudnych ciekawostek i ma unikalne dziwactwo: wskazówki to odpowiedzi, a uczestnicy muszą wymyślić pytania. Prawdziwy test dla Watsona, który zmierzył się ze znanymi mistrzami Jeopardy, Bradem Ruttem i Kenem Jenningsiem.

Rutter był wszechstronnym mistrzem pieniędzy, a Ken Jennings miał najdłuższą passę. Strona trzecia wybrała losowy zestaw pytań ze starszych odcinków, aby upewnić się, że pytania nie zostały napisane w celu pomocy lub wykorzystania Watson.

Watson wygrał trzy proste mecze - jeden trening i dwa telewizyjne - ale niektóre odpowiedzi Watsona były dziwne. Na przykład zaraz po tym, jak Jennings odpowiedział na złe pytanie, Watson odpowiedział tą samą błędną odpowiedzią.

Tym, co wyróżnia Watsona, była jego umiejętność posługiwania się językiem naturalnym. IBM nazwał to Deep QA, co oznaczało “odpowiedź na pytanie”. Kluczowym osiągnięciem było to, że Watson mógł wyszukiwać odpowiedzi w kontekście, a nie tylko trafności słowa kluczowego.

Oprogramowanie jest kombinacją systemów rozproszonych. Hadoop i Apache UIMA współpracują ze sobą w celu indeksowania danych i zezwalania na współpracę różnych węzłów Watson.

Podobnie jak Deep Blue, Watson został zbudowany na platformie Power PC IBM. Watson był 90-rdzeniowym klastrem z 16 TB pamięci RAM. W przypadku gier Jeopardy wszystkie istotne dane zostały załadowane i zapisane w pamięci RAM.

Jakie istotne dane? Watson miał dostęp do pełnego tekstu Wikipedii. Miał szereg słowników, tezaurusów, encyklopedii i innych materiałów referencyjnych. Watson nie miał dostępu do Internetu podczas gry, ale wszystkie lokalne dane miały około 4 TB.

Niedawno Watson był używany do analizy i sugerowania opcji leczenia pacjentów z rakiem. Najnowsze przedsięwzięcie Watson pomaga tworzyć spersonalizowane aplikacje edukacyjne dla dzieci. Są nawet próby wytrenowania Watsona, jak gotować Watson IBM. Stworzył mój posiłek na Święto Dziękczynienia - oto, co się stało Watson IBM stworzył mój posiłek na Święto Dziękczynienia - oto, co się stało Sztuczna inteligencja IBM znana jako Watson potrafi robić wiele inteligentnych rzeczy, ale czy może stworzyć kompletne i wyjątkowy posiłek na Święto Dziękczynienia? Spróbuję. Zobacz co się dzieje! !

4. Deepmind, samouk

Deepmind Google może wreszcie dać nerdom coś do zmartwienia, ponieważ bije ludzi w klasycznych grach Atari. Internetowe Archiwum przynosi 900 klasycznych gier arkadowych do Twojej przeglądarki. Oto 7 najlepszych archiwów internetowych, które zawierają 900 klasycznych gier zręcznościowych w przeglądarce. Oto 7 z najlepszych Zręcznościowe w Twoim mieście mogły zostać zamknięte w połowie lat 90., ale to nie powinno Cię powstrzymać przed naprawą klasycznych gier. - cóż, przynajmniej niektóre gry. Ludzkość wciąż utrzymuje przewagę w grach takich jak Asteroid i Gravitar.

Deepmind to AI sieci neuronowej. Sieci neuronowe to sztuczna inteligencja stworzona w celu naśladowania sposobu, w jaki działa ludzki umysł, poprzez tworzenie wirtualnych “neurony” za pomocą pamięci komputera.

Deepmind był w stanie przeanalizować każdy piksel wyświetlacza, wybrać najlepszą akcję, biorąc pod uwagę warunki wygranej, a następnie odpowiedzieć za pomocą danych wejściowych kontrolera.

Sztuczna inteligencja nauczyła się gier za pomocą wariantu Q-Learning o nazwie Deep Learning. Jest to metoda uczenia się, w której AI zachowuje najlepszą decyzję podjętą w określonej sytuacji, a następnie powtarza ją, gdy napotyka tę samą sytuację.

Wariant Deepmind jest jednak wyjątkowy, ponieważ dodaje zewnętrzne źródła pamięci.

Ten system zachowanych informacji pozwolił Deepmindowi opanować wzorce niektórych gier Atari, a nawet sprawił, że sam znalazł optymalną strategię Breakout.

