AI'erne vinder 5 gange, når computere slår mennesker

Kunstig intelligens er computervidenskabens grænse. Videnskaben er kommet så langt, at AI slår os i vores eget spil - eller skal vi sige, spil. Nogle mennesker frygter muligvis Skynets fremgang. Her er grunden til, at forskere mener, at du skal være bekymret for kunstig intelligens. Her er grunden til, at forskere mener, at du skal være bekymret for kunstig intelligens. Synes du, at kunstig intelligens er farlig? Kan AI udgøre en alvorlig risiko for den menneskelige race. Dette er nogle af grundene til, at du måske vil være bekymret. med hver AI-udvikling, men vi er lidt mere optimistiske.

AlphaGo er den seneste AI til 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 andre liv, der går ud over deres oprindelige opkald.

I denne artikel gennemgår vi hver gang et strålende menneske mistet en computer og undersøger, 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 høje profilkampe mellem mand og maskine. Kasparov mistede selvfølgelig, men de havde lidt af en kompliceret historie.

Efter at Kasparov først slo Deep Blue's lillebror, Deep Thought, i 1989, vendte IBM tilbage med sin nye og forbedrede Deep Blue i 1996. Kasparov mistede et åbningskamp, ​​bandt et sekund, men vandt derefter tre lige kampe for at tage kampen.

Det var først i en anden gentagelse i 1997, at Deep Blue bestod Kasparov, hvor han vandt en kamp på seks spil efter et spil.

Kasparov sagde, at han så intelligens i Deep Blue's spil og beskyldte IBM for at gribe ind. Det “intelligens” var faktisk en fejl, der fik Deep Blue til at handle ud fra karakter. Grundlæggende var AI temmelig primitiv, idet hun tvang sin vej gennem mulige bevægelser og resultater ...

… Og hvis det ikke kunne finde et optimalt valg, valgte det tilfældigt.

For hvert af sine træk modellerede Deep Blue alle mulige træk og Kasparovs svar. Det var i stand til at modellere op til tyve træk fremad og evaluere millioner af mulige positioner pr. Sekund. Denne modellering krævede hardware, der var i stand til kraftig parallel behandling.

Parallel behandling er opdeling af opgaver i mindre computeropgaver og færdiggørelse af disse opgaver på samme tid. De resulterende data samles derefter sammen igen for resultatet.

Mellem de to kampe fik Deep Blue en betydelig hardwareopgradering. Den vindende hardware var et 30-nodesystem, der kørte på IBMs Power PC-platform. Hver knude havde sekundære processorer dedikeret til skakinstruktioner 10 Kreative måder at supercharge din skaktræning 10 Kreative måder at supercharge din skaktræning At blive bedre på skak handler normalt om bevidst praksis over mange nedslående spil, så lad os se på nogle af de måder, du kan bringe sjov og kreativitet i din skaktræning. .

Alt sammen havde Deep Blue 256 processorer, der arbejdede parallelt.

Der er efterkommere af denne hardware, der arbejder i datacentre, men Deep Blues ægte arv er Watson, Jeopardy-mesteren. Til sidst anbragte IBM Deep Blue til at arbejde på finansiel modellering, data mining og stofopdagelse, alle områder, der har brug for simuleringer i stor skala.

2. Polaris, pokermesteren

Universitetet i Alberta skabte Polaris, den første AI til at slå pokerprofessionelle i en turnering. Forskerne valgte en Texas Hold 'Em-variant til deres AI, da den er mest afhængig af held.

Polaris stod overfor pokerspillere to gange. Den første var i 2007 mod to spillere. Hænderne var foruddelte - Polaris havde et sæt kort, når de vendte mod den ene spiller, og den modsatte hånd, når de spillede den anden spiller (for at kontrollere for held).

Polaris blev senere genindlæst til en turnering i 2008 mod seks spillere. Dette var også et foruddelt sæt spil. Polaris fik uafgjort i det første spil og tabte det andet, men vandt til sidst turneringen, kom bagfra og vandt to lige kampe.

I modsætning til skak, kan poker ikke tvinges gennem modellering, fordi AI har et begrænset billede af spillet - det har ingen idé om sine modstanders hænder.

Kortaftaler er næsten uendeligt unikke, hvilket gør modelleringen endnu mindre effektiv. De samme kort kan være en god eller værdiløs hånd, bare afhængig af de andre uddelte kort. Bluffing udgør et andet problem for AI, da væddemål alene ikke er en god indikator for håndstyrke.

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 der var bedst for enhver given hånd.

Strategierne, der bruges til at nedbryde poker-spillet, er forskellige og kræver spilteori. Den grundlæggende idé er at finde ud af, hvad hver spillers bedste strategi ville være baseret på alle tilgængelige data, og Polaris gennemførte 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 er nødvendige for at holde styr på spillet. Derefter brugte det sandsynligheden for alle andre mulige spande, der stammer fra de synlige kort.

Polaris havde en unik hardwareopsætning: en klynge på 8 computere, der hver havde 4 CPU'er og 8 GB RAM. Disse maskiner kørte de simuleringer, der var nødvendige for at skabe spande og strategier for hver agent.

Siden da udviklede Polaris sig til et andet program kaldet Cepheus og blev så avanceret, at forskere nu har erklæret Texas Hold 'Em 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 redegøre for ufuldkommen spil. Du kan prøve lykken mod Cepheus her.

3. Watson, Jeopardy Genius

AI-sejre indtil dette punkt i historien har været low-key-spil, hvorfor Watsons sejr er sådan en milepæl for almindelige folk: Watson bragte slaget om AI lige ind i Amerikas stuer.

Jeopardy er et elsket spilshow, der er kendt for sin udfordrende trivia, og det har et unikt sind: ledetrådene er svarene, og deltagerne er nødt til at komme med spørgsmålene. En sand test for Watson, der tog på sig de kendte Jeopardy-mestere Brad Rutter og Ken Jennings.

Rutter var tidenes penge mester, og Ken Jennings havde den længste vinderrekke. En tredjepart valgte et tilfældigt sortiment af spørgsmål fra ældre episoder for at sikre, at spørgsmål ikke blev skrevet til hjælp eller udnyttelse af Watson.

Watson vandt tre lige kampe - en praksis og to fjernsyn - men der var nogle mærkelig underlige forhold til nogle af Watsons svar. For eksempel, lige efter at Jennings besvarede et forkert spørgsmål, svarede Watson med det samme forkerte svar.

Hvad der imidlertid gjorde Watson unik var dens evne til at bruge naturligt sprog. IBM kaldte denne Deep QA, som stod for “spørgsmål besvarelse”. Den vigtigste præstation var, at Watson kunne søge svar med kontekst, ikke kun søgeordsrelevans.

Softwaren er en kombination af distribuerede systemer. Hadoop og Apache UIMA arbejder sammen for at indeksere dataene og give mulighed for, at de forskellige noder i Watson kan arbejde sammen.

Ligesom Deep Blue blev Watson bygget på IBMs Power PC-platform. Watson var en 90-kernet klynge med 16 TB RAM. For Jeopardy-spil blev alle relevante data indlæst og gemt i RAM.

Hvilke relevante data? Nå, Watson havde adgang til Wikipedia's fulde tekst. Den havde en række ordbøger, synonymordbøger, leksikon og andet referencemateriale. 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 satsning hjælper med at skabe personaliserede læringsapps til børn. Der er endda forsøg på at træne Watson i, hvordan man laver IBM's Watson Created My Thanksgiving Meal - Her er hvad der skete IBM's Watson Created My Thanksgiving Meal - her er hvad der skete IBMs kunstige intelligens, kendt som Watson, kan gøre mange smarte ting, men kan det skabe et komplet og unikt Thanksgiving måltid? Jeg prøver det. Se hvad der sker! !

4. Deepmind, den selvlærede

Googles Deepmind kan muligvis endelig give nerder noget at bekymre sig om, fordi det slår mennesker ved klassiske Atari-spil Internetarkiv bringer 900 klassiske arkadespil til din browser. Her er 7 af de bedste internetarkiver bringer 900 klassiske arkadespil til din browser. Her er 7 af de bedste Din by's arkade kan have lukket ned i midten af ​​90'erne, men det skulle ikke forhindre dig i at få dine klassiske spil rettet. - Nå, i det mindste visse spil. Menneskeheden holder stadig sin fordel 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 fungerer, hvilket det gør ved at skabe virtuelt “neuroner” ved hjælp af computerhukommelse.

Deepmind var i stand til at analysere hver pixel på skærmen, beslutte den bedste handling at tage i betragtning af gevinstbetingelserne og derefter svare 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 taget i en bestemt situation, og derefter gentager den, når den støder på den samme situation.

Deepminds variant er dog unik, da den tilføjer eksterne hukommelseskilder.

Dette system med bevaret information gjorde det muligt for Deepmind at mestre mønstrene i nogle Atari-spil og kørte det endda for at finde den optimale strategi for Breakout helt alene.

Hvorfor presterede Deepmind dårligt i visse spil? På grund af den måde, den bedømte situationer. Det viser sig, at Deepmind kun var i stand til at analysere fire rammer ad gangen, hvilket begrænsede dens evne til at navigere labyrinter eller reagere hurtigt.

Deepmind måtte også lære hvert spil fra bunden af ​​og kunne ikke anvende færdigheder fra det ene spil til det andet.

5. Alpha Go, det utrolige

AlphaGo er et andet DeepMind-projekt, og det er bemærkelsesværdigt, fordi det formåede at slå to professionelle Go-mestere Googles AI-gennembrud: Hvad det betyder & hvordan det påvirker dig Googles AI-gennembrud: Hvad det betyder & hvordan det påvirker dig - Fan Hui og Lee Sedol - ved at vinde dens kampe henholdsvis 5-0 og 4-1.

Ifølge spillerne og kampkommentatorerne sagde de alle, at AI spillede konservativt, hvilket ikke er overraskende, fordi det var programmeret til at favorisere sikre træk, der ville sikre sejr over risikable træk, der ville sikre flere point.

Go troede engang at være uden for rækkevidde for AI, men Alpha Go er nu den første AI, der rangeres professionelt i spillet.

Spillet har en enkel opsætning: to spillere forsøger at erobre brættet ved hjælp af hvide og sorte sten. Brættet er et 19 x 19 gitter med 361 kryds, og placeringen af ​​sten bestemmer hver spillers territorium. Målet er at slutte med mere territorium end det andet.

Antallet af mulige træk og spiltilstande er mildest talt enormt. Ja, langt større end skak, hvis du undrede dig.

Alpha Go bruger det tidligere nævnte Deep Learning AI-system, hvilket betyder, at Alpha Go holder hukommelse af de spil, det spilles, og studerer dem som erfaring. Derefter søger de gennem dem og vælger det valg, der har det største antal positive potentielle resultater.

Alpha Go har brug for meget computerkraft for at køre sin beregningstunge 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 gjorde det muligt for 64 samtidige søgetråder under spillet.

Ligesom Watson er DeepMind på vej mod medicinsk skole. Deepmind annoncerede et partnerskab med Storbritanniens NHS for at analysere sundhedsregistre. Projektet Streams vil hjælpe med at identificere patienter i risiko for nyreskade.

Kunstig intelligens bliver alvorlig

Der er meget forskning, der går ind på AI lige nu.

Google håber, at AI kan hjælpe deres søgeforretning. Et projekt kaldet Rankbrain ser ud til at bruge AI til at øge effektiviteten af ​​Page Rank. Microsoft og Facebook frigav begge chatbots. Tesla fører den blødende kant med sin automatiske køremodus, og Google er lige bagud med sine selvkørende biler.

Det kan være svært at se sammenhængen mellem disse projekter og træningen af ​​en AI til at vinde spil, men hver af disse AI'er har formet maskinlæring på en eller anden måde.

Efterhånden som feltet har udviklet sig, har det gjort det muligt for AI'er at arbejde med mere komplekse datasæt. De næsten uendelige antal bevægelser i Go kan oversætte til det næsten uendelige antal variabler på den åbne vej. Så virkelig er disse spil bare begyndelsen - hvis du vil.

De virkelig interessante ting er lige rundt om hjørnet, og det er meget muligt, at vi kan opleve det hele fra første hånd.

Hvad begejstrer dig for AI? Er der et spil, du tror, ​​at AI ikke i sidste ende kan erobre? Fortæl os det i kommentarerne.

Billedkredit: David Pacey via Flickr, Debbie Miesel via IBM, CPRG via University of Alberta, Play Among Friends Paf via Flickr, Mr Seb via Flickr, Matt Brown via Flickr, Jiuguang Wang via Flickr