211service.com
Fünf Lehren aus dem historischen Sieg von AlphaGo
AlphaGo schlug den 18-fachen Go-Weltmeister Lee Sedol mühelos mit 4:1 und lehrte uns dabei einige interessante Lektionen darüber, wo die KI-Forschung heute steht und wohin sie geht.
Es gibt Leben in alten KI-Ansätzen
Eine faszinierende Sache an AlphaGo ist die ungewöhnliche Art und Weise, wie es entworfen wurde. Die Software kombinