Aiene vinner 5 ganger når datamaskiner slår mennesker

Kunstig intelligens er grensen til datavitenskap. Vitenskapen har avansert nok at AI slår oss på vårt eget spill - eller skal vi si, spill. Noen mennesker kan frykte oppveksten av Skynet. Her er hvorfor forskere tror du burde være bekymret for kunstig intelligens. Her er hvorfor forskere tror du burde være bekymret for kunstig intelligens. Tror du at kunstig intelligens er farlig? Kan AI utgjøre en alvorlig risiko for menneskeheten. Dette er noen grunner til at du kanskje vil være bekymret. Les mer med hver AI-evolusjon, men vi er litt mer optimistiske.

AlphaGo er den siste AI som slår et menneske i et brettspill, men det kommer fra en lang stamtavle. Selv om disse fem maskinene startet som spesialbyggede programmer, har noen funnet andre liv som går utover de opprinnelige kallingene sine.

I denne artikkelen vil vi gå gjennom hver gang et strålende menneske tapt til en datamaskin og undersøke hva som ga hver av disse datamaskinene sin avgjørende kant.

1. Deep Blue, sjakkmesteren

IBMs Deep Blue og Garry Kasparov hadde en av de første høy profilkampene mellom mann og maskin. Kasparov mistet selvfølgelig, men de hadde litt av en komplisert historie.

Etter Kasparovs første slag, Deep Blues lillebror Deep Thought, i 1989, kom IBM tilbake med sin nye og forbedrede Deep Blue i 1996. Kasparov tapte et åpningsspill, bundet et sekund, men vant tre rette spill for å ta kampen.

Det var ikke før en ny rematch i 1997 at Deep Blue bestilte Kasparov, vinner en ses-kamp kamp med ett spill.

Kasparov sa at han så intelligens i Deep Blue's spill og anklaget IBM for å gripe inn. De “intelligens” var faktisk en feil som forårsaket Deep Blue å opptre av karakter. I utgangspunktet var AI ganske primitiv, brute tvinger sin vei gjennom mulige trekk og utfall ...

... og hvis det ikke kunne finne et optimalt valg, valgte den tilfeldig.

For hver av sine trekk modellerte Deep Blue ut alle mulige trekk og Kasparovs svar. Det var i stand til å modellere opptil tjue fremover, og evaluere millioner av mulige stillinger per sekund. Den modelleringen krevde maskinvare som var i stand til kraftig parallellbehandling.

Parallell prosessering bryter opp oppgaver i mindre databehandlingsoppgaver og fullfører oppgavene samtidig. De resulterende dataene blir deretter samlet sammen for resultatet.

Mellom de to kampene ble Deep Blue gitt en betydelig maskinvareoppgradering. Den vinnende maskinvaren var et 30-nodesystem som kjører på IBMs Power PC-plattform. Hver knutepunkt hadde sekundære prosessorer dedikert til Chess-instruksjoner. 10 Kreative måter å overbelaste sjakkopplæringen. 10 Kreative måter å overbelaste sjakkopplæringen. Å få bedre sjakk er vanligvis om bevisst praksis over mange nedslående spill, så la oss se på noen av måtene du kan ta med moro og kreativitet i sjakkopplæringen din. Les mer .

Alt sammen hadde Deep Blue 256 prosessorer som jobber parallelt.

Det er etterkommere av denne maskinvaren som jobber i datacentre, men Deep Blue sanne arv er Watson, Jeopardy-mesteren. Til slutt la IBM Deep Blue til å jobbe med økonomisk modellering, datautvinning og narkotikaforskning, alle områder som trenger omfattende simuleringer.

2. Polaris, Poker Champion

Universitetet i Alberta opprettet Polaris, den første AI for å slå pokerprofessorer i en turnering. Forskerne valgte en Texas Hold'em-variant for deres AI, da den stoler minst på hell.

Polaris møttes mot poker spillere to ganger. Den første var i 2007 mot to spillere. Håndene var forhåndsdefinert - Polaris hadde et sett med kort når de vendte seg mot en spiller, og den omvendte hånden når den andre spilleren spilles (for å kontrollere for flaks).

Polaris ble senere retooled for en 2008 turnering mot seks spillere. Dette var også et pre-delt sett med spill. Polaris trakk i det første spillet og mistet den andre, men til slutt vant turneringen, kom bakfra og vunnet to rette spill.

I motsetning til sjakk, kan poker ikke bli brutt tvunget gjennom modellering fordi AI har et begrenset bilde av spillet - det har ingen anelse om motstandernes hender.

Korttilbud er nesten uendelig unik, noe som gjør modellering enda mindre effektiv. De samme kortene kan være en god eller verdiløs hånd, bare avhengig av de andre kortene som deles ut. Bløffing gir et annet problem for AI, ettersom betting alene ikke er en god indikator for håndstyrken.