Dlaczego Deepmind radził sobie słabo w niektórych grach? Ze względu na sposób oceniania sytuacji. Okazuje się, że Deepmind był w stanie analizować tylko cztery klatki na raz, co ograniczało jego zdolność do poruszania się po labiryntach lub szybkiego reagowania.

Ponadto Deepmind musiał nauczyć się każdej gry od zera i nie mógł zastosować umiejętności z jednej gry do drugiej.

5. Alpha Go, Incredible

AlphaGo to kolejny projekt DeepMind, który jest niezwykły, ponieważ udało mu się pokonać dwóch profesjonalnych mistrzów Go Przełom AI w Google: Co to znaczy i jak na Ciebie wpływa Przełom AI w Google: Co to znaczy i jak na Ciebie wpływa - Fan Hui i Lee Sedol - wygrywając odpowiada odpowiednio 5-0 i 4-1.

Według graczy i komentatorów meczu wszyscy powiedzieli, że AI grało zachowawczo, co nie jest zaskakujące, ponieważ zaprogramowano ją tak, aby faworyzowała bezpieczne ruchy, które zapewniłyby zwycięstwo nad ryzykownymi ruchami, które zapewniłyby więcej punktów.

Go uważano kiedyś za nieosiągalny dla AI, ale Alpha Go jest teraz pierwszą AI, która uzyskała profesjonalną pozycję w grze.

Gra ma prostą konfigurację: dwóch graczy próbuje podbić planszę za pomocą białych i czarnych kamieni. Plansza to siatka 19 x 19 z 361 skrzyżowaniami, a ułożenie kamieni określa terytorium każdego gracza. Celem jest, aby skończyć z większym terytorium niż inne.

Co najmniej liczba potencjalnych ruchów i stanów gry jest ogromna. Tak, znacznie większe niż szachy, jeśli się zastanawiasz.

Alpha Go korzysta ze wspomnianego wcześniej systemu głębokiego uczenia AI, co oznacza, że ​​Alpha Go zachowuje pamięć gier, w które gra, i bada je jako doświadczenie. Następnie przeszukuje je, wybierając wybór, który ma największą liczbę pozytywnych potencjalnych wyników.

Alpha Go potrzebuje dużo mocy komputera, aby uruchomić algorytm wymagający dużej mocy obliczeniowej. Wersja, która rozegrała mecze, działała na rozproszonym zestawie serwerów z łącznie 1920 procesorami i 280 procesorami graficznymi - ogromna ilość mocy, która pozwoliła na 64 jednoczesnych wątków wyszukiwania podczas gry.

Podobnie jak Watson, DeepMind zmierza do szkoły medycznej. Deepmind ogłosił partnerstwo z brytyjską NHS w celu analizy dokumentacji medycznej. Projekt Streams pomoże zidentyfikować pacjentów zagrożonych uszkodzeniem nerek.

Sztuczna inteligencja staje się poważna

W tej chwili jest wiele badań nad AI.

Google ma nadzieję, że sztuczna inteligencja może pomóc w ich branży wyszukiwania. Projekt o nazwie Rankbrain chce wykorzystać sztuczną inteligencję do zwiększenia skuteczności Rank Page. Zarówno Microsoft, jak i Facebook wydały chatboty. Tesla jest liderem w tej dziedzinie dzięki automatycznemu trybowi jazdy, a Google wyprzedza swoje auta.

Może być trudno dostrzec związek między tymi projektami a szkoleniem sztucznej inteligencji do wygrywania gier, ale każda z tych sztuczek w jakiś sposób ukształtowała uczenie maszynowe.

W miarę ewolucji pola pozwoliło AI pracować z bardziej złożonymi zestawami danych. Ta prawie nieskończona liczba ruchów w Go może przełożyć się na prawie nieskończoną liczbę zmiennych na otwartej drodze. Tak naprawdę, te gry to dopiero początek - faza ćwiczeń, jeśli wolisz.

Naprawdę interesujące rzeczy są tuż za rogiem i jest bardzo możliwe, że będziemy mogli doświadczyć tego wszystkiego z pierwszej ręki.

Co cię podnieca w AI? Czy istnieje gra, w której uważasz, że AI nie może ostatecznie zwyciężyć? Daj nam znać w komentarzach.

Zdjęcie: David Pacey przez Flickr, Debbie Miesel przez IBM, CPRG przez University of Alberta, Graj wśród przyjaciół Paf przez Flickr, Mr Seb przez Flickr, Matt Brown przez Flickr, Jiuguang Wang przez Flickr