211service.com
Fem leksjoner fra AlphaGos historiske seier
AlphaGo slo den 18-dobbelte Go-verdensmesteren Lee Sedol 4-1, og lærte oss dermed flere interessante leksjoner om hvor AI-forskningen er i dag, og hvor den er på vei.
Det er liv i gamle AI-tilnærminger
En fascinerende ting med AlphaGo er den uvanlige måten den ble designet på. Programvaren kombinerte dyp læring – den hotteste AI-teknikken der ute i dag – med en mye eldre og langt mindre fasjonabel tilnærming. Dyp læring innebærer å bruke veldig store simulerte nevrale nettverk, og vanligvis unngår den logikk eller symbolmanipulering av den typen som ble utviklet av slike som Marvin Minksy og John McCarthy. Men AlphaGo kombinerer dyp læring med noe som heter tresøk , en teknikk oppfunnet av en av Minksys samtidige og kolleger, Claude Shannon. Kanskje vil vi da i økende grad se den konneksjonistiske og symbolske AI komme sammen i fremtiden.
Polanyis paradoks er ikke et problem
Spillet Go, der spillere prøver å omringe og fange hverandres brikker over et stort brett, er et godt eksempel på Polanyis berømte paradoks: Vi vet mer enn vi kan fortelle.
I motsetning til med sjakk, er det ingen enkle retningslinjer for å spille spillet eller måle fremgang, noe som er en grunn til at Go historisk sett har vært så vanskelig for datamaskiner å spille. Maskinlæring, der en datamaskin ikke er programmert (i konvensjonell forstand), men heller genererer sin egen algoritme for å lære fra eksempler, tilbyr en måte for datamaskiner å navigere i Polanyis paradoks. Mange ting vi gjør, som å kjøre bil eller gjenkjenne et ansikt, er like. Noen økonomer har fremhevet dette som et viktig poeng. Og som en artikkel i New York Times viser , noen ser til og med på AlphaGos triumf som overbevisende bevis på at datamaskiner vil ta over flere oppgaver (og jobber) ettersom maskinlæring brukes stadig mer utbredt.
AlphaGo er egentlig ikke AI
Ikke så fort, men. Uansett hvor utrolig AlphaGo er, er det fortsatt et stykke unna virkelig intelligent. Som AI-ekspert og robotgründer Jean-Christophe Baillie påpeker , vil ekte intelligens kreve ikke bare mer sofistikert læring, men ting som legemliggjøring og evnen til å kommunisere. Å kjøre bil i en travel bygate eller samhandle med noen du kjenner er faktisk mye mer komplisert enn vi kanskje er klar over. Så selv om maskinlæring kan la datamaskiner ta på seg flere oppgaver, vil det ta lang tid før de kan erstatte alt folk gjør.
AlphaGo er ganske ineffektivt
Sammenlignet med et menneske, lærer AlphaGo raskt, bruker data på tidligere spill og spiller mot seg selv i silisiumhastighet. Men det er mye mindre effektivt enn en person til å lære, ved at det krever langt flere eksempler på Go-spill for å finne effektive teknikker. Dette er et av hovedproblemene med dyp læring, som mange mennesker prøver å løse, ved å finne måter å lære av enten fra nye typer data eller fra mindre data totalt.
Kommersialisering er ikke åpenbart
Ferdighetene demonstrert av AlphaGo – subtil mønstergjenkjenning, planlegging og beslutningstaking – er åpenbart viktige. Men det er mindre åpenbart hvordan de kan gjøres om til et kommersielt levedyktig produkt. Demis Hassabis, grunnleggeren av Google DeepMind, har sagt at teknikkene utviklet for AlphaGo kan brukes til å bygge en personlig assistent som lærer mesterens preferanser og vaner mer effektivt. Men menneskelig språk er mye mer komplekst enn et brettspill , og mye vanskeligere å lære av. Med andre ord kan det være vanskelig å bruke AlphaGos spesifikke ferdigheter i den rotete virkelige verdenen.
(Les mer: New York Times , IEEE Spektrum , Natur , The Missing Link of Artificial Intelligence , Kan denne mannen gjøre AI mer menneskelig? )