De AI van Google beheerst de Game of Go een decennium eerder dan verwacht

Google heeft een briljante en onverwachte stap gezet in de richting van het bouwen van een AI met meer menselijke intuïtie, door een computer te ontwikkelen die zelfs deskundige menselijke spelers kan verslaan bij het duivels gecompliceerde bordspel Go.

Het doel van Go, een spel dat meer dan 2500 jaar geleden in China is uitgevonden, is vrij eenvoudig: spelers moeten afwisselend zwarte en witte stenen op een raster van 19 horizontale en 19 verticale lijnen plaatsen met als doel de stukken van de tegenstander te omringen en te voorkomen dat ze eigen stukken omringd. Het beheersen van Go vereist echter eindeloze oefening, evenals een fijn afgestemde vaardigheid om subtiele patronen te herkennen in de opstelling van de stukken verspreid over het bord.

Het team van Google heeft aangetoond dat de vaardigheden die nodig zijn om Go onder de knie te krijgen, toch niet zo uniek menselijk zijn. Hun computerprogramma, AlphaGo genaamd, versloeg de Europese Go-kampioen, Fan Hui, vijf games tegen nul. En in maart neemt het het op tegen een van 's werelds beste spelers, Lee Sedol, in een toernooi dat wordt gehouden in Seoul, Zuid-Korea.

Go is de meest complexe en mooiste game die ooit door mensen is bedacht, zei Demis Hassabis, hoofd van het Google-team en zelf een fervent Go-speler, tijdens een persconferentie. Door Fan Hui te verslaan, voegde hij eraan toe, heeft ons programma een van de al lang bestaande grote uitdagingen van AI bereikt.

Hassabis zei ook dat de technieken die worden gebruikt om AlphaGo te maken, geschikt zijn voor de inspanningen van zijn team om een ​​algemene AI te ontwikkelen. Uiteindelijk willen we deze technieken toepassen op belangrijke problemen in de echte wereld, zei hij. Omdat de methoden die we gebruikten voor algemene doeleinden waren, hopen we dat ze op een dag kunnen worden uitgebreid om enkele van de meest urgente problemen van de samenleving aan te pakken, van medische diagnostiek tot klimaatmodellering (zie Kan AI de grootste problemen ter wereld oplossen? ).

Hassabis zei dat de eerste manier waarop de technologie bij Google zou kunnen worden toegepast, de ontwikkeling van betere persoonlijke assistenten van software zou zijn. Zo'n assistent zou de voorkeuren van een gebruiker kunnen leren van zijn online gedrag en meer intuïtieve aanbevelingen kunnen doen over producten of evenementen, stelde hij voor.

Go is om twee redenen veel uitdagender voor computers dan bijvoorbeeld schaken: het aantal mogelijke zetten per beurt is veel hoger en er is geen eenvoudige manier om materieel voordeel te meten. Een speler moet daarom abstracte patronen leren herkennen in honderden over het bord geplaatste stukken. En zelfs experts hebben vaak moeite om uit te leggen waarom een ​​bepaalde positie voordelig of problematisch lijkt.

Nog maar een paar jaar geleden geloofden de meeste Go-spelers en gameprogrammeurs dat het spel zo complex was dat het tientallen jaren zou duren voordat computers de standaard van een menselijke deskundige speler zouden bereiken.

AlphaGo is ontwikkeld door een team dat bekend staat als Google DeepMind, een groep die is opgericht nadat Google in 2014 een kleine AI UK-startup genaamd DeepMind had overgenomen. De onderzoekers hebben AlphaGo gebouwd met behulp van een extreem populaire en succesvolle machine-learningmethode die bekend staat als deep learning, gecombineerd met een andere simulatietechniek voor het modelleren van mogelijke bewegingen. Deep learning omvat het trainen van een groot gesimuleerd neuraal netwerk om te reageren op patronen in gegevens. Het is zeer nuttig gebleken voor beeld- en audioverwerking, en veel grote technologiebedrijven onderzoeken nieuwe manieren om de techniek toe te passen.

In AlphaGo zijn twee deep learning-netwerken gebruikt: het ene netwerk leerde de volgende zet te voorspellen en het andere leerde de uitkomst te voorspellen vanuit verschillende arrangementen op het bord. De twee netwerken werden gecombineerd met behulp van een meer conventioneel AI-algoritme om vooruit te kijken in het spel voor mogelijke zetten. Een wetenschappelijk artikel geschreven door onderzoekers van Google dat het werk beschrijft verschijnt in het journaal Natuur vandaag .

Het spel Go heeft een enorme zoekruimte, die onhandelbaar is voor zoeken met brute kracht, zegt David Silver, een andere Google-onderzoeker die de inspanning leidde. De sleutel tot AlphaGo is om die zoekruimte terug te brengen tot iets beheersbaars. Deze aanpak maakt AlphaGo veel menselijker dan eerdere benaderingen.

Toen IBM's Deep Blue-computer in 1997 het schaken onder de knie had, gebruikte het handgecodeerde regels en zocht het uitputtend naar mogelijke schaakzetten. AlphaGo leerde in de loop van de tijd potentieel voordelige patronen herkennen en simuleerde vervolgens een beperkt aantal mogelijke uitkomsten.

De prestatie van Google is door andere onderzoekers in het veld met felicitaties en enige verbazing ontvangen.

Technisch gezien is dit werk een monumentale bijdrage aan AI, zegt Ilya Sutskever, een vooraanstaande AI-onderzoeker en directeur van een nieuwe non-profitorganisatie genaamd OpenAI (zie Innovators Under 35: Ilya Sutskever). Sutskever zegt dat het werk vooral belangrijk was omdat AlphaGo zichzelf in wezen leerde hoe te winnen. Dezelfde techniek kan worden gebruikt om ook bij veel andere games extreem hoge prestaties te leveren, zegt hij.

Michael Bowling , een professor in computerwetenschappen aan de Universiteit van Alberta in Canada, die onlangs een programma ontwikkeld in staat om iedereen te verslaan bij heads-up limit poker, was ook enthousiast over de prestatie. Hij is van mening dat de aanpak inderdaad nuttig moet zijn op veel gebieden waar machine learning wordt toegepast. Veel van wat we traditioneel zouden beschouwen als menselijke intelligentie, is gebaseerd op patroonherkenning, zegt hij. En veel van wat we zouden beschouwen als leren, is deze patronen in het verleden te hebben gezien en te beseffen hoe ze verband houden met een huidige situatie.

Een opmerkelijk aspect van het resultaat is dat het deep learning combineert met andere technieken, zegt Gary Marcus, hoogleraar psychologie aan de New York University en medeoprichter en CEO van Geometrische Intelligentie , een AI-startup die deep learning ook combineert met andere methoden (zie Can This Man Make AI More Human?).

Dit is geen zogenaamd end-to-end deep-learningsysteem, zegt Marcus. Het is een zorgvuldig gestructureerd, modulair systeem met wat doordachte hand-engineering aan de voorkant. Dat is, als je erover nadenkt, behoorlijk parallel aan de menselijke geest: rijk, modulair, met een beetje tweaken door evolutie, in plaats van alleen maar een stel neuronen die willekeurig met elkaar zijn verbonden en volledig afgestemd op ervaring.

Google is ook niet het enige bedrijf dat deep learning gebruikt om een ​​Go-playing AI te ontwikkelen. Facebook heeft eerder gezegd dat er een onderzoeker aan zo'n systeem werkt, en gisteravond beide Yann LeCun , directeur van AI-onderzoek bij Facebook, en CEO Mark Zuckerberg gepost updates over de inspanning. De inspanningen van Facebook bevinden zich in een eerder stadium, maar het combineert ook deep learning met een andere techniek.

Het zien van AI-meester Go kan ook leiden tot enige existentiële angst. Tijdens de persconferentie waarin het nieuws bekend werd, werd Hassabis geconfronteerd met vragen over de langetermijnrisico's van de AI-systemen die Google aan het ontwikkelen is. Hij zei dat het bedrijf stappen ondernam om die risico's te verkleinen door samen te werken met academici, door conferenties te organiseren en door samen te werken met een interne ethische raad.

zich verstoppen