Kunstig intelligens er grænsen for datalogi. Videnskaben er avanceret nok til at AI slår os på vores eget spil - eller skal vi sige, at spil. Nogle mennesker kan frygte fremkomsten af Skynet Her er hvorfor forskere mener, at du bør være bekymret over kunstig intelligens. Her er hvorfor forskere tror, at du bør være bekymret over kunstig intelligens. Tror du, at kunstig intelligens er farlig? Kan AI udgøre en alvorlig risiko for menneskeheden. Det er nogle grunde til, at du måske vil være bekymret. Læs mere med hver AI-udvikling, men vi er lidt mere optimistiske.
AlphaGo er den seneste AI at slå et menneske i et brætspil, men det kommer fra en lang stamtavle. Selvom disse fem maskiner startede som specialbyggede programmer, har nogle fundet andet liv, der rækker ud over deres oprindelige kald.
I denne artikel vil vi gennemgå hver gang et strålende menneske tabt til en computer og undersøge, hvad der gav hver af disse computere sin afgørende kant.
1. Deep Blue, Chess Master
IBMs Deep Blue og Garry Kasparov havde en af de første højt profilerede kampe mellem mand og maskine. Kasparov tabte selvfølgelig, men de havde lidt af en kompliceret historie.
Efter Kasparovs første slog Deep Blue's lillebror Deep Thought i 1989 vendte IBM tilbage med sin nye og forbedrede Deep Blue i 1996. Kasparov tabte et åbningsspil, bundet et sekund, men vandt derefter tre lige spil for at tage kampen.
Det var ikke før en anden rematch i 1997, at Deep Blue bestod Kasparov, hvor han vundet en kamp i seks kampe med ét spil.
Kasparov sagde, at han så intelligens i Deep Blue's spil og anklagede IBM for at gribe ind. "Intelligence" var faktisk en fejl, der forårsagede Deep Blue at handle ud af karakter. I grunden var AI temmelig primitiv, brute tvinger sin vej gennem mulige bevægelser og resultater ...
... og hvis den ikke kunne finde et optimalt valg, valgte den tilfældigt.
For hver af sine bevægelser modellerede Deep Blue alle mulige bevægelser og Kasparovs svar. Det var i stand til at model op til tyve bevæger sig fremad og evaluerer millioner af mulige positioner pr. Sekund. Denne modellering krævede hardware, der var i stand til kraftig parallelbehandling.
Parallel forarbejdning nedbryder opgaver i mindre databehandlingsopgaver og gennemfører disse opgaver på samme tid. De resulterende data sammensættes derefter sammen igen for resultatet.
Mellem de to kampe blev Deep Blue givet en betydelig hardwareopgradering. Den vindende hardware var et 30-node-system, der kører på IBMs Power PC-platform. Hver knude havde sekundære processorer dedikeret til skak instruktioner 10 kreative måder at supercharge din skak træning 10 kreative måder at supercharge din skak træning bedre at skak er normalt om bevidst praksis over mange nedslående spil, så lad os se på nogle af de måder du kan medbringe sjov og kreativitet i din skakuddannelse. Læs mere .
Alt sammen havde Deep Blue 256 processorer, der arbejder parallelt.
Der er efterkommere af denne hardware, der arbejder i datacentre, men Deep Blues ægte arv er Watson, Jeopardy-mesteren. Til sidst sætte IBM Deep Blue i gang med at arbejde med finansiel modellering, dataudvinding og narkotikaopdagelse, alle områder, der kræver omfattende simuleringer.
2. Polaris, Poker Champion
Universitetet i Alberta skabte Polaris, det første AI, der slog pokerprofessionelle i en turnering. Forskerne valgte en Texas Hold 'Em-variant for deres AI, da den afhænger mindst af held.
Polaris konfronteret sig med poker spillere to gange. Den første var i 2007 mod to spillere. Hænderne var forudinddelt - Polaris havde et sæt kort, når de vendte ud mod en spiller og den omvendte hånd, når de spillede den anden spiller (for at kontrollere for held).
Polaris blev senere retooled til en 2008 turnering mod seks spillere. Dette var også et pre-delt set af spil. Polaris tog et uafgjort i det første spil og tabte det andet, men vinde til sidst turneringen, bagfra og vinde to lige spil.
I modsætning til skak kan poker ikke være brutalt tvunget gennem modellering, fordi AI har et begrænset billede af spillet - det har ingen ide om sine modstanders hænder.
Kort tilbud er næsten uendeligt unikke, hvilket gør modellering endnu mindre effektiv. De samme kort kan være en god eller værdiløs hånd, bare afhængigt af de andre kort uddelt. Bluffing præsenterer et andet problem for AI, da væddemål alene ikke er en god indikator for håndstyrken.
Polaris er en kombination af flere programmer, der kaldes agenter. Hvert af disse programmer havde sin egen strategi, og der var en anden agent, der ville vælge hvilken af disse var bedst for en given hånd.
De strategier, der bruges til at nedbryde spillet af poker, er varierede og kræver spilteori. Grundtanken er at finde ud af, hvad hver spillers bedste strategi ville være baseret på alle tilgængelige data, og Polaris opnåede dette via en teknik kaldet bucketing.
Bucketing bruges til at klassificere korthænder baseret på styrke. Det gjorde det muligt for Polaris at reducere antallet af datapunkter, der var nødvendige for at holde styr på spillet. Derefter brugte det sandsynligheden for, at alle andre mulige spande til rådighed, der hidrører fra de synlige kort.
Polaris havde en unik hardwareinstallation: en klynge på 8 computere, der hver har 4 CPU'er og 8 GB RAM. Disse maskiner kørte de nødvendige simuleringer for at skabe spande og strategier for hver enkelt agent.
Siden da er Polaris udviklet til et andet program kaldet Cepheus, der bliver så avanceret, at forskere nu har erklæret Texas Hold 'Em for at være "svagt løst".
Spil er "løst", når algoritmer kan bestemme resultatet af et spil fra enhver position. Et spil er "svagt løst", når algoritmen ikke kan tegne sig for ufuldstændigt spil. Du kan prøve dit held mod Cepheus her.
3. Watson, Jeopardy Genius
AI sejre indtil dette tidspunkt i historien har været nøglespil, hvilket er grunden til Watsons sejr er sådan en milepæl for almindelige folk: Watson bragte AIs kamp lige ind i Amerikas opholdsrum.
Jeopardy er et elsket spil show kendt for sin udfordrende trivia, og det har en unik udsmykning: sporene er svarene, og deltagerne skal komme op med spørgsmålene. En sand test for Watson, der tog på kendte Jeopardy-mestere Brad Rutter og Ken Jennings.
Rutter var all-time cash champion og Ken Jennings havde den længste vindende strikke. En tredjepart valgte et tilfældigt sortiment af spørgsmål fra ældre episoder for at sikre, at der ikke blev skrevet spørgsmål til at hjælpe eller udnytte Watson.
Watson vandt tre lige spil - en øvelse og to fjernsynet - men der var nogle ulige quirks til nogle af Watsons svar. For eksempel, umiddelbart efter at Jennings svarede et spørgsmål forkert, svarede Watson med det samme forkerte svar.
Men hvad gjorde Watson unik var dets evne til at bruge naturligt sprog. IBM kaldte dette Deep QA, som stod for "spørgsmålstegn". Det vigtigste resultat var, at Watson kunne søge svar med kontekst, ikke bare søgeordets relevans.
Softwaren er en kombination af distribuerede systemer. Hadoop og Apache UIMA arbejder sammen om at indeksere dataene og tillade Watsons forskellige noder at arbejde sammen.
Som Deep Blue blev Watson bygget på IBMs Power PC platform. Watson var en 90-core klynge med 16 TB RAM. Til Jeopardy-spilene blev alle relevante data indlæst og gemt i RAM.
Hvilke relevante data? Nå, Watson havde adgang til den fulde tekst af Wikipedia. Det havde en række ordbøger, thesauruser, encyclopedias og andre referencematerialer. Watson havde ikke adgang til internettet under spillet, men alle de lokale data var omkring 4 TB.
For nylig er Watson blevet brugt til at analysere og foreslå behandlingsmuligheder for kræftpatienter. Watsons seneste venture er med til at skabe personlige læringsapps til børn. Der er endog forsøg på at uddanne Watson, hvordan man laver madlavning IBMs Watson Created My Thanksgiving Meal - Her er hvad der skete IBM's Watson Created My Thanksgiving Meal - Her er hvad der skete IBM's kunstige intelligens kendt som Watson kan gøre masser af smarte ting, men kan det skabe en komplet og unikke Thanksgiving måltid? Jeg giver det en chance. Se hvad der sker! Læs mere !
4. Deepmind, den selvuddannede
Googles Deepmind kan endelig give nørder noget at bekymre sig om, fordi det slår mennesker på klassiske Atari-spil Internet Archive Bringer 900 Classic Arcade Games til din browser. Her er 7 af de bedste internetarkiver, der bringer 900 Classic Arcade Spil til din browser. Her er 7 af de bedste Din bys arkade kan have lukket ned i midten af 90'erne, men det bør ikke stoppe dig fra at få din klassiske spilrettelse. Læs mere - ja, visse spil i hvert fald. Mennesket holder det stadig kanten i spil som Asteroid og Gravitar.
Deepmind er et neuralt netværk AI. Neurale netværk er AI'er, der er skabt for at efterligne den måde, det menneskelige sind virker på, hvilket det gør ved at skabe virtuelle "neuroner" ved hjælp af computerhukommelse.
Deepmind var i stand til at analysere hver pixel på skærmen, bestemme den bedste handling for at tage givne betingelser og derefter reagere med controller input.
AI lærte spil ved hjælp af en variant af Q-Learning kaldet Deep Learning. Dette er en læringsmetode, hvor AI bevarer den bedste beslutning, der er truffet i visse situationer, og gentager den, når den møder den samme situation.
Deepminds variant er imidlertid unikt, fordi det tilføjer eksterne hukommelseskilder.
Dette system med tilbageholdte oplysninger tillod Deepmind at mestre mønstrene for nogle Atari-spil, og endda kørte det for at finde den optimale strategi for Breakout alle på egen hånd.
Hvorfor har Deepmind udført dårligt i visse spil? På grund af den måde, det dømte situationer på. Det viser sig, at Deepmind kun kunne analysere fire rammer ad gangen, hvilket begrænsede dets evne til at navigere i labyrinter eller reagere hurtigt.
Deepmind skulle også lære hvert spil fra bunden og kunne ikke anvende færdigheder fra et spil til et andet.
5. Alpha Go, The Incredible
AlphaGo er et andet DeepMind-projekt, og det er bemærkelsesværdigt, fordi det lykkedes at slå to professionelle Go-mestere Googles AI-gennembrud: Hvad det betyder og hvordan det påvirker dig Googles AI-gennembrud: Hvad det betyder og hvordan det påvirker dig Læs mere - Fan Hui og Lee Sedol - ved at vinde sine kampe 5-0 og 4-1.
Ifølge spillerne og matchkommentatorerne sagde de alle, at AI spillede konservativt, hvilket ikke er overraskende, fordi det var programmeret til at favorisere sikre bevægelser, der ville sikre sejr over risikable træk, der ville sikre flere point.
Go var engang troet at være uden for rækkevidde for AI, men Alpha Go er nu den første AI, der skal placeres professionelt i spillet.
Spillet har en simpel opsætning: to spillere forsøger at erobre brættet ved hjælp af hvide og sorte sten. Bestyrelsen er et 19 x 19 gitter med 361 krydsninger, og placeringen af sten bestemmer hver spilleres territorium. Målet er at ende med mere territorium end den anden.
Antallet af mulige bevægelser og spiltilstande er massiv, mindst sagt. Ja, langt større end skak, hvis du undrede.
Alpha Go bruger det tidligere nævnte Deep Learning AI-system, hvilket betyder, at Alpha Go holder hukommelsen af de spil, den spilles og studerer som en oplevelse. Det søger derefter gennem dem og vælger det valg, der har det største antal positive potentielle resultater.
Alpha Go har brug for en masse computer strøm til at køre sin computation-heavy algoritme. Den version, der spillede kampene, kørte på et distribueret sæt servere med i alt 1.920 CPU'er og 280 GPU'er - en enorm mængde strøm, der tillod 64 samtidige søgetråde under afspilning.
Ligesom Watson er DeepMind på vej til lægeskolen. Deepmind annoncerede et partnerskab med Storbritanniens NHS for at analysere helbredsdokumenter. Projektet Streams vil hjælpe med at identificere patienter med risiko for nyreskade.
Kunstig intelligens bliver alvorlig
Der er meget forskning i AI lige nu.
Google håber, at AI kan hjælpe deres søgevirksomhed. Et projekt kaldet Rankbrain søger at bruge AI til at forbedre effektiviteten af Page Rank. Microsoft og Facebook begge frigivet chatbots. Tesla fører blødkanten med sin automatiske kørselsmodus, og Google er lige bagud med sine selvkørende biler.
Det kan være svært at se sammenhængen mellem disse projekter og træningen af et AI for at vinde spil, men hver af disse AI'er har formet maskinindlæring på en eller anden måde.
Da feltet har udviklet sig, har det tilladt AI'er at arbejde med mere komplekse datasæt. Disse næsten uendelige antal bevægelser i Go kan oversættes til det næsten uendelige antal variabler på den åbne vej. Så virkelig er disse spil bare begyndelsen - en øvelsesfase, hvis du vil.
De virkelig interessante ting er lige rundt om hjørnet, og det er meget muligt, at vi vil kunne opleve det hele første hånd.
Hvad spænder dig om AI? Er der et spil, du tror, at AI ikke kan overvinde? Lad os vide i kommentarerne.
Billedkredit: David Pacey via Flickr, Debbie Miesel via IBM, CPRG via University of Alberta, Spil blandt venner Paf via Flickr, Seb via Flickr, Matt Brown via Flickr, Jiuguang Wang via Flickr