Konstgjord intelligens är gränsen för datavetenskap. Vetenskapen har avancerat nog att AI slår oss i vårt eget spel - eller ska vi säga, spel. Vissa människor kan frukta uppkomsten av Skynet. Här är varför forskare tror att du borde vara orolig för artificiell intelligens. Det här är varför forskare tror att du borde vara orolig för artificiell intelligens. Tror du att artificiell intelligens är farlig? Kan AI utgöra en allvarlig risk för mänskligheten. Det här är några anledningar till varför du kanske vill vara orolig. Läs mer med varje AI-utveckling, men vi är lite mer optimistiska.
AlphaGo är den senaste AI för att slå en människa i ett brädspel, men det kommer från en lång stamtavla. Även om dessa fem maskiner började som specialbyggda program, har vissa hittat andra liv som går utöver sina ursprungliga kallelser.
I den här artikeln går vi igenom varje gång en strålande människa förloras på en dator och undersöker vad som gav var och en av dessa datorer sin avgörande kant.
1. Deep Blue, schackmästaren
IBMs Deep Blue och Garry Kasparov hade en av de första högprofilerade striderna mellan man och maskin. Kasparov försvann, men de hade lite en komplicerad historia.
Efter Kasparovs första slår Deep Blues småbror Deep Thought 1989 återvände IBM med sin nya och förbättrade Deep Blue 1996. Kasparov förlorade ett öppningsspel, bundet en sekund men vann sedan tre raka spel för att ta matchen.
Det var inte förrän en andra rematch 1997 som Deep Blue bestod Kasparov, som vann en match i sex matcher med ett spel.
Kasparov sa att han såg intelligens i Deep Blue's spel och anklagade IBM för att ingripa. "Intelligens" var faktiskt en bugg som orsakade Deep Blue att agera ur karaktär. I grunden var AI ganska primitiv, brute tvingar sin väg genom möjliga drag och resultat ...
... och om det inte kunde hitta ett optimalt val valde det slumpmässigt.
För varje rörelse uttryckte Deep Blue alla möjliga drag och Kasparovs svar. Det kunde modellera upp till tjugo framåt och utvärdera miljontals möjliga positioner per sekund. Den modelleringen krävde hårdvara som kunde kraftfull parallellbehandling.
Parallell bearbetning bryter ner uppgifterna i mindre beräkningsuppgifter och fullgör dessa uppgifter samtidigt. Den resulterande data sammanställs sedan tillsammans för resultatet.
Mellan de två matcherna fick Deep Blue en betydande hårdvaruuppgradering. Den vinnande hårdvaran var ett 30-nodssystem som kördes på IBMs Power PC-plattform. Varje nod hade sekundära processorer dedikerade till schackinstruktioner 10 Kreativa sätt att överbelasta din schackträning 10 kreativa sätt att överbelasta din schackträning Att bli bättre på schack är normalt om avsiktlig övning över många nedslående spel, så låt oss titta på några av de sätt du kan ta med kul och kreativitet i din schackträning. Läs mer .
Sammanlagt hade Deep Blue 256 processorer som arbetar parallellt.
Det finns efterkommande av denna maskinvara som arbetar i datacenter, men Deep Blue sanna arv är Watson, Jeopardy-mästaren. Så småningom sätter IBM Deep Blue i arbete med finansiell modellering, datautvinning och läkemedelsupptäckt, alla områden som behöver storskaliga simuleringar.
2. Polaris, pokermästaren
Universitetet i Alberta skapade Polaris, den första AI som vann pokerproffs i en turnering. Forskarna valde en Texas Hold 'Em-variant för deras AI, eftersom den lita minst på tur.
Polaris ställde sig mot poker spelare två gånger. Den första var 2007 mot två spelare. Händerna var förhandlade - Polaris hade en uppsättning kort när han vred mot en spelare och den omvända handen när han spelade den andra spelaren (för att kontrollera lyckan).
Polaris återkallades senare för en 2008-turnering mot sex spelare. Detta var också en förhandsatt uppsättning av spel. Polaris tog oavgjort i det första spelet och förlorade den andra, men vann så småningom turneringen, bakom sig och vann två raka spel.
Till skillnad från schack kan poker inte vara brutalt tvungen genom modellering eftersom AI har en begränsad bild av spelet - det har ingen aning om sina motståndares händer.
Kort erbjudanden är nästan oändligt unika, vilket gör modellering ännu mindre effektiv. Samma kort kan vara en bra eller värdelös hand, bara beroende på de andra korten som behandlas. Bluff presenterar ett annat problem för AI, eftersom vadslagning ensam inte är en bra indikator på handstyrka.
Polaris är en kombination av flera program, som kallas agenter. Var och en av dessa program hade sin egen strategi, och det fanns en annan agent som skulle välja vilken av dessa som var bäst för en given hand.
Strategierna som används för att bryta ner spelet av poker är varierade och kräver spelteori. Grundidén är att ta reda på vad varje spelares bästa strategi skulle vara baserat på all tillgänglig data, och Polaris uppnådde detta via en teknik som kallas bucketing.
Bockning används för att klassificera korthänder baserat på styrka. Det var tillåtet för Polaris att minska antalet datapunkter som behövdes för att hålla reda på spelet. Sedan använde man sannolikheten för att alla andra möjliga hinkar finns tillgängliga, vilket härledde dessa från de synliga korten.
Polaris hade en unik maskinvaruuppsättning: ett kluster av 8 datorer med var och en med 4 processorer och 8 GB RAM. Dessa maskiner körde de simuleringar som behövs för att skapa skopor och strategier för varje agent.
Sedan dess har Polaris utvecklats till ett annat program som heter Cepheus, och blir så avancerat att forskare nu har förklarat Texas Hold 'Em för att vara "svagt löst".
Spel är "löst" när algoritmer kan bestämma resultatet av ett spel från vilken position som helst. Ett spel är "svagt löst" när algoritmen inte kan redovisa ofullkomligt spel. Du kan prova lyckan mot Cepheus här.
3. Watson, Jeopardy Genius
AI-segrar fram till den här tiden i historien har varit nyckelfärdiga spel, varför Watsons seger är en milstolpe för vanliga folkspelare: Watson tog AIs slag direkt in i Amerikas vardagsrum.
Jeopardy är ett älskat spelprogram som är känt för sin utmanande trivia, och det har ett unikt utseende: ledtrådarna är svaren och deltagarna måste komma med frågorna. Ett sant test för Watson, som tog på sig kända Jeopardy-mästare Brad Rutter och Ken Jennings.
Rutter var all-time money champion och Ken Jennings hade den längsta vinnande sträckan. En tredje part valde ett slumpmässigt sortiment av frågor från äldre episoder för att säkerställa att frågor inte skrivits för att hjälpa eller utnyttja Watson.
Watson vann tre raka spel - en övning och två TV-apparater - men det fanns några udda ryck på några av Watsons svar. Till exempel, strax efter att Jennings svarat på en fråga fel, svarade Watson med samma felaktiga svar.
Men vad som gjorde Watson unikt var dess förmåga att använda naturligt språk. IBM kallade detta Deep QA, som stod för "fråga svara". Den viktigaste prestationen var att Watson kunde söka svar med sammanhang, inte bara sökordets relevans.
Programvaran är en kombination av distribuerade system. Hadoop och Apache UIMA arbetar tillsammans för att indexera data och låta Watsons olika noder fungera tillsammans.
Som Deep Blue byggdes Watson på IBMs Power PC-plattform. Watson var ett 90-kärnkluster med 16 TB RAM. För Jeopardy-spelen laddades alla relevanta data och lagrades i RAM.
Vilka relevanta uppgifter? Jo, Watson hade tillgång till Wikipedias fullständiga text. Det hade en rad ordböcker, thesauruses, encyclopedias och andra referensmaterial. Watson hade inte tillgång till Internet under spelet, men all lokal data var ca 4 TB.
Mer nyligen har Watson använts för att analysera och föreslå behandlingsalternativ för cancerpatienter. Watsons senaste satsning hjälper till att skapa personliga lärandeprogram för barn. Det finns även försök att träna Watson hur man lagar IBMs Watson skapade min Thanksgiving Meal - Här är vad som hänt IBMs Watson skapade min Thanksgiving Meal - Här är vad som hänt IBMs artificiella intelligens som kallas Watson kan göra massor av smarta saker, men kan det skapa en komplett och unik Thanksgiving måltid? Jag ger det ett försök. Se vad som händer! Läs mer !
4. Deepmind, den självlärda
Googles Deepmind kan äntligen ge nördar något att oroa sig för eftersom det slår människor på klassiska Atari-spel Internet Archive ger 900 klassiska arkadspel till din webbläsare. Här är 7 av de bästa internetarkiverna med 900 klassiska arkadspel till din webbläsare. Här är 7 av de bästa Din stads arkad kan ha stängt i mitten av 90-talet, men det borde inte stoppa dig från att få din klassiska spel fixa. Läs mer - ja, vissa spel åtminstone. Mänskligheten håller fortfarande kanten i spel som Asteroid och Gravitar.
