211service.com
Googles AI bemästrar Game of Go ett decennium tidigare än väntat
Google har tagit ett briljant och oväntat steg mot att bygga en AI med mer mänsklig intuition, och utvecklat en dator som kan slå även experter på mänskliga spelare i det djävulskt komplicerade brädspelet Go.
Målet med Go, ett spel som uppfanns i Kina för mer än 2 500 år sedan, är ganska enkelt: spelare måste växelvis placera svarta och vita stenar på ett rutnät med 19 horisontella och 19 vertikala linjer i syfte att omge motståndarens pjäser och undvika att ha ens egna bitar omgivna. Att bemästra Go kräver dock oändlig träning, såväl som en finstämd förmåga att känna igen subtila mönster i arrangemanget av bitarna spridda över hela linjen.
Googles team har visat att de färdigheter som behövs för att bemästra Go trots allt inte är så unika mänskliga. Deras datorprogram, kallat AlphaGo, slog den europeiska Go-mästaren Fan Hui, fem matcher mot noll. Och i mars kommer det att ta sig an en av världens bästa spelare, Lee Sedol, i en turnering som hålls i Seoul, Sydkorea.
Go är det mest komplexa och vackraste spelet som någonsin skapats av människor, sa Demis Hassabis, chef för Google-teamet och själv en ivrig Go-spelare, vid en pressträff. Genom att slå Fan Hui, tillade han, uppnådde vårt program en av AIs långvariga stora utmaningar.
Hassabis sa också att teknikerna som användes för att skapa AlphaGo skulle lämpa sig för hans teams ansträngningar att utveckla en allmän AI. I slutändan vill vi tillämpa dessa tekniker på viktiga verkliga problem, sa han. Eftersom metoderna vi använde var generella, är vår förhoppning att de en dag skulle kunna utökas för att hjälpa till att lösa några av samhällets mest akuta problem, från medicinsk diagnostik till klimatmodellering (se Kan AI lösa världens största problem?).
Hassabis sa att det första sättet som tekniken kan tillämpas på Google skulle innebära utveckling av bättre personliga mjukvaruassistenter. En sådan assistent kan lära sig en användares preferenser från hans onlinebeteende och ge mer intuitiva rekommendationer om produkter eller evenemang, föreslog han.
Go är mycket mer utmanande för datorer än, säg, schack av två anledningar: antalet potentiella drag varje tur är mycket högre, och det finns inget enkelt sätt att mäta materiella fördelar. En spelare måste därför lära sig att känna igen abstrakta mönster i hundratals pjäser placerade över hela spelplanen. Och även experter kämpar ofta med att förklara varför en viss position verkar fördelaktig eller problematisk.
För bara ett par år sedan trodde faktiskt de flesta Go-spelare och spelprogrammerare att spelet var så komplext att det skulle ta flera decennier innan datorer kunde nå standarden för en mänsklig expertspelare.
AlphaGo utvecklades av ett team känt som Google DeepMind, en grupp som skapades efter att Google förvärvade en liten AI UK-startup som heter DeepMind 2014. Forskarna byggde AlphaGo med hjälp av en extremt populär och framgångsrik maskininlärningsmetod känd som djupinlärning kombinerat med en annan simuleringsteknik för att modellera potentiella rörelser. Deep learning innebär att man tränar ett stort simulerat neuralt nätverk för att svara på mönster i data. Det har visat sig vara mycket användbart för bild- och ljudbehandling, och många stora teknikföretag undersöker nya sätt att tillämpa tekniken.
Två nätverk för djupinlärning användes i AlphaGo: ett nätverk lärde sig att förutsäga nästa drag, och det andra lärde sig att förutsäga resultatet från olika arrangemang på tavlan. De två nätverken kombinerades med en mer konventionell AI-algoritm för att se framåt i spelet för möjliga rörelser. En vetenskaplig artikel skriven av forskare från Google som beskriver arbetet dyker upp i journalen Natur i dag .
Spelet Go har ett enormt sökutrymme, som är svåröverskådligt för brute-force-sökning, säger David Silver, en annan Google-forskare som ledde arbetet. Nyckeln till AlphaGo är att minska det sökutrymmet till något mer hanterbart. Detta tillvägagångssätt gör AlphaGo mycket mer mänskligt än tidigare tillvägagångssätt.
När IBMs Deep Blue-dator bemästrade schack 1997 använde den handkodade regler och sökte uttömmande igenom potentiella schackdrag. AlphaGo lärde sig med tiden att känna igen potentiellt fördelaktiga mönster och simulerade sedan ett begränsat antal potentiella resultat.
Googles prestation har mötts med lyckönskningar och viss förvåning av andra forskare på området.
På den tekniska sidan är detta arbete ett monumentalt bidrag till AI, säger Ilya Sutskever, en ledande AI-forskare och chef för en ny ideell organisation som heter OpenAI (se Innovators Under 35: Ilya Sutskever ). Sutskever säger att arbetet var särskilt viktigt eftersom AlphaGo i huvudsak lärde sig själv hur man vinner. Samma teknik kan användas för att uppnå extremt hög prestanda även på många andra spel, säger han.
Michael Bowling , professor i datavetenskap vid University of Alberta i Kanada som nyligen utvecklat ett program kapabel att slå vem som helst vid heads-up limit poker, var också upphetsad över prestationen. Han menar att tillvägagångssättet verkligen borde visa sig användbart inom många områden där maskininlärning tillämpas. Mycket av det vi traditionellt skulle tänka på som mänsklig intelligens är uppbyggt kring mönstermatchning, säger han. Och mycket av det vi skulle tänka på som lärande är att ha sett dessa mönster i det förflutna och att kunna inse hur de ansluter till en aktuell situation.
En aspekt av resultatet värt att notera är att det kombinerar djupinlärning med andra tekniker, säger Gary Marcus, professor i psykologi vid New York University och medgrundare och VD för Geometrisk intelligens , en AI-startup som också kombinerar djupinlärning med andra metoder (se Kan denna man göra AI mer mänsklig? ).
Det här är inget så kallat end-to-end djupinlärningssystem, säger Marcus. Det är ett noggrant strukturerat, modulärt system med lite genomtänkt handkonstruktion på framsidan. Vilket är, när du tänker efter, ganska parallellt med det mänskliga sinnet: rikt, modulärt, med lite justeringar av evolution, snarare än bara ett gäng neuroner slumpmässigt sammankopplade och avstämda helt av erfarenhet.
Google är inte det enda företaget som använder djupinlärning för att utveckla en Go-playing AI heller. Facebook har tidigare sagt att man har en forskare som arbetar på ett sådant system, och i går kväll båda Yann LeCun , chef för AI-forskning på Facebook och VD Mark Zuckerberg publicerade uppdateringar om insatsen. Facebooks insats är i ett tidigare skede, men det kombinerar också djupinlärning med en annan teknik.
Att se AI-mästaren Go kan också leda till viss existentiell ångest. Under pressbriefingen som tillkännagav nyheten ställdes Hassabis inför frågor om de långsiktiga riskerna med de AI-system som Google utvecklar. Han sa att företaget vidtog åtgärder för att minska dessa risker genom att samarbeta med akademiker, genom att organisera konferenser och genom att arbeta med en intern etikstyrelse.