Искусственный интеллект впервые обыграл человека в игру Го

отметили
28
человек
в архиве
Искусственный интеллект впервые обыграл человека в игру Го
Специалисты из компании Google создали первую в мире систему искусственного интеллекта под названием AlphaGo, которая впервые смогла обыграть чемпиона Европы по игре в Го со счетом 5:0 и обыграть все остальные компьютерные системы игры в эту древнюю китайскую стратегию, говорится в статье, опубликованной в журнале Nature.

«Впервые компьютер смог составить конкуренцию профессионалу-человеку в полностью честной игре, и я был почтен, что я стану следующим противником AlphaGo. Вне зависимости от того, проиграю ли я или выиграю, этот результат стал важной вехой в истории Го. Я слышал, что эта система ИИ очень сильна в игре и становится только умнее, но я уверен, что я смогу выиграть у нее хотя бы в первый раз», — заявил Седол Ли (Sedol Lee), чемпион мира по Го из Южной Кореи.

Данная система искусственного интеллекта была разработана Дэвидом Сильвером и его коллегами из подразделения DeepMind компании Google, базирующейся в Лондоне (Великобритания).

Как отмечают ученые, до создания их программы все системы ИИ, способные играть в Го, находились на достаточно низком уровне – пределом их возможностей была способность обыграть сильного любителя, но не профессионала. Это объясняется тем, что в отличие от шахмат, в Го возможно гораздо больше ходов и комбинаций, что на порядки усложняет создание алгоритмов, способных «просеивать» их, сокращать время расчетов следующего хода и предсказывать действия соперника.

Сильвер и его коллеги смогли преодолеть эту проблему, построив свой ИИ на базе не одной, а сразу двух нейронных сетей – особых алгоритмов, имитирующих работу цепочек нейронов в мозге человека. Одна из них отвечает за оценку текущей позиции на доске, а вторая использует результаты анализа, подготовленные первой сетью, для того, чтобы выбирать следующий шаг.

«Сеть оценок», как объясняют ученые, нужна в первую очередь для того, чтобы резко сократить число возможных ходов на доске и тем самым упростить вычисления, «сеть решений» – для выбора оптимального шага из самых густых ветвей «дерева» возможных решений.

Обе эти сети прошли длительную и интенсивную «тренировку», обучаясь элементарным правилам игры в Го и тонкостям мастерства в этой стратегии у игроков-профессионалов, игравших с компьютером на первых стадиях саморазвития AlphaGo. На этом обучение ИИ не остановилось, и система продолжила самосовершенствование, сначала подсматривая за онлайн-матчами в Го, а затем и играя сама с собой.
Это позволило AlphaGo достичь рейтинга в 3,1 тысячи эло, что соответствует уровню гроссмейстера международного уровня в шахматах, или профессиональному 3 дану в Го. Сессия игры, которую Сильвер и его коллеги провели между AlphaGo и Фанем Хоем (Fan Hui), чемпионом Европы по Го со вторым даном, завершилась со счетом 5-0 в пользу машины.

«Наблюдая за играми против Фаня Хоя, я был очень впечатлен силой игры AlphaGo, и у меня возникли сложности с определением того, на какой стороне играет компьютер, а на какой – человек, в те времена, когда я не знал, каким цветом играл Хой. До этой серии игр у меня не было и мысли, что компьютер сможет соперничать с профессионалами, а теперь, похоже, что победа машины над топ-игроками является неизбежностью», — заключает Джон Даймонд (Jon Diamond), президент Британской ассоциации Го.
Добавил skrt skrt 27 Января 2016
Комментарии участников:
skrt
+1
skrt, 27 Января 2016 , url
skrt
+2
skrt, 27 Января 2016 , url
Ещё 10-ть лет назад это считалось невозможным.
bee_e
+1
bee_e, 27 Января 2016 , url
это и сегодня невозможно — ничего нового
skrt
+1
skrt, 27 Января 2016 , url
которая впервые смогла обыграть чемпиона Европы по игре в Го со счетом 5:0
bee_e
+1
bee_e, 27 Января 2016 , url
ну и что такое интеллект?
skrt
+1
skrt, 27 Января 2016 , url
Эээ. А о чём у нас речь: Что нет ИИ, или что ИИ не выиграл?
bee_e
+1
bee_e, 27 Января 2016 , url
об обоих
skrt
+3
skrt, 27 Января 2016 , url
Мне лень дискутировать на тему, что ИИ не существует, но с удовольствием послушаю Ваше мнение на тему, что новость не верна.
blogman
+4
blogman, 28 Января 2016 , url
Имхо — любая игра в которой конечное число вариантов ходов, заранее выигрышна (беспроигрышна) для ИИ весь вопрос в конкретном алгоритме и мощности платформы.
skrt
+1
skrt, 28 Января 2016 , url
Это да, только до сего времени такой алгоритм составить не удавалось.
zman
+1
zman, 28 Января 2016 , url
Нейронные сети уже не совсем алгоритм
tooZ
0
tooZ, 28 Января 2016 , url
Для этой задачи (обыграть Го) подойдут т.н. «Генетические алгоритмы»
skrt
0
skrt, 28 Января 2016 , url
Судя по критике из вики, не подойдёт:

Критика
Существует несколько поводов для критики насчёт использования генетического алгоритма по сравнению с другими методами оптимизации:

Повторная оценка функции приспособленности (фитнесс-функции) для сложных проблем, часто является фактором, ограничивающим использование алгоритмов искусственной эволюции. Поиск оптимального решения для сложной задачи высокой размерности зачастую требует очень затратной оценки функции приспособленности. В реальных задачах, таких как задачи структурной оптимизации, единственный запуск функциональной оценки требует от нескольких часов до нескольких дней для произведения необходимых вычислений. Стандартные методы оптимизации не могут справиться с проблемами такого рода. В таком случае, может быть необходимо пренебречь точной оценкой и использовать аппроксимацию пригодности, которая способна быть вычислена эффективно. Очевидно, что применение аппроксимации пригодности может стать одним из наиболее многообещающих подходов, позволяющих обоснованно решать сложные задачи реальной жизни с помощью генетических алгоритмов.

Генетические алгоритмы плохо масштабируемы под сложность решаемой проблемы. Это значит, что число элементов, подверженных мутации очень велико, если велик размер области поиска решений. Это делает использование данной вычислительной техники чрезвычайно сложным при решении таких проблем, как, например, проектирование двигателя, дома или самолёта. Для того чтобы сделать так, чтобы такие проблемы поддавались эволюционным алгоритмам, они должны быть разделены на простейшие представления данных проблем. Таким образом, эволюционные вычисления используются, например, при разработке формы лопастей, вместо всего двигателя, формы здания, вместо подробного строительного проекта и формы фюзеляжа, вместо разработки вида всего самолёта. Вторая проблема, связанная со сложностью, кроется в том, как защитить части, которые эволюционировали с высокопригодными решениями от дальнейшей разрушительной мутации, в частности тогда, когда от них требуется хорошая совместимость с другими частями в процессе оценки пригодности. Некоторыми разработчиками было предложено, что подход, предполагающий развитие пригодности эволюционирующих решений, смог бы преодолеть ряд проблем с защитой, но данный вопрос всё ещё остаётся открытым для исследования.

Решение является более пригодным лишь по сравнению с другими решениями. В результате условие остановки алгоритма неясно для каждой проблемы.

Во многих задачах генетические алгоритмы имеют тенденцию сходиться к локальному оптимуму или даже к спорным точкам, вместо глобального оптимума для данной задачи. Это значит, что они «не знают», каким образом пожертвовать кратковременной высокой пригодностью для достижения долгосрочной пригодности. Вероятность этого зависит от формы ландшафта пригодности: отдельные проблемы могут иметь выраженное направление к глобальному минимуму, в то время как остальные могут указывать направление для фитнесс-функции на локальный оптимум. Эту проблему можно решить использованием иной фитнесс-функции, увеличением вероятности мутаций, или использованием методов отбора, которые поддерживают разнообразие решений в популяции, хотя Теорема об отсутствии бесплатного обеда при поиске и оптимизации[15] доказывает, что не существует общего решения данной проблемы. Общепринятым методом поддержания популяционного разнообразия является установка уровневого ограничения на численность элементов с высоким сродством, которое снизит число представителей сходных решений в последующих поколениях, позволяя другим, менее сходным элементам оставаться в популяции. Данный приём, тем не менее, может не увенчаться успехом в зависимости от ландшафта конкретной проблемы. Другим возможным методом может служить простое замещение части популяции случайно сгенерированными элементами, в момент, когда элементы популяции становятся слишком сходны между собой. Разнообразие важно для генетических алгоритмов (и генетического программирования) потому, что перекрёст генов в гомогенной популяции не несёт новых решений. В эволюционных стратегиях и эволюционном программировании, разнообразие не является необходимостью, так как большая роль в них отведена мутации.
skrt
0
skrt, 28 Января 2016 , url
Множество алгоритмов?
Marlan
0
Marlan, 6 Февраля 2016 , url
Хорошо детерминированная задача.

ну как бы… мозг человеческий не идеален.


Войдите или станьте участником, чтобы комментировать