211service.com
Fem lektioner fra AlphaGos historiske sejr
AlphaGo slog 18-dobbelt Go-verdensmester Lee Sedol 4-1 og lærte os derved flere interessante lektioner om, hvor AI-forskningen er i dag, og hvor den er på vej hen.
Der er liv i gamle AI-tilgange
En fascinerende ting ved AlphaGo er den usædvanlige måde, det blev designet på. Softwaren kombinerede dyb læring - den hotteste AI-teknik der findes i dag - med en meget ældre og langt mindre moderigtig tilgang. Dyb læring involverer brug af meget store simulerede neurale netværk, og normalt undgår det logik eller symbolmanipulation af den slags, der er pioneret af folk som Marvin Minksy og John McCarthy. Men AlphaGo kombinerer dyb læring med noget der hedder træ-søgning , en teknik opfundet af en af Minksys samtidige og kolleger, Claude Shannon. Måske vil vi så i stigende grad se den forbindelsesmæssige og symbolske AI mødes i fremtiden.
Polanyis paradoks er ikke et problem
Spillet Go, hvor spillere forsøger at omringe og fange hinandens brikker over et stort bræt, er et pænt eksempel på Polanyis berømte paradoks: Vi ved mere, end vi kan fortælle.
I modsætning til med skak er der ikke ligetil retningslinjer for at spille spillet eller måle fremskridt, hvilket er en af grundene til, at Go historisk set har været så svært for computere at spille. Maskinlæring, hvor en computer ikke er programmeret (i konventionel forstand), men snarere genererer sin egen algoritme til at lære fra eksempler, tilbyder en måde for computere at navigere i Polanyis paradoks. Mange ting, vi gør, som at køre bil eller genkende et ansigt, ligner hinanden. Nogle økonomer har fremhævet dette som et vigtigt punkt. Og som en artikel i New York Times viser sig , nogle ser endda AlphaGos triumf som et overbevisende bevis på, at computere vil overtage flere opgaver (og jobs), efterhånden som maskinlæring bliver brugt mere og mere udbredt.
AlphaGo er ikke rigtig AI
Dog ikke så hurtigt. Hvor fantastisk AlphaGo end er, er det stadig langt fra virkelig intelligent. Som AI-ekspert og robotiværksætter Jean-Christophe Baillie påpeger , vil ægte intelligens ikke kun kræve mere sofistikeret læring, men ting som legemliggørelse og evnen til at kommunikere. Faktisk er det meget mere komplekst at køre bil på en travl bygade eller interagere med nogen, du genkender, end vi måske er klar over. Så selvom maskinlæring kan lade computere påtage sig flere opgaver, vil der gå lang tid, før de kan erstatte alt, hvad folk gør.
AlphaGo er ret ineffektiv
Sammenlignet med et menneske lærer AlphaGo hurtigt, bruger data på tidligere spil og spiller mod sig selv med siliciumhastighed. Men det er meget mindre effektivt end en person til at lære, idet det kræver langt flere eksempler på Go-spil for at opfange effektive teknikker. Dette er et af de vigtigste problemer med dyb læring, som mange mennesker forsøger at løse ved at finde måder at lære af enten fra nye typer data eller fra mindre data helt.
Kommercialisering er ikke indlysende
De færdigheder, som AlphaGo demonstrerer – subtil mønstergenkendelse, planlægning og beslutningstagning – er naturligvis vigtige. Men det er mindre indlysende, hvordan de kan omdannes til et kommercielt levedygtigt produkt. Demis Hassabis, grundlæggeren af Google DeepMind, har sagt, at de teknikker, der er udviklet til AlphaGo, kunne bruges til at bygge en personlig assistent, der lærer sin mesters præferencer og vaner mere effektivt. Men menneskeligt sprog er meget mere komplekst end et brætspil , og meget sværere at lære af. Med andre ord kan det være svært at anvende AlphaGos specifikke færdigheder i den rodede virkelige verden.
(Læs mere: New York Times , IEEE spektrum , Natur , The Missing Link of Artificial Intelligence , Kan denne mand gøre AI mere menneskelig? )