Deepmind är ett neuralt nätverk AI. Neurala nätverk är AI: er som skapas för att efterlikna hur mänskligt sinne fungerar, vilket det gör genom att skapa virtuella "neuroner" som använder datorminne.
Deepmind kunde analysera varje bildpunkt på displayen, bestämma den bästa åtgärden för att ta givna villkor och svara sedan med kontrollerinsignalen.
AI lärde sig spel med en variant av Q-Learning som heter Deep Learning. Detta är en inlärningsmetod där AI behåller det bästa beslutet som fattas i viss situation och upprepar det då det möter samma situation.
Deepminds variant är dock unik, eftersom det lägger till externa minneskällor.
Detta system med bevarad information gjorde det möjligt för Deepmind att mäta mönstren hos vissa Atari-spel, och till och med körde den för att hitta den optimala strategin för Breakout alla på egen hand.
Varför utför Deepmind dåligt i vissa spel? På grund av hur det bedömde situationer. Det visar sig att Deepmind bara kunde analysera fyra bilder i taget, vilket begränsade sin förmåga att navigera i labyrinter eller reagera snabbt.
Deepmind måste också lära sig varje spel från början och kunde inte tillämpa färdigheter från ett spel till ett annat.
5. Alpha Go, The Incredible
AlphaGo är ett annat DeepMind-projekt och det är anmärkningsvärt eftersom det lyckades slå två professionella Go-mästare Googles AI-genombrott: Vad det betyder och hur det påverkar Googles AI-genombrott: Vad det betyder och hur det påverkar dig Läs mer - Fan Hui och Lee Sedol - genom att vinna sina matcher 5-0 respektive 4-1.
Enligt spelarna och matchkommentatorerna sa alla att AI spelade konservativt, vilket är otroligt eftersom det var programmerat för att gynna säkra rörelser som skulle säkerställa seger över riskabla rörelser som skulle garantera fler poäng.
Go var en gång ansedd att vara utom räckhåll för AI, men Alpha Go är nu den första AI som rankas professionellt i spelet.
Spelet har en enkel uppsättning: två spelare försöker erövra brädet med vita och svarta stenar. Styrelsen är ett 19 x 19 rutnät med 361 korsningar, och placeringen av stenar bestämmer varje spelares territorium. Målet är att sluta med mer territorium än det andra.
Antalet potentiella drag och spelstånd är massivt, minst sagt. Ja, mycket större än schack, om du undrade.
Alpha Go använder det tidigare nämnda Deep Learning AI-systemet, vilket innebär att Alpha Go håller minne om spelen som spelas och studerar dem som erfarenhet. Det söker sedan igenom dem och väljer det val som har störst antal positiva potentiella resultat.
Alpha Go behöver mycket datorstyrka för att kunna köra sin beräkningstunga algoritm. Den version som spelade matchningarna sprang på en distribuerad serie servrar med totalt 1 920 CPU och 280 GPU: er - en enorm mängd kraft som möjliggjorde 64 samtidiga sökord under spel.
Som Watson är DeepMind på väg till läkarskolan. Deepmind tillkännagav ett partnerskap med Storbritanniens NHS för att analysera hälsoposter. Projektet Streams hjälper till att identifiera patienter med risk för njurskador.
Konstgjord intelligens blir allvarlig
Det går mycket forskning på AI just nu.
Google hoppas att AI kan hjälpa sin sökaffär. Ett projekt som heter Rankbrain letar efter att använda AI för att förbättra effektiviteten av Page Rank. Microsoft och Facebook båda släppte chatbots. Tesla leder blödningskanten med sitt automatiska körläge, och Google ligger strax bakom sina självkörande bilar.
Det kan vara svårt att se sambandet mellan dessa projekt och utbildningen av en AI för att vinna spel, men varje av dessa AI har format maskininlärning på något sätt.
Som fältet har utvecklats har det gjort det möjligt för AI att arbeta med mer komplexa datamängder. Dessa nästan oändliga antal rörelser i Go kan översättas till det nästan oändliga antalet variabler på den öppna vägen. Så verkligen är dessa spel bara början - en övningsfas, om du vill.
De riktigt intressanta sakerna ligger precis runt hörnet, och det är mycket möjligt att vi kommer att kunna uppleva allt första hand.
Vad uppskattar dig om AI? Finns det ett spel som du tycker att AI inte kan slutligen erövra? Låt oss veta i kommentarerna.
Image Credit: David Pacey via Flickr, Debbie Miesel via IBM, CPRG via University of Alberta, Spela bland vänner Paf via Flickr, Seb via Flickr, Matt Brown via Flickr, Jiuguang Wang via Flickr