211service.com
Fem lektioner från AlphaGos historiska seger
AlphaGo slog den 18-faldiga Go-världsmästaren Lee Sedol med 4-1 och lärde oss därigenom flera intressanta lektioner om var AI-forskningen är idag och vart den är på väg.
Det finns liv i gamla AI-metoder
En fascinerande sak med AlphaGo är det ovanliga sättet det designades på. Programvaran kombinerade djupinlärning – den hetaste AI-tekniken som finns idag – med ett mycket äldre och mycket mindre fashionabelt tillvägagångssätt. Djup inlärning involverar användning av mycket stora simulerade neurala nätverk, och vanligtvis undviker det logik eller symbolmanipulation av det slag som pionjärer av sådana som Marvin Minksy och John McCarthy. Men AlphaGo kombinerar djup inlärning med något som heter träd-sökning , en teknik som uppfanns av en av Minksys samtida och kollegor, Claude Shannon. Kanske kommer vi då i allt högre grad att se den konnektionistiska och symboliska AI mötas i framtiden.
Polanyis paradox är inget problem
Spelet Go, där spelare försöker omringa och fånga varandras pjäser över en stor bräda, är ett snyggt exempel på Polanyis berömda paradox: Vi vet mer än vi kan säga.
Till skillnad från schack finns det inga enkla riktlinjer för att spela spelet eller mäta framsteg, vilket är en anledning till att Go historiskt sett har varit så svårt för datorer att spela. Maskininlärning, där en dator inte är programmerad (i konventionell mening) utan snarare genererar sin egen algoritm för att lära sig från exempel, erbjuder ett sätt för datorer att navigera i Polanyis paradox. Många saker vi gör, som att köra bil eller känna igen ett ansikte, liknar varandra. Några ekonomer har lyft fram detta som en viktig punkt. Och som en artikel i New York Times visar , vissa ser till och med AlphaGos triumf som övertygande bevis på att datorer kommer att ta över fler uppgifter (och jobb) eftersom maskininlärning används i allt större utsträckning.
AlphaGo är egentligen inte AI
Inte så snabbt dock. Hur fantastiskt AlphaGo än är, det är fortfarande långt ifrån riktigt intelligent. Som AI-expert och robotikentreprenör Jean-Christophe Baillie pekar ut , verklig intelligens kräver inte bara mer sofistikerad inlärning utan saker som förkroppsligande och förmågan att kommunicera. Att köra bil på en livlig gata i staden eller interagera med någon du känner igen är mycket mer komplicerat än vi kanske inser. Så även om maskininlärning kan låta datorer ta på sig fler uppgifter, kommer det att ta lång tid innan de kan ersätta allt människor gör.
AlphaGo är ganska ineffektivt
Jämfört med en människa lär sig AlphaGo snabbt, konsumerar data om tidigare spel och spelar mot sig själv i silikonhastighet. Men det är mycket mindre effektivt än en person på att lära sig, eftersom det kräver mycket fler exempel på Go-spel för att kunna plocka upp effektiva tekniker. Detta är ett av huvudproblemen med djupinlärning, som många människor försöker lösa, genom att hitta sätt att lära av antingen från nya typer av data eller från mindre data helt och hållet.
Kommersialisering är inte självklart
De färdigheter som AlphaGo visar – subtil mönsterigenkänning, planering och beslutsfattande – är uppenbarligen viktiga. Men det är mindre uppenbart hur de kan förvandlas till en kommersiellt gångbar produkt. Demis Hassabis, grundaren av Google DeepMind, har sagt att de tekniker som utvecklats för AlphaGo skulle kunna användas för att bygga en personlig assistent som lär sig sin mästares preferenser och vanor mer effektivt. Men mänskligt språk är mycket mer komplext än ett brädspel , och mycket svårare att lära sig av. Med andra ord kan det vara knepigt att tillämpa AlphaGos specifika färdigheter i den röriga verkliga världen.
(Läs mer: New York Times , IEEE spektrum , Natur , The Missing Link of Artificiell Intelligens , Kan den här mannen göra AI mer mänsklig? )