AlphaGo kontra Lee Sedol - AlphaGo versus Lee Sedol

AlphaGo kontra Lee Sedol
4-1

Seul , Korea Południowa , 9-15 marca 2016
Pierwsza gra	AlphaGo W+R
Druga gra	AlphaGo B+R
Trzecia gra	AlphaGo W+R
Czwarta gra	Lee Sedol W+R
Piąta gra	AlphaGo W+R

AlphaGo kontra Lee Sedol , znany również jako Google DeepMind Challenge Match , był pięciomeczowym meczem Go pomiędzy 18-krotnym mistrzem świata Lee Sedolem i AlphaGo , komputerowym programem Go opracowanym przez Google DeepMind , rozgrywanym w Seulu w Korei Południowej między 9 a 15 marca 2016 r. AlphaGo wygrało wszystko poza czwartą grą; wszystkie mecze zostały wygrane przez rezygnację. Mecz został porównany z historycznym meczem szachowym pomiędzy Deep Blue i Garrym Kasparowem w 1997 roku.

Zwycięzca meczu miał wygrać 1 milion dolarów. Odkąd AlphaGo wygrało, Google DeepMind oświadczył, że nagroda zostanie przekazana organizacjom charytatywnym, w tym organizacjom UNICEF i Go. Lee otrzymał 170 000 $ (150.000 $ za udział w pięciu grach i dodatkowe 20 000 $ za wygranie jednej gry).

Po meczu Korea Baduk Association przyznała AlphaGo najwyższą rangę arcymistrza Go – „honorowy 9 dan ”. Został on wydany w uznaniu „szczerych wysiłków” AlphaGo w opanowaniu Go. Ten mecz został wybrany przez Science jako jeden z wicemistrzów w kategorii Przełom Roku 22 grudnia 2016 r.

Tło

Trudne wyzwanie w sztucznej inteligencji

Wideo zewnętrzne
Maszyna szkoli się, by pokonać ludzi w najtrudniejszej grze na świecie, Retro Report , 2:51, Retro Report

Go to złożona gra planszowa, która wymaga intuicji, kreatywnego i strategicznego myślenia. Od dawna uważana jest za trudne wyzwanie w dziedzinie sztucznej inteligencji (AI) i jest znacznie trudniejsza do rozwiązania niż szachy . Wiele osób zajmujących się sztuczną inteligencją uważa, że ​​Go wymaga więcej elementów naśladujących ludzką myśl niż szachy . Matematyk IJ Good napisał w 1965 roku:

Wchodzisz na komputer? – Aby zaprogramować komputer, aby grał w sensowną grę w Go, a nie tylko grę legalną – konieczne jest sformalizowanie zasad dobrej strategii lub zaprojektowanie programu uczenia się. Zasady są bardziej jakościowe i tajemnicze niż w szachach i zależą bardziej od osądu. Myślę więc, że zaprogramowanie komputera do rozsądnej gry w Go będzie jeszcze trudniejsze niż w szachy.

Przed 2015 r. najlepsze programy Go zdołały osiągnąć jedynie amatorski poziom dan . Na małej planszy 9×9 komputer radził sobie lepiej, a niektórym programom udało się wygrać ułamek swoich gier 9×9 przeciwko profesjonalnym graczom. Przed AlphaGo niektórzy badacze twierdzili, że komputery nigdy nie pokonają najlepszych ludzi w Go. Elon Musk , jeden z pierwszych inwestorów Deepmind, powiedział w 2016 roku, że eksperci w tej dziedzinie uważają, że sztuczna inteligencja jest 10 lat od zwycięstwa nad najlepszym profesjonalnym graczem Go.

Mecz AlphaGo kontra Lee Sedol jest porównywalny do meczu szachowego z 1997 roku, kiedy Gary Kasparov przegrał z komputerem IBM Deep Blue . Przegrana Kasparowa z Deep Blue jest uważana za moment, w którym komputer stał się lepszy od ludzi w szachach.