Polaris er en kombinasjon av flere programmer, som kalles agenter. Hvert av disse programmene hadde sin egen strategi, og det var en annen agent som ville velge hvilken av disse var best for en gitt hånd.

Strategiene som brukes til å bryte ned pokerspillet er varierte og krever spillteori. Den grunnleggende ideen er å finne ut hva hver spillers beste strategi ville være basert på alle tilgjengelige data, og Polaris oppnådde dette via en teknikk som heter bucke.

Bucketing brukes til å klassifisere korthender basert på styrke. Det tillot for Polaris å redusere antall datapunkter som trengs for å holde styr på spillet. Deretter brukte det sannsynligheten for at alle andre mulige bøtter var tilgjengelige, noe som danner disse fra de synlige kortene.

Polaris hadde en unik maskinvareoppsett: en klynge på 8 datamaskiner med hver med 4 CPUer og 8 GB RAM. Disse maskinene kjørte simuleringene som trengs for å skape bøtter og strategier for hver enkelt agent.

Siden da har Polaris utviklet seg til et annet program kalt Cepheus, blitt så avansert at forskere nå har erklært at Texas Hold 'Em skal være “svakt løst”.

Spillene er “løst” når algoritmer kan bestemme utfallet av et spill fra en hvilken som helst posisjon. Et spill er “svakt løst” når algoritmen ikke kan tegne for ufullkommen spill. Du kan prøve lykken mot Cepheus her.

3. Watson, Jeopardy Genius

AI-seier til dette punktet i historien har vært nøkkelferdige spill, og derfor er Watsons seier en milepæl for vanlige folk: Watson tok kampen om AI rett inn i Amerikas stuer.

Jeopardy er et kjærlighetsspill som er kjent for sin utfordrende trivia, og det har en unik utfordring: sporene er svarene og deltakerne må komme opp med spørsmålene. En sann test for Watson, som tok på kjente Jeopardy-mestere Brad Rutter og Ken Jennings.

Rutter var all-time-pengemesteren og Ken Jennings hadde den lengste vinnende strekningen. En tredjepart valgte et tilfeldig utvalg av spørsmål fra eldre episoder for å sikre at spørsmål ikke ble skrevet for å hjelpe eller utnytte Watson.

Watson vant tre rette spill - en øvelse og to fjernsyn - men det var noen merkelige kjennskaper til noen av Watsons svar. For eksempel, rett etter at Jennings svarte et spørsmål feil, reagerte Watson med samme feil svar.

Men det som gjorde Watson unikt var dets evne til å bruke naturlig språk. IBM kalte dette Deep QA, som sto for “Spørsmål svarer”. Hovedoppnåelsen var at Watson kunne søke svar med kontekst, ikke bare søkeordets relevans.

Programvaren er en kombinasjon av distribuerte systemer. Hadoop og Apache UIMA jobber sammen for å indeksere dataene og tillate at Watsons ulike noder kan fungere sammen.

Som Deep Blue ble Watson bygget på IBMs Power PC-plattform. Watson var en 90-kjerne klynge med 16 TB RAM. For Jeopardy-spillene ble alle relevante data lastet og lagret i RAM.

Hvilke relevante data? Vel, Watson hadde tilgang til hele teksten til Wikipedia. Den hadde en rekke ordbøker, tesauruser, encyklopedi og andre referansematerialer. Watson hadde ikke tilgang til Internett under spillet, men alle de lokale dataene var om lag 4 TB.

Mer nylig har Watson blitt brukt til å analysere og foreslå behandlingsmuligheter for kreftpatienter. Watsons nyeste venture bidrar til å skape personlige læringsprogrammer for barn. Det er til og med forsøk på å trene Watson hvordan å lage mat til IBMs Watson Created My Thanksgiving Meal - Her er hva som skjedde IBMs Watson Created My Thanksgiving Meal - Her er hva som skjedde IBMs kunstige intelligens kjent som Watson kan gjøre mange smarte ting, men kan det skape en komplett og unikt Thanksgiving måltid? Jeg gir det en prøve. Se hva som skjer! Les mer !

4. Deepmind, den selvlærte

Googles Deepmind kan til slutt gi nerdene noe å bekymre seg for fordi det slår mennesker på klassiske Atari-spill. Internet Archive Bringer 900 Classic Arcade Games To Your Browser. Her er 7 av de beste Internett-arkivet Bringer 900 Classic Arcade Games til din nettleser. Her er 7 av de beste Byens arkade kan ha stengt ned i midten av 90-tallet, men det bør ikke stoppe deg fra å få dine klassiske spillrettinger. Les mer - vel, enkelte spill i det minste. Mennesket holder seg fortsatt kanten i spill som Asteroid og Gravitar.

Deepmind er et neuralt nettverk AI. Nevrale nettverk er AI som er opprettet for å etterligne måten menneskets sinn fungerer, som det gjør ved å skape virtuelle “nevroner” bruker dataminne.

Deepmind var i stand til å analysere hver piksel på skjermen, bestemme den beste tiltak for å ta gitt vinnevilkårene, deretter svare med kontrollerinngang.

AI lærte spill ved hjelp av en variant av Q-Learning kalt Deep Learning. Dette er en læringsmetode der AI beholder den beste avgjørelsen i visse situasjoner, og gjentar det når den møter samme situasjon.

Deepminds variant er imidlertid unikt, fordi det legger til eksterne minnekilder.

Dette systemet med beholdt informasjon tillot Deepmind å mestre mønstrene til noen Atari-spill, og til og med kjørte den for å finne den optimale strategien til Breakout alle på egenhånd.

Hvorfor gjorde Deepmind dårlig i visse spill? På grunn av måten den dømte situasjoner på. Det viser seg at Deepmind bare kunne analysere fire bilder om gangen, noe som begrenset sin evne til å navigere i labyrinter eller reagere raskt.

Også, Deepmind måtte lære hvert spill fra bunnen av og kunne ikke bruke ferdigheter fra ett spill til et annet.

5. Alpha Go, The Incredible

AlphaGo er et annet DeepMind-prosjekt, og det er bemerkelsesverdig fordi det klarte å slå to profesjonelle Go-mestere Googles AI-gjennombrudd: Hva det betyr og hvordan det påvirker Googles gjennombrudd: Hva det betyr og hvordan det påvirker deg Les mer - Fan Hui og Lee Sedol - ved å vinne sine kamper 5-0 og 4-1.

Ifølge spillerne og kampkommentatorene sa de alle at AI spilte konservativt, noe som er overraskende fordi det var programmert for å favorisere sikre trekk som ville sikre seier over risikable trekk som ville sikre flere poeng.

Go var en gang tenkt å være ute for AI, men Alpha Go er nå den første AI som blir rangert profesjonelt i spillet.

Spillet har en enkel oppsett: to spillere prøver å erobre brettet ved hjelp av hvite og svarte steiner. Styret er et 19 x 19 grid med 361 kryss, og plasseringen av steiner bestemmer hver spillers territorium. Målet er å ende med mer territorium enn det andre.

Antall potensielle trekk og spilltilstander er massiv, minst sagt. Ja, langt større enn sjakk, hvis du lurte på.

Alpha Go bruker det tidligere nevnte Deep Learning AI-systemet, noe som betyr at Alpha Go holder minne om spillene det spilles og studerer dem som erfaring. Det søker deretter gjennom dem, og velger det valget som har størst antall positive potensielle utfall.

Alpha Go trenger mye datakraft til å kjøre sin beregnings-heavy algoritme. Versjonen som spilte kampene, kjørte på et distribuert sett med servere med totalt 1.920 CPUer og 280 GPUer - en enorm mengde strøm som tillot 64 samtidige søke tråder under spillet.

Som Watson er DeepMind på vei til medisinsk skole. Deepmind annonserte et partnerskap med Storbritannias NHS for å analysere helseposter. Prosjektet Streams vil bidra til å identifisere pasienter med risiko for nyreskade.

Kunstig intelligens blir alvorlig

Det er mye forskning som går inn i AI akkurat nå.

Google håper at AI kan hjelpe sin søkemessige virksomhet. Et prosjekt som heter Rankbrain, ønsker å bruke AI for å forbedre effektiviteten av Page Rank. Microsoft og Facebook begge utgitt chatbots. Tesla fører blødende kanten med sin automatiske kjøremodus, og Google er rett bak med sine selvkjørende biler.

Det kan være vanskelig å se sammenhengen mellom disse prosjektene og trening av en AI for å vinne spill, men hver av disse AIene har formet maskinlæring på en eller annen måte.

Etter hvert som feltet har utviklet seg, har det gjort det mulig for AI å jobbe med mer komplekse datasett. Disse nesten uendelige antall trekk i Go kan oversette til nesten uendelige antall variabler på den åpne veien. Så virkelig, disse spillene er bare begynnelsen - en øvelsesfase, hvis du vil.

De virkelig interessante tingene er rett rundt hjørnet, og det er veldig mulig at vi vil kunne oppleve det aller første.

Hva spenner deg om AI? Er det et spill du tror at AI ikke kan til slutt overvinne? Gi oss beskjed i kommentarene.

Image Credit: David Pacey via Flickr, Debbie Miesel via IBM, CPRG via University of Alberta, Spill blant venner Paf via Flickr, Seb via Flickr, Matt Brown via Flickr, Jiuguang Wang via Flickr

Utforsk mer om: Kunstig intelligens.