AlphaGo Zero mostra che le macchine possono diventare sovrumane senza alcun aiuto

www.alphamovie.com

AlphaGo non è stato il miglior giocatore di Go del pianeta per molto tempo. È emersa una nuova versione del magistrale programma di intelligenza artificiale, ed è un mostro. In un testa a testa, AlphaGo Zero ha sconfitto il programma originale di 100 partite a zero.

La cosa davvero interessante è come l'ha fatto AlphaGo Zero. Considerando che l'originale AlphaGo ha imparato ingerendo dati da centinaia di migliaia di giochi giocati da esperti umani, AlphaGo Zero, sviluppato anche dalla sussidiaria di Alphabet Mente Profonda , iniziato con nient'altro che un tabellone bianco e le regole del gioco. Ha imparato semplicemente giocando milioni di partite contro se stesso, usando ciò che ha imparato in ogni partita per migliorare.

Il nuovo programma rappresenta un passo avanti nella ricerca per costruire macchine veramente intelligenti. Questo perché le macchine dovranno trovare soluzioni a problemi difficili anche quando non c'è una grande quantità di dati di allenamento da cui imparare.

Storia correlata

Storia correlata

La cosa più sorprendente è che non abbiamo più bisogno di dati umani, afferma Demis Hassabis, CEO e cofondatore di DeepMind. Hassabis afferma che le tecniche utilizzate per costruire AlphaGo Zero sono abbastanza potenti da essere applicate in situazioni del mondo reale in cui è necessario esplorare un vasto panorama di possibilità, tra cui la scoperta di farmaci e la scienza dei materiali. La ricerca alla base di AlphaGo Zero è stata pubblicata oggi sulla rivista Natura.

Sorprendentemente, durante questo processo di autoapprendimento AlphaGo Zero ha scoperto molti dei trucchi e delle tecniche che i giocatori umani di Go hanno sviluppato negli ultimi migliaia di anni. Pochi giorni dopo, riscopre le migliori giocate conosciute e negli ultimi giorni va oltre quelle giocate per trovare qualcosa di ancora migliore, dice Hassabis. È abbastanza bello da vedere.

DeepMind, con sede a Londra, è stata acquisita da Google nel 2014. L'azienda si concentra sul fare grandi passi avanti nell'IA utilizzando il gioco, la simulazione e l'apprendimento automatico; ha assunto centinaia di ricercatori di intelligenza artificiale per perseguire questo obiettivo. Lo sviluppo di AlphaGo Zero ha coinvolto circa 15 persone e probabilmente milioni di dollari di risorse informatiche, afferma Hassabis.

Sia AlphaGo che AlphaGo Zero utilizzano un approccio di apprendimento automatico noto come apprendimento per rinforzo (vedi 10 Breakthrough Technologies 2017: Reinforcement Learning ) e reti neurali profonde. L'apprendimento per rinforzo si ispira al modo in cui gli animali sembrano apprendere attraverso la sperimentazione e il feedback, e DeepMind ha utilizzato la tecnica per ottenere prestazioni sovrumane nei giochi Atari più semplici.

Il numero di possibili configurazioni sulla scheda Go è maggiore del numero di atomi nell'universo. www.alphamovie.com

Padroneggiare il gioco da tavolo Go è stato particolarmente significativo, tuttavia, perché il gioco è così complesso e perché i migliori giocatori fanno le loro mosse in modo così istintivo. Le regole del buon gioco, in altre parole, non possono essere facilmente spiegate o scritte in codice.

L'apprendimento per rinforzo mostra anche risultati promettenti per l'automazione della programmazione delle macchine in molti altri contesti, compresi quelli in cui sarebbe poco pratico programmarli manualmente. È già in fase di test come metodo per insegnare ai robot ad afferrare oggetti scomodi, ad esempio, e come mezzo per risparmiare energia nei data center riconfigurando l'hardware al volo. In molte situazioni del mondo reale, tuttavia, potrebbe non esserci un gran numero di esempi da cui imparare, il che significa che le macchine dovranno imparare da sole. Questo è ciò che rende AlphaGo Zero interessante.

Non utilizzando dati umani o competenze umane, abbiamo effettivamente rimosso i vincoli della conoscenza umana, afferma David Argento , ricercatore capo presso DeepMind e professore presso l'University College London. È in grado di creare conoscenza per se stesso dai primi principi.

Per ottenere la supremazia su Go, AlphaGo Zero ha semplicemente giocato contro se stesso, inizialmente in modo casuale. Come l'originale, utilizzava una rete neurale profonda e un potente algoritmo di ricerca per scegliere la mossa successiva. Ma in AlphaGo Zero, una singola rete neurale si occupava di entrambe le funzioni.

Martin Müller , un professore dell'Università dell'Alberta in Canada che ha svolto un importante lavoro sul software di gioco Go, è colpito dal design di AlphaGo Zero e afferma che fa avanzare l'apprendimento per rinforzo. L'architettura è più semplice, ma più potente, rispetto alle versioni precedenti, dice.

DeepMind è già il beniamino del settore dell'intelligenza artificiale e il suo ultimo risultato catturerà sicuramente i titoli dei giornali e accenderà il dibattito sui progressi verso forme di intelligenza artificiale molto più potenti.

Ci sono ragioni per prendere l'annuncio con cautela, però. Pietro domeniche , professore all'Università di Washington, sottolinea che il programma deve ancora giocare a molti milioni di giochi per padroneggiare Go, molti più di un giocatore umano esperto. Ciò suggerisce che l'intelligenza impiegata dal programma è in qualche modo fondamentalmente diversa.

È una bella illustrazione dei recenti progressi nell'apprendimento profondo e nell'apprendimento per rinforzo, ma non ci leggerei troppo come segno di ciò che i computer possono imparare senza la conoscenza umana, dice Domingos. Ciò che sarebbe davvero impressionante sarebbe se AlphaGo battesse il [leggendario campione sudcoreano] Lee Sedol dopo aver giocato all'incirca tante partite quante ha giocato nella sua carriera prima di diventare un campione. Non siamo affatto vicini a questo.

In effetti, sia Silver che Hassabis ammettono che trovare il modo in cui le macchine possono imparare da molti meno dati sarà importante nella loro continua ricerca per padroneggiare l'intelligenza. Ciò può comportare lo sviluppo di nuovi approcci per consentire alle macchine di trasferire ciò che hanno appreso da un dominio a un altro o per imparare osservando gli altri (sia umani che altre IA).

Ma nonostante il lavoro ancora da fare, Hassabis spera che entro 10 anni l'IA svolgerà un ruolo importante nella risoluzione di problemi importanti nella scienza, nella medicina o in altri campi. Spero che questo tipo di algoritmi, e le versioni future, lavoreranno regolarmente con noi per far avanzare le frontiere della scienza e della medicina, dice. Forse ogni genere di cose sarà stato in parte progettato e scoperto da questo tipo di algoritmi, lavorando in tandem con esseri umani molto intelligenti.

nascondere