AlphaGo znacząco różni się od poprzednich wysiłków AI. Zamiast używać algorytmów probabilistycznych zakodowanych na stałe przez programistów, AlphaGo używa sieci neuronowych do oszacowania prawdopodobieństwa wygranej. AlphaGo uzyskuje dostęp i analizuje całą internetową bibliotekę Go; w tym wszystkie mecze, graczy, analizy i literaturę; a także gry rozgrywane przez AlphaGo przeciwko sobie i innym graczom. Po skonfigurowaniu AlphaGo jest niezależny od zespołu programistów i ocenia najlepszą ścieżkę do rozwiązania Go (tj. wygrania gry). Korzystając z sieci neuronowych i przeszukiwania drzewa metodą Monte Carlo , AlphaGo oblicza kolosalne liczby prawdopodobnych i mało prawdopodobnych prawdopodobieństw wielu ruchów w przyszłość.

Wyniki powiązanych badań są stosowane w dziedzinach takich jak kognitywistyka , rozpoznawanie wzorców i uczenie maszynowe .

Mecz przeciwko Fan Hui

AlphaGo pokonało mistrza Europy Fan Hui , profesjonalistę 2 dan, 5-0 w październiku 2015 roku, po raz pierwszy, gdy sztuczna inteligencja pokonała profesjonalnego gracza w grze na pełnowymiarowej planszy bez utrudnień. Niektórzy komentatorzy podkreślali przepaść między Fanem a Lee, który zajmuje 9 dan profesjonalnego rankingu. Programy komputerowe Zen i Crazy Stone pokonywały wcześniej graczy z rangi 9 dan zawodowych z handicapami wynoszącymi cztery lub pięć kamieni. Kanadyjski specjalista ds. sztucznej inteligencji Jonathan Schaeffer , komentując zwycięstwo z Fanem, porównał AlphaGo z „cudownym dzieckiem”, któremu brakowało doświadczenia, i uznał, że „prawdziwym osiągnięciem będzie granie w programie gracza na najwyższym poziomie”. Następnie uwierzył, że Lee wygra mecz w marcu 2016 roku. Hajin Lee , zawodowy gracz Go i sekretarz generalny Międzynarodowej Federacji Go , skomentował, że była „bardzo podekscytowana” perspektywą, że AI rzuci wyzwanie Lee i pomyślał obaj gracze mieli równe szanse na wygraną.

Po meczu z AlphaGo Fan Hui zauważył, że gra nauczyła go być lepszym graczem i widzieć rzeczy, których wcześniej nie widział. Do marca 2016 r. Wired poinformował, że jego ranking wzrósł z 633 na świecie do około 300.

Przygotowanie

Eksperci Go znaleźli błędy w grze AlphaGo przeciwko Fanowi, w szczególności związane z brakiem świadomości całej tablicy. Przed meczem z Lee nie było wiadomo, jak bardzo program poprawił grę od czasu październikowego meczu. Oryginalny zestaw danych treningowych AlphaGo rozpoczął się od gier silnych amatorskich graczy z serwerów internetowych Go, po czym AlphaGo trenowało, grając przeciwko sobie przez dziesiątki milionów gier.

Gracze

AlphaGo

AlphaGo to program komputerowy opracowany przez Google DeepMind do gry w grę planszową Go . Algorytm AlphaGo wykorzystuje kombinację uczenia maszynowego i technik wyszukiwania drzewa , w połączeniu z obszernym szkoleniem, zarówno z udziałem ludzi, jak i gier komputerowych. Sieci neuronowe systemu zostały początkowo zainicjalizowane na podstawie wiedzy z zakresu ludzkiej gry. AlphaGo została początkowo przeszkolona do naśladowania ludzkiej gry, próbując dopasować ruchy doświadczonych graczy z zarejestrowanych historycznych gier, przy użyciu bazy danych KGS Go Server zawierającej około 30 milionów ruchów ze 160 000 gier przez ludzkich graczy KGS od 6 do 9 dan. Po osiągnięciu pewnego stopnia zaawansowania był dalej szkolony, grając dużą liczbę gier przeciwko innym instancjom, wykorzystując uczenie się ze wzmocnieniem, aby poprawić swoją grę. System nie wykorzystuje do gry „bazy danych” ruchów. Jak wyjaśnił jeden z twórców AlphaGo:

Chociaż zaprogramowaliśmy tę maszynę do gry, nie mamy pojęcia, jakie ruchy wymyśli. Jej ruchy są zjawiskiem wyłaniającym się z treningu. Po prostu tworzymy zbiory danych i algorytmy uczące. Ale ruchy, które wtedy wymyśli, są poza naszymi rękami – i są znacznie lepsze niż my, gracze Go, moglibyśmy wymyślić.

W meczu z Lee AlphaGo używało mniej więcej tej samej mocy obliczeniowej, co w meczu z Fan Hui, gdzie używało 1202 procesorów i 176 procesorów graficznych . The Economist poinformował, że używał 1920 procesorów i 280 procesorów graficznych. Google stwierdził również, że w meczu z Lee Sedolem wykorzystano jego własne procesory tensorowe .

Lee Sedol

Lee Sedol jest profesjonalnym graczem Go o stopniu 9 dan i jest jednym z najsilniejszych graczy w historii Go . Karierę zawodową rozpoczął w 1996 roku (awansował do stopnia zawodowego dan w wieku 12 lat), zdobywając od tego czasu 18 mistrzostw świata. Jest „bohaterem narodowym” w rodzimej Korei Południowej, znanym z niekonwencjonalnej i kreatywnej gry. Lee Sedol początkowo przewidywał, że pokona AlphaGo w „osuwisku”. Kilka tygodni przed meczem zdobył koreański tytuł Myungin , główne mistrzostwo.

Gry

Mecz składał się z pięciu gier, w którym główną nagrodą był milion dolarów, z zastosowaniem chińskich zasad i 7,5-punktowym komi . W każdej grze był ustalony dwugodzinny limit czasu dla każdego gracza, po którym następowały trzy 60-sekundowe dogrywki byo-yomi . Każda gra rozpoczęła się o 13:00 KST (04:00 GMT ).

Mecz odbył się w hotelu Four Seasons w Seulu w Korei Południowej w marcu 2016 r. i był transmitowany na żywo z komentarzem Michaela Redmonda (9-dan zawodowiec) i Chrisa Garlocka. Aja Huang , członek zespołu DeepMind i amatorski gracz 6-dan Go, umieścił kamienie na tablicy Go dla AlphaGo, która działała przez Google Cloud Platform z serwerem znajdującym się w Stanach Zjednoczonych.

Streszczenie

Gra	Data	Czarny	biały	Wynik	Ruchy
1	9 marca 2016	Lee Sedol	AlphaGo	Lee Sedol zrezygnował	186 Gra 1
2	10 marca 2016	AlphaGo	Lee Sedol	Lee Sedol zrezygnował	211 Gra 2
3	12 marca 2016	Lee Sedol	AlphaGo	Lee Sedol zrezygnował	176 Gra 3
4	13 marca 2016	AlphaGo	Lee Sedol	AlphaGo zrezygnował	180 Gra 4
5	15 marca 2016	Lee Sedol	AlphaGo	Lee Sedol zrezygnował	280 Gra 5
Wynik: AlphaGo 4 – 1 Lee Sedol
^ uwaga 1: W przypadku gry piątej, zgodnie z oficjalnymi zasadami, przyporządkowanie kolorów miałoby odbywać się losowo. Jednak podczas konferencji prasowej po czwartym meczu Lee zażądał „… skoro wygrałem z białymi, naprawdę mam nadzieję, że w piątym meczu mógłbym wygrać z czarnymi, ponieważ wygrana z czarnymi jest o wiele bardziej wartościowa”. Hassabis zgodził się pozwolić Sedolowi bawić się czarnymi.

Gra 1

AlphaGo (biały) wygrał pierwszy mecz. Lee wydawał się mieć kontrolę przez większą część meczu, ale AlphaGo zyskał przewagę w ostatnich 20 minutach i Lee zrezygnował. Lee stwierdził później, że popełnił krytyczny błąd na początku meczu; powiedział, że strategia komputerowa na początku gry była „doskonała” i że sztuczna inteligencja wykonała jeden niezwykły ruch, którego nie wykonałby żaden ludzki gracz w Go. David Ormerod, komentując grę w Go Game Guru, opisał siódmy kamień Lee jako „dziwny ruch, aby przetestować siłę AlphaGo w debiucie”, określając ruch jako błąd, a reakcję AlphaGo jako „dokładną i skuteczną”. Opisał pozycję AlphaGo jako korzystną w pierwszej części gry, biorąc pod uwagę, że Lee zaczął wracać ruchem 81, zanim wykonał „wątpliwe” ruchy w 119 i 123, a następnie „przegrywający” ruch w 129. Profesjonalny gracz Go Cho Hanseung skomentował, że gra AlphaGo znacznie się poprawiła od czasu, gdy pokonała Fan Hui w październiku 2015 roku. Michael Redmond opisał grę komputerową jako bardziej agresywną niż przeciwko Fanowi.

Według arcymistrza 9-dan Go, Kim Seong-ryonga, Lee wydawał się oszołomiony silną grą AlphaGo na 102. kamieniu. Po obejrzeniu, jak AlphaGo wykonuje 102 ruch w grze, Lee rozważał swoje opcje przez ponad 10 minut.

Pierwsze 99 ruchów

Ruchy 100-186

Gra 2

AlphaGo (czarny) wygrał drugą partię. Lee stwierdził później, że „AlphaGo rozegrała prawie idealną grę”, „od samego początku gry nie czułem, że jest punkt, w którym prowadzę”. Jeden z twórców AlphaGo, Demis Hassabis, powiedział, że system był pewny zwycięstwa od połowy gry, mimo że profesjonalni komentatorzy nie byli w stanie powiedzieć, który gracz ma przewagę.

Michael Redmond ( 9p ) zauważył, że dziewiętnasty kamień AlphaGo (ruch 37) był „kreatywny” i „unikalny”. Lee zajęło niezwykle dużo czasu, zanim zareagował na ruch. Younggil (8p) nazwał ruch 37 AlphaGo „rzadkim i intrygującym ciosem w ramię”, ale powiedział, że kontra Lee był „doskonały”. Stwierdził, że kontrola przechodziła między graczami kilka razy przed zakończeniem gry, a szczególnie pochwalił ruchy AlphaGo 151, 157 i 159, nazywając je „genialnymi”.

AlphaGo pokazał anomalie i ruchy z szerszej perspektywy, które profesjonalni gracze Go opisali jako wyglądające na błędy na pierwszy rzut oka, ale z perspektywy czasu to celowa strategia. Jak wyjaśnił jeden z twórców systemu, AlphaGo nie próbuje maksymalizować swoich punktów ani marginesu zwycięstwa, ale stara się zmaksymalizować prawdopodobieństwo wygranej. Jeśli AlphaGo musi wybierać między scenariuszem, w którym wygra o 20 punktów z 80-procentowym prawdopodobieństwem, a innym, w którym wygra o 1,5 punktu z prawdopodobieństwem 99-procentowym, wybierze ten drugi, nawet jeśli musi zrezygnować z punktów, aby osiągnąć to. W szczególności ruch 167 AlphaGo wydawał się dawać Lee szansę na walkę i został uznany przez komentatorów za oczywisty błąd. Pewien Younggil stwierdził: „Więc, kiedy AlphaGo wykonuje ruch, który wygląda na luźno, możemy uznać to za błąd, ale może bardziej dokładnie należy to postrzegać jako deklarację zwycięstwa?”

Pierwsze 99 ruchów

Ruchy 100-199

Ruchy 200–211

Gra 3

AlphaGo (biały) wygrał trzeci mecz.

Po drugiej grze nadal istniały silne wątpliwości wśród graczy, czy AlphaGo jest naprawdę silnym graczem w takim sensie, w jakim może nim być człowiek. Trzecia gra została opisana jako usuwająca tę wątpliwość; z analitykami komentującymi, że:

AlphaGo wygrała na tyle przekonująco, że usunęła wszelkie wątpliwości co do jego siły z umysłów doświadczonych graczy. W rzeczywistości grało to tak dobrze, że było wręcz przerażające… Zmuszając AlphaGo do wytrzymania bardzo dotkliwego, jednostronnego ataku, Lee ujawnił swoją dotychczas niewykrywaną moc… Lee nie czerpał wystarczających korzyści ze swojego ataku… Jeden z największych wirtuozów gry środkowej został właśnie przyćmiony w czerni i bieli.

Według An Younggil (8p) i Davida Ormeroda, gra pokazała, że ​​„AlphaGo jest po prostu silniejszy niż jakikolwiek znany ludzki gracz w Go”. AlphaGo potrafił radzić sobie w trudnych sytuacjach znanych jako ko, które nie pojawiły się w poprzednich dwóch meczach. An i Ormerod uważają ruch 148 za szczególnie godny uwagi: w środku złożonej walki ko , AlphaGo wykazał wystarczającą „pewność”, że wygrywa walkę, aby zagrać duży ruch gdzie indziej.

Lee, grając czarnymi, otworzył formacją High Chinese i wygenerował duży obszar wpływów czarnych, które AlphaGo zaatakowało w ruchu 12. Wymagało to od programu obrony słabej grupy, co udało się. An Younggil opisał ruch Lee 31 jako prawdopodobnie „przegrywający ruch”, a Andy Jackson z American Go Association uznał, że wynik został już przesądzony ruchem 35. AlphaGo przejął kontrolę nad grą w ruchu 48 i zmusił Lee do defensywy . Lee kontratakował w ruchach 77/79, ale reakcja AlphaGo była skuteczna, a ruch 90 uprościł pozycję. Zyskał wtedy duży obszar kontroli na dole planszy, wzmacniając swoją pozycję ruchami ze 102 na 112, opisanymi przez An jako „wyrafinowany”. Lee zaatakował ponownie w ruchach 115 i 125, ale odpowiedzi AlphaGo znów były skuteczne. Lee w końcu spróbował złożonego ko z ruchu 131, nie wymuszając błędu w programie i zrezygnował w ruchu 176.

Pierwsze 99 ruchów

Ruchy 100-176 (122 o 113, 154 o , 163 o 145, 164 o 151, 166 i 171 o 160, 169 o 145, 175 o )

Gra 4

Lee (biały) wygrał czwartą grę. Lee wybrał rodzaj strategii ekstremalnej, znanej jako amashi , w odpowiedzi na widoczną preferencję AlphaGo do Souba Go (próba wygrania wieloma małymi zyskami, gdy nadarzy się okazja), przejmując terytorium raczej na obwodzie niż w centrum. W ten sposób jego oczywistym celem było wymuszenie stylu sytuacji „wszystko albo nic” – potencjalna słabość przeciwnika silnego w negocjacjach, która może sprawić, że zdolność AlphaGo do decydowania o szczupłych przewagach będzie w dużej mierze nieistotna.

Pierwsze 11 ruchów było identycznych jak w drugiej partii, w której Lee również grał białymi. We wczesnej fazie gry Lee koncentrował się na zajmowaniu terytorium na krawędziach i rogach planszy, pozwalając AlphaGo na zdobycie wpływów na górze i na środku. Lee następnie zaatakował region wpływów AlphaGo na szczycie z ruchami od 40 do 48, zgodnie ze strategią amashi . AlphaGo odpowiedział uderzeniem w ramię w ruchu 47, poświęcając następnie cztery kamienie w innym miejscu i zyskując inicjatywę ruchami od 47 do 53 i 69. Lee przetestował AlphaGo z ruchami 72 do 76 bez prowokowania błędu i w tym momencie gry komentatorzy mieli zaczął czuć, że gra Lee była przegraną sprawą. Jednak nieoczekiwana gra na białych 78, opisywana jako „genialny tesuji ”, odwróciła grę. Ruch rozwinął biały klin w środku i zwiększył złożoność gry. Gu Li (9p) opisał to jako „ boski ruch ” i stwierdził, że ruch był przez niego całkowicie nieprzewidziany.

AlphaGo słabo zareagowało na 79 ruch, kiedy to oszacowano, że ma 70% szans na wygranie gry. Lee kontynuował mocny ruch białych 82. Początkowa reakcja AlphaGo w ruchach 83 do 85 była odpowiednia, ale w ruchu 87 jego oszacowanie szans na wygraną nagle gwałtownie spadło, prowokując go do wykonania serii bardzo złych ruchów czarnych 87 do 101. David Ormerod scharakteryzował ruchy 87 do 101 jako typowe dla błędów programu Monte Carlo. Lee objął prowadzenie białymi 92, a An Younggil opisał czarne 105 jako ostatni ruch przegrywający. Pomimo dobrej taktyki w ruchach 131 do 141, AlphaGo okazał się niezdolny do odzyskania sił podczas gry końcowej i zrezygnował. Rezygnacja AlphaGo została wywołana, gdy oceniła swoją szansę na wygraną na mniej niż 20%; ma to na celu dopasowanie do decyzji zawodowców, którzy rezygnują, a nie grają do końca, gdy ich pozycja jest uważana za nie do odzyskania.

Younggil at Go Game Guru stwierdził, że gra była „arcydziełem dla Lee Sedola i prawie na pewno stanie się sławną grą w historii Go”. Lee skomentował po meczu, że uważa, że ​​AlphaGo jest najsilniejszy, grając białymi (drugi). Z tego powodu poprosił o zagranie czarnymi w piątej partii, która jest uważana za bardziej ryzykowną.

David Ormerod z Go Game Guru stwierdził, że chociaż analiza gry AlphaGo w okolicach 79-87 nie była jeszcze dostępna, uważał, że jest to wynikiem znanej słabości algorytmów gry, które wykorzystują przeszukiwanie drzewa Monte Carlo . Zasadniczo wyszukiwanie próbuje przyciąć sekwencje, które są mniej istotne. W niektórych przypadkach luz może prowadzić do bardzo specyficznej linii gry, która jest istotna, ale która jest pomijana podczas przycinania drzewa, a zatem wynik ten jest „poza radarem poszukiwań”.

Pierwsze 99 ruchów

Ruchy 100-180 (177 w , 178 w )

Gra 5

AlphaGo (biały) wygrał piąty mecz. Gra została opisana jako bliska. Hassabis stwierdził, że wynik przyszedł po tym, jak program popełnił „zły błąd” na początku gry.

Lee, grając czarnymi, otworzył w podobny sposób jak w pierwszej grze, a następnie zaczął wyznaczać terytorium w prawym i lewym górnym rogu – podobną strategię do tej, którą zastosował z powodzeniem w grze 4 – podczas gdy AlphaGo zyskał wpływy w centrum tablica. Gra trwała nawet do momentu, w którym białe ruchy 48 do 58, które AlphaGo zagrało w prawym dolnym rogu. Te ruchy niepotrzebnie straciły groźby ko i aji, pozwalając Lee objąć prowadzenie. Michael Redmond (9p) spekulował, że być może AlphaGo przeoczył „ściskanie nagrobka” czarnego tesuji . Ludzi uczy się rozpoznawać określony wzorzec, ale jest to długa sekwencja ruchów, jeśli ma być obliczana od zera.

Następnie AlphaGo zaczął rozwijać górę planszy, a także środek i skutecznie bronił się przed atakiem Lee w ruchach 69 do 81, które David Ormerod określił jako nadmiernie ostrożny. Do białego 90 AlphaGo odzyskał równość, a następnie wykonał serię ruchów, które Ormerod określił jako „niezwykłe... ale subtelnie imponujące”, co zyskało niewielką przewagę. Lee spróbował podania Zdrowaś Maryjo z ruchami 167 i 169, ale obrona AlphaGo była skuteczna. Younggil zauważył, że białe ruchy 154, 186 i 194 są szczególnie mocne, a program rozegrał nienaganną końcówkę, utrzymując prowadzenie do czasu rezygnacji Lee.

Pierwsze 99 ruchów

Ruchy 100-199 (118 w 107, 161 w )

Przenosi 200-280 (240 w 200, 271 w , 275 w , 276 w )

Zasięg

Transmisja na żywo z meczów i towarzyszący im komentarz były transmitowane w języku koreańskim, chińskim, japońskim i angielskim. Relacja w języku koreańskim została udostępniona przez Baduk TV. Relację w języku chińskim z meczu 1 z komentarzem graczy 9-dan Gu Li i Ke Jie zapewniły odpowiednio Tencent i LeTV , docierając do około 60 milionów widzów. Relacja online w języku angielskim, prezentowana przez 9-dan z USA Michaela Redmonda i Chrisa Garlocka, wiceprezesa American Go Association , dotarła do średnio 80 tys.

Odpowiedzi

Społeczność AI

Zwycięstwo AlphaGo było kamieniem milowym w badaniach nad sztuczną inteligencją. Go wcześniej uważano za trudny problem w uczeniu maszynowym, który miał być poza zasięgiem ówczesnej technologii. Większość ekspertów uważała, że ​​program Go tak potężny jak AlphaGo będzie oddalony o co najmniej pięć lat; niektórzy eksperci sądzili, że minie co najmniej dekada, zanim komputery pokonają mistrzów Go. Większość obserwatorów na początku meczów 2016 spodziewała się, że Lee pokona AlphaGo.

W grach takich jak warcaby, szachy, a teraz Go wygrywają gracze komputerowi, zwycięstwa w popularnych grach planszowych nie mogą już być ważnymi kamieniami milowymi dla sztucznej inteligencji, tak jak kiedyś. Deep Blue „s Murray Campbell nazywa zwycięstwo AlphaGo za«koniec pewnej ery ... gry planszowe są bardziej lub mniej zrobione i nadszedł czas, aby przejść dalej.»

W porównaniu z Deep Blue lub Watson , podstawowe algorytmy AlphaGo są potencjalnie bardziej ogólne i mogą być dowodem na to, że społeczność naukowa czyni postępy w kierunku sztucznej inteligencji ogólnej . Niektórzy komentatorzy uważają, że zwycięstwo AlphaGo jest dobrą okazją dla społeczeństwa do rozpoczęcia dyskusji o przygotowaniach do ewentualnego przyszłego wpływu maszyn z inteligencją ogólnego przeznaczenia . W marcu 2016 r. badacz sztucznej inteligencji Stuart Russell stwierdził, że „metody sztucznej inteligencji rozwijają się znacznie szybciej niż oczekiwano, (co) sprawia, że ​​kwestia długoterminowego wyniku jest pilniejsza”, dodając, że „aby zapewnić, że coraz mocniejsze systemy sztucznej inteligencji pozostaną całkowicie pod ludzką kontrolą... jest dużo pracy do wykonania." Niektórzy uczeni, tacy jak fizyk Stephen Hawking , ostrzegają, że niektóre przyszłe samodoskonalenia AI mogą uzyskać rzeczywistą ogólną inteligencję, prowadząc do nieoczekiwanego przejęcia AI ; inni badacze nie zgadzają się z tym: ekspert ds. AI Jean-Gabriel Ganascia uważa, że ​​„Rzeczy takie jak „zdrowy rozsądek”… mogą nigdy nie być powtarzalne” i mówi: „Nie rozumiem, dlaczego mielibyśmy mówić o lękach. Wręcz przeciwnie, budzi to nadzieje w wielu dziedzinach, takich jak zdrowie i eksploracja kosmosu”. Richard Sutton powiedział: „Nie uważam, że ludzie powinni się bać… ale uważam, że ludzie powinni zwracać na to uwagę”.

Zespół DeepMind AlphaGo otrzymał inauguracyjny medal IJCAI Marvin Minsky za wybitne osiągnięcia w dziedzinie sztucznej inteligencji. „AlphaGo jest wspaniałym osiągnięciem i doskonałym przykładem tego, co zainicjowano w uznaniu Medalu Minsky'ego”, powiedział profesor Michael Wooldridge , przewodniczący Komitetu Nagród IJCAI. „Szczególne wrażenie na IJCAI zrobiło to, że AlphaGo osiąga to, co robi dzięki doskonałemu połączeniu klasycznych technik sztucznej inteligencji z najnowocześniejszymi technikami uczenia maszynowego, z którymi DeepMind jest tak blisko związany. To zapierająca dech w piersiach demonstracja współczesnej sztucznej inteligencji, i cieszymy się, że możemy to wyróżnić tą nagrodą”.

Idź do społeczności

Go to popularna gra w Korei Południowej, Chinach i Japonii, a ten mecz oglądały i analizowały miliony ludzi na całym świecie. Wielu czołowych graczy Go określiło niekonwencjonalne zagrania AlphaGo jako pozornie wątpliwe ruchy, które początkowo wprawiały w zakłopotanie widzów, ale z perspektywy czasu miały sens: „Wszyscy oprócz najlepszych graczy Go tworzą swój styl, naśladując najlepszych graczy. AlphaGo wydaje się mieć całkowicie oryginalne ruchy, które sam tworzy ”. Wygląda na to, że AlphaGo niespodziewanie stała się znacznie silniejsza, nawet w porównaniu z meczem z Fan Hui w październiku 2015 r., w którym komputer po raz pierwszy w historii pokonał profesjonalistę Go bez przewagi handicapu.

Gracz numer jeden w Chinach, Ke Jie , który był wówczas najlepszym graczem na świecie, początkowo twierdził, że byłby w stanie pokonać AlphaGo, ale odmówił gry przeciwko niemu z obawy, że „skopiuje mój styl”. W miarę postępu meczów Ke Jie chodził tam iz powrotem, stwierdzając, że „jest bardzo prawdopodobne, że (mogłem) przegrać” po przeanalizowaniu pierwszych trzech meczów, ale odzyskał pewność siebie po czwartym meczu.

Toby Manning, sędzia meczu AlphaGo z Fan Hui, i Hajin Lee, sekretarz generalny Międzynarodowej Federacji Go , obaj twierdzą, że w przyszłości gracze Go otrzymają pomoc od komputerów, aby dowiedzieć się, co zrobili źle w grach i poprawić swoje umiejętności.

Lee przeprosił za swoje porażki, stwierdzając po trzecim meczu, że „błędnie oceniłem możliwości AlphaGo i poczułem się bezsilny”. Podkreślił, że porażka była „porażką Lee Se-dola”, a „nie porażką ludzkości”. Lee powiedział, że jego ostateczna przegrana z maszyną była „nieunikniona”, ale stwierdził, że „roboty nigdy nie zrozumieją piękna gry w taki sam sposób, jak my, ludzie”. Lee nazwał swoją grę cztery zwycięstwo „bezcenną wygraną, której (nie zamieniłbym) na nic”.

Rząd

W odpowiedzi na mecz rząd Korei Południowej ogłosił 17 marca 2016 r., że zainwestuje 863 miliony dolarów (1 bilion wonów) w badania nad sztuczną inteligencją (AI) w ciągu najbliższych pięciu lat.

Film dokumentalny

Film dokumentalny o meczach AlphaGo powstał w 2017 roku. 13 marca 2020 roku film został nakręcony bezpłatnie online na kanale DeepMind na YouTube.

Zobacz też

• AlphaGo kontra Ke Jie

Bibliografia

Zewnętrzne linki

Oficjalny komentarz meczowy

Oficjalny komentarz do meczu autorstwa Michaela Redmonda (9-dan pro) i Chrisa Garlocka na kanale YouTube Google DeepMind:

• Gra 1 ( 15 minut podsumowania )
• Gra 2 ( 15 minut podsumowania )
• Gra 3 ( 15 minut podsumowania )
• Gra 4 ( 15 minut podsumowania )
• Gra 5 ( 15 minut podsumowania )

Pliki SGF

• Gra 1 (Idź Game Guru)
• Gra 2 (Idź Game Guru)
• Gra 3 (Idź Game Guru)
• Gra 4 (Idź Game Guru)
• Gra 5 (Idź Game Guru)

Współrzędne : 37.5706°N 126.9754°E 37°34′14″N 126°58′31″E /  / 37.5706; 126,9754