Пять уроков победы AlphaGo

Перевод статьи редактора журнала MIT Technology Review .

AlphaGo победила 18-кратного чемпиона мира Ли Седоля со счетом 4-1 и преподала нам несколько уроков о том, на каком этапе сейчас находятся исследования искусственного интеллекта и куда они движутся. Подробнее о матче между AlphaGo и  Ли Седолем…

Современные и старые подходы к AI

Первая примечательная вещь заключается в необычном дизайне AlphaGo. Программа сочетает глубокое обучение (deep learning) – самая современная техника искусственного интеллекта – с традиционным и менее популярным подходом. Глубокое обучение предполагает использование очень больших искусственных нейронных сетей и обычно оно избегает логических или символьных манипуляций в стиле Марвина Минского и Джона Маккарти (ввел термин “искусственный интеллект”). Но AlphaGo соединяет глубокое обучение с алгоритмом поиска по дереву, который был придуман одним из коллег Минского Клодом Шенноном. Возможно, в будущем мы все чаще будем видеть соединение символьного и сетевого искусственного интеллекта [в тексте обыгрывается заглавие работы Минского Symbolic vs Connectionist].

Парадокс Майкла Полани не проблема 

Игра Го, в которой каждый игрок стремится окружить и пленить камни противника на большой доске, является хорошим примером знаменитого парадокса Полани: «мы знаем больше, чем можем рассказать».

В отличие от шахмат, в Го нет простых руководящих принципов для ведения игры и оценки игрового прогресса, из-за чего компьютеры традиционно плохо играют в Го. Машинное обучение, когда компьютер не запрограммирован (в обычном смысле), а сам формирует алгоритм своего обучения по примерам, демонстрирует, как компьютеры могут справляться с парадоксом Полани. Множество вещей, которые мы делаем, например, вождение автомобиля или распознавание лиц, похожи. И как показывает статья в New York Times, некоторые даже видят в успехе AlphaGo доказательство того, что компьютеры возьмут на себя решение множества задач (и отнимут рабочие места), так как машинное обучение будет использоваться все шире.

AlphaGo еще не настоящий искусственный интеллект

Но не все так просто. Хоть AlphaGo и впечатляет, она еще далека от настоящей разумности. Как заметил эксперт по роботам и искусственному интеллекту Жан-Кристоф Бейли, настоящий разум требует не только более сложного обучения, но и таких вещей, как способность к воплощению и коммуникации. Разумеется, управление автомобилем на загруженной улице или взаимодействие с тем, кого вы знаете намного сложнее, чем мы можем себе представить. Так что хоть машинное обучение и позволит компьютерам выполнять больше задач, они еще долго не смогут заменить человека во всем.

AlphaGo неэффективна

В сравнении с человеком, AlphaGо учится намного быстрее, опираясь на базу сыгранных партий и тренируясь сама с собой с кремниевой скоростью. Но это обучение менее эффективно, чем обучение человека, так как оно требует значительно больше примеров позиций из Го, чтобы совершенствовать игровую технику. Это одна из ключевых проблем глубокого обучения, которую многие пытаются решить, ища пути обучать машину на новых типах данных или с помощью данных меньшего объема.

Коммерциализация пока под вопросом

Продемонстрированные AlphaGo навыки тонкого распознавания образов, планирования и принятия решений очевидно важны. Но менее очевидно, как они могут быть использованы в коммерческом продукте. Основатель DeepMind Демис Хассабис сказал, что методы, примененные для AlphaGo, могут быть использованы для создания личного ассистента, который будет эффективнее узнавать привычки и предпочтения своего хозяина. Но человеческий язык значительно сложнее, чем настольная игра и выучить его намного сложнее. Так что может оказаться не так просто применить навыки AlphaGo в жесткой реальности.

Метки: AI, AlphaGo, deep learning, MIT technology review, искусственный интеллект, Ли Седоль, нейросети

Comments are closed.