AI vyhrávají 5krát, když počítače porazili lidi

Umělá inteligence je hranicí počítačové vědy. Věda dostatečně pokročila, že nás AI bije při naší vlastní hře - nebo bychom měli říci, hry. Někteří lidé se mohou obávat vzestupu Skynetu Zde je důvod, proč si vědci myslí, že byste se měli obávat umělé inteligence Zde je důvod, proč si vědci myslí, že byste se měli obávat umělé inteligence Myslíte si, že umělá inteligence je nebezpečná? Může AI představovat vážné riziko pro lidskou rasu. To jsou některé důvody, proč byste měli mít obavy. s každým vývojem AI, ale jsme trochu optimističtější.

AlphaGo je nejnovější umělá inteligence, která porazila člověka ve stolní hře, ale vychází z dlouhého rodokmenu. Ačkoli těchto pět strojů začalo jako účelové programy, někteří našli druhé životy, které jdou nad rámec jejich původního povolání.

V tomto článku projdeme pokaždé, když geniální člověk prohraje s počítačem, a prozkoumáme, co každému z těchto počítačů poskytlo rozhodující výhodu.

1. Deep Blue, šachový mistr

IBM Deep Blue a Garry Kasparov měli jednu z prvních vysoce profilovaných bitev mezi člověkem a strojem. Kasparov samozřejmě prohrál, ale měli trochu komplikovanou historii.

Poté, co Kasparov v roce 1989 poprvé porazil malého bratra Deep Blue, Deep Thought, se IBM vrátila se svým novým a vylepšeným Deep Blue v roce 1996. Kasparov prohrál úvodní hru, svázal sekundu, ale poté vyhrál tři přímé hry, aby se mohl utkat..

Deep Blue získala Kasparov až v druhém zápase v roce 1997, když vyhrála zápas o šest her jednou hrou.

Kasparov řekl, že ve hře Deep Blue viděl inteligenci a obvinil IBM ze zásahu. “inteligence” byla ve skutečnosti chyba, která způsobila, že se Deep Blue chovala mimo charakter. V zásadě byla AI spíše primitivní, hrubou silou prosazovala možné pohyby a výsledky…

… A pokud nemohla najít optimální volbu, vybrala náhodně.

Pro každý ze svých tahů Deep Blue vymodeloval všechny možné pohyby a reakce Kasparova. Byla schopna modelovat až dvacet tahů dopředu a vyhodnotit miliony možných pozic za sekundu. Toto modelování vyžadovalo hardware schopný výkonného paralelního zpracování.

Paralelní zpracování rozděluje úkoly na menší výpočetní úlohy a tyto úkoly zároveň plní. Výsledná data se pak zkompilují zpět do výsledku.

Mezi těmito dvěma zápasy získala Deep Blue významnou hardwarovou aktualizaci. Vítězným hardwarem byl systém s 30 uzly běžící na platformě IBM Power PC. Každý uzel měl sekundární procesory věnované instrukcím pro šachy. 10 kreativních způsobů, jak doplnit váš šachový trénink 10 kreativních způsobů, jak doplnit váš šachový trénink Lepší šachy jsou obvykle o úmyslném tréninku nad mnoha skličujícími hrami, takže se podívejme na několik způsobů, jak můžete zábavu a kreativitu do vašeho šachového tréninku. .

Celkově měl Deep Blue 256 paralelních procesorů.

V datových centrech pracují potomci tohoto hardwaru, ale skutečným odkazem Deep Blue je Watson, šampion Jeopardy. Nakonec IBM postavila Deep Blue do práce na finančním modelování, těžbě dat a objevování drog, ve všech oblastech, které vyžadují rozsáhlé simulace.

2. Polaris, pokerový šampion

University of Alberta vytvořila Polaris, první AI, který porazil pokerové profesionály v turnaji. Vědci si pro svou AI vybrali variantu Texas Hold 'Em, protože se spoléhá na štěstí.

Polaris čelila dvakrát proti pokerovým hráčům. První byl v roce 2007 proti dvěma hráčům. Ruce byly předem rozdány - Polaris měl jednu sadu karet, když čelil proti jednomu hráči, a zadní ruku, když hráli druhého hráče (pro kontrolu štěstí).

Polaris byl později přestavěn na turnaj 2008 proti šesti hráčům. Byla to také předdefinovaná sada her. Polaris získal remízu v první hře a prohrál druhou, ale nakonec vyhrál turnaj, přišel zezadu a vyhrál dvě rovné hry.

Na rozdíl od šachů nelze poker brutálně přinutit pomocí modelování, protože AI má omezený obrázek o hře - nemá ponětí o rukou soupeřů.

Kartové obchody jsou téměř nekonečně jedinečné, díky čemuž je modelování ještě méně efektivní. Stejné karty mohou být dobrou nebo bezcenné handy, jen v závislosti na rozdaných ostatních kartách. Bluffing představuje další problém pro AI, protože samotné sázení není dobrým ukazatelem síly ruky.

Polaris je kombinací několika programů, které se nazývají agenti. Každý z těchto programů měl svou vlastní strategii a byl tu další agent, který by vybral, který z nich byl pro každou danou ruku nejlepší.

Strategie používané k rozpadu pokeru jsou různé a vyžadují herní teorii. Základní myšlenkou je zjistit, jaká by nejlepší strategie každého hráče byla na základě všech dostupných dat, a Polaris to provedla technikou zvanou bucketing.

Bucketing se používá ke klasifikaci karet podle síly. To umožnilo Polaris snížit počet datových bodů potřebných pro sledování hry. Poté využila pravděpodobnost všech dalších dostupných kbelíků, které odvodila z viditelných karet.

Polaris měl nastaven jedinečný hardware: cluster 8 počítačů, z nichž každý měl 4 CPU a 8 GB RAM. Tyto stroje provedly simulace potřebné k vytvoření vědra a strategií pro každého agenta.

Od té doby se Polaris vyvinul v další program s názvem Cepheus, stal se tak pokročilým, že vědci nyní prohlásili Texas Hold 'Em za “slabě vyřešeno”.

Hry jsou “vyřešeno” kdy algoritmy mohou určit výsledek hry z jakékoli pozice. Hra je “slabě vyřešeno” když algoritmus nemůže odpovídat za nedokonalé přehrávání. S Cepheusem můžete vyzkoušet své štěstí zde.

3. Watson, Jeopardy Genius

Vítězství AI až do tohoto bodu v historii byly hry s nízkým klíčem, a proto je Watsonovo vítězství takovým milníkem pro běžné lidi: Watson přinesl bitvu AI přímo do amerických obývacích pokojů.

Jeopardy je milovaná herní show známá svou náročnou maličkostí a má jedinečný vtip: vodítka jsou odpovědi a soutěžící musí přijít s otázkami. Skutečný test pro Watsona, který převzal známé Jeopardy šampióny Brad Rutter a Ken Jennings.

Rutter byl vítězem všech dob a Ken Jennings měl nejdelší výherní pruh. Třetí strana si vybrala náhodný sortiment otázek ze starších epizod, aby zajistila, že otázky nebyly napsány, aby pomohly nebo nevyužily Watson.

Watson vyhrál tři rovné hry - jeden trénink a dva televizně - ale k některým Watsonovým odpovědím byly nějaké zvláštní vtípky. Například hned poté, co Jennings odpověděl na špatnou otázku, odpověděl Watson stejnou chybnou odpovědí.

Avšak díky čemuž byl Watson jedinečný, byla jeho schopnost používat přirozený jazyk. IBM to nazývala Deep QA, což bylo zkratkou “odpověď na otázku”. Klíčovým úspěchem bylo, že Watson mohl hledat odpovědi s kontextem, nejen s ohledem na klíčová slova.

Software je kombinací distribuovaných systémů. Hadoop a Apache UIMA spolupracují na indexování dat a umožňují spolupráci různých uzlů Watsonu.

Stejně jako Deep Blue byl Watson postaven na platformě IBM Power PC. Watson byl klastr s 90 jádry a 16 TB RAM. U her Jeopardy byla všechna příslušná data načtena a uložena do paměti RAM.

Jaké relevantní údaje? Watson měl přístup k plnému textu Wikipedie. Měl řadu slovníků, tezaurusů, encyklopedií a dalších referenčních materiálů. Watson neměl během hry přístup na internet, ale všechna místní data byla asi 4 TB.

Nedávno byl Watson použit k analýze a navrhování možností léčby pacientů s rakovinou. Nejnovější podnik společnosti Watson pomáhá vytvářet personalizované vzdělávací aplikace pro děti. Existují dokonce pokusy vyškolit Watsona, jak vařit IBM Watson vytvořil mou díkůvzdání - tady je to, co se stalo IBM Watson vytvořil mou díkůvzdání jídlo - zde je to, co se stalo Umělá inteligence společnosti IBM známá jako Watson může dělat spoustu chytrých věcí, ale může vytvořit kompletní a jedinečné jídlo díkůvzdání? Zkusím to. Podívejte se, co se stane! !

4. Deepmind, Self-Teached

Google Deepmind může konečně dát pitomcům něco k obavám, protože to bije lidi v klasických Atari hrách Internet Archive přináší do vašeho prohlížeče 900 klasických arkádových her. Zde je 7 z nejlepších internetových archivů přináší do vašeho prohlížeče 900 klasických arkádových her. Zde je 7 z nejlepších Vaše městská pasáž se pravděpodobně v polovině 90. let zastavila, ale to by vám nemělo bránit v opravě vašich klasických her. - alespoň některé hry. Lidstvo si ve hrách jako Asteroid a Gravitar stále udržuje svůj náskok.

Deepmind je neuronová síťová umělá inteligence. Neuronové sítě jsou umělé inteligence, které jsou vytvořeny tak, aby napodobovaly způsob fungování lidské mysli, což vytváří virtuální “neurony” pomocí počítačové paměti.

Deepmind dokázal analyzovat každý pixel na displeji, rozhodnout o nejlepší akci, která má být provedena, vzhledem k podmínkám výhry, a poté reagovat vstupem ovladače.

AI se naučil hry pomocí varianty Q-Learning zvané Deep Learning. Jedná se o metodu učení, kde si umělá inteligence uchová nejlepší rozhodnutí učiněné v určité situaci a poté ji opakuje, když narazí na stejnou situaci..

Deepmindova varianta je však unikátní, protože protože přidává externí paměťové zdroje.

Tento systém uchovávaných informací umožnil Deepmindu zvládnout vzorce některých her Atari, a dokonce ji dovedl k nalezení optimální strategie Breakoutu samostatně..

Proč se Deepmind v určitých hrách chovala špatně? Kvůli způsobu, jakým posuzoval situace. Ukazuje se, že Deepmind dokázal analyzovat pouze čtyři snímky najednou, což omezilo jeho schopnost navigovat bludiště nebo rychle reagovat.

Deepmind se také musela učit každou hru od nuly a nemohla aplikovat dovednosti z jedné hry do druhé.

5. Alpha Go, neuvěřitelný

AlphaGo je další projekt DeepMind a je pozoruhodný, protože se mu podařilo porazit dva profesionální Go šampiony Go AI Breakthrough: Co to znamená a jak to ovlivní Google Google AI Breakthrough: Co to znamená a jak to ovlivní vás - Fan Hui a Lee Sedol - vítězstvím jeho zápasy 5-0, respektive 4-1.

Podle hráčů a komentátorů zápasu všichni říkali, že AI hrálo konzervativně, což není překvapivé, protože bylo naprogramováno tak, aby upřednostňovalo bezpečné tahy, které by zajistily vítězství nad riskantními tahy, které by zajistily více bodů.

Go byl jednou myšlenkou být mimo dosah pro AI, ale Alpha Go je nyní první AI být profesionálně zařazen ve hře.

Hra má jednoduché nastavení: dva hráči se snaží dobýt desku pomocí bílých a černých kamenů. Deska je mřížka 19 x 19 s 361 průsečíky a umístění kamenů určuje území každého hráče. Cílem je skončit s více územím než s druhým.

Počet potenciálních tahů a herních stavů je přinejmenším obrovský. Ano, mnohem větší než šachy, pokud vás to zajímá.

Alpha Go používá dříve zmíněný systém Deep Learning AI, což znamená, že Alpha Go uchovává paměť o hrách, které hraje, a studuje je jako zážitek. Poté je prohledává a vybere volbu, která má největší počet pozitivních potenciálních výsledků.

Alpha Go potřebuje hodně počítačového výkonu, aby spustil svůj výpočetní algoritmus. Verze, která odehrála zápasy, běžela na distribuované sadě serverů s celkem 1 920 CPU a 280 GPU - obrovské množství energie, které během hry umožnilo 64 vláken simultánního vyhledávání během hry..

Stejně jako Watson i DeepMind míří do lékařské fakulty. Deepmind oznámila partnerství s britskou NHS za účelem analýzy zdravotních záznamů. Projekt Streams pomůže identifikovat pacienty ohrožené poškozením ledvin.

Umělá inteligence začíná být vážná

V současné době existuje hodně výzkumu AI.

Google doufá, že AI může pomoci jejich podnikání v oblasti vyhledávání. Projekt s názvem Rankbrain se snaží využít AI ke zvýšení účinnosti Page Rank. Microsoft i Facebook vydali chatboty. Společnost Tesla je s automatickým jízdním režimem špičkou v oblasti krvácení a společnost Google je hned s autem s vlastním pohonem.

Může být obtížné vidět souvislost mezi těmito projekty a výcvikem umělé inteligence pro vyhrávání her, ale každá z těchto umělých inteligence nějakým způsobem ovlivnila strojové učení..

Jak se pole vyvíjelo, umožnilo AI pracovat s komplexnějšími datovými soubory. Tyto téměř nekonečné počty pohybů v Go se mohou promítnout do téměř nekonečného počtu proměnných na otevřené silnici. Takže, tyto hry jsou teprve začátkem - pokud budete chtít, pak je to tréninková fáze.

Opravdu zajímavé věci jsou hned za rohem a je velmi možné, že to dokážeme zažít z první ruky.

Co vás nadchne na AI? Existuje hra, o které si myslíte, že AI nakonec nedokáže dobýt? Dejte nám vědět v komentářích.

Image Credit: David Pacey přes Flickr, Debbie Miesel přes IBM, CPRG přes University of Alberta, Hrajte mezi přáteli Paf přes Flickr, pan Seb přes Flickr, Matt Brown přes Flickr, Jiuguang Wang přes Flickr