211service.com
Vijf lessen uit de historische overwinning van AlphaGo
AlphaGo versloeg op handige wijze 18-voudig wereldkampioen Go Lee Sedol met 4-1, en leerde ons daarbij een aantal interessante lessen over waar AI-onderzoek vandaag staat en waar het naartoe gaat.
Er zit leven in oude AI-benaderingen
Een fascinerend aspect van AlphaGo is de ongebruikelijke manier waarop het is ontworpen. De software combineerde deep learning - de populairste AI-techniek die er tegenwoordig is - met een veel oudere en veel minder modieuze benadering. Diep leren omvat het gebruik van zeer grote gesimuleerde neurale netwerken, en meestal schuwt het logica of symboolmanipulatie van het soort dat is ontwikkeld door mensen als Marvin Minksy en John McCarthy. Maar AlphaGo combineert diep leren met iets genaamd boom zoeken , een techniek uitgevonden door een van Minksy's tijdgenoten en collega's, Claude Shannon. Misschien zullen we in de toekomst dan ook steeds vaker de connectionistische en symbolische AI samen zien komen.
Polanyi's paradox is geen probleem
Het spel Go, waarin spelers elkaars stukken proberen te omsingelen en te vangen over een groot bord, is een mooi voorbeeld van Polanyi's beroemde paradox: we weten meer dan we kunnen vertellen.
In tegenstelling tot schaken, zijn er geen duidelijke richtlijnen voor het spelen van het spel of het meten van de voortgang, wat een reden is waarom Go in het verleden zo moeilijk was voor computers om te spelen. Machine learning, waarbij een computer niet is geprogrammeerd (in de conventionele zin) maar eerder zijn eigen algoritme genereert om van voorbeelden te leren, biedt computers een manier om door de paradox van Polanyi te navigeren. Veel dingen die we doen, zoals autorijden of een gezicht herkennen, zijn vergelijkbaar. sommige economen hebben dit als een belangrijk punt naar voren gebracht. En, als een artikel in de New York Times shows , sommigen zien AlphaGo's triomf zelfs als overtuigend bewijs dat computers meer taken (en banen) zullen overnemen naarmate machine learning op steeds grotere schaal wordt gebruikt.
AlphaGo is niet echt AI
Toch niet zo snel. Hoe verbazingwekkend AlphaGo ook is, het is nog lang niet echt intelligent. Als AI-expert en robotica-ondernemer Jean-Christophe Baillie wijst erop , zal echte intelligentie niet alleen meer verfijnd leren vereisen, maar ook zaken als belichaming en het vermogen om te communiceren. Autorijden in een drukke stadsstraat of interactie met iemand die je herkent, is inderdaad een stuk ingewikkelder dan we misschien beseffen. Dus hoewel machine learning computers mogelijk meer taken op zich laat nemen, zal het nog lang duren voordat ze alles kunnen vervangen wat mensen doen.
AlphaGo is behoorlijk inefficiënt
Vergeleken met een mens leert AlphaGo snel, verbruikt het gegevens van eerdere games en speelt het tegen zichzelf op siliciumsnelheid. Maar het is veel minder efficiënt dan een persoon om te leren, in die zin dat er veel meer voorbeelden van Go-spellen nodig zijn om effectieve technieken op te pikken. Dit is een van de belangrijkste problemen met deep learning, die veel mensen proberen op te lossen door manieren te vinden om te leren van nieuwe soorten gegevens of van minder gegevens.
Commercialisering is niet vanzelfsprekend
De vaardigheden die AlphaGo demonstreert - subtiele patroonherkenning, planning en besluitvorming - zijn uiteraard belangrijk. Maar het is minder duidelijk hoe ze kunnen worden omgezet in een commercieel levensvatbaar product. Demis Hassabis, de oprichter van Google DeepMind, heeft gezegd dat de voor AlphaGo ontwikkelde technieken kunnen worden gebruikt om een persoonlijke assistent te bouwen die de voorkeuren en gewoonten van zijn meester beter leert kennen. Maar menselijke taal is een stuk complexer dan een bordspel en veel moeilijker om van te leren. Met andere woorden, het kan lastig zijn om de specifieke vaardigheden van AlphaGo toe te passen in de rommelige echte wereld.
(Lees verder: New York Times , IEEE-spectrum , Natuur , The Missing Link of Artificial Intelligence , Kan deze man AI menselijker maken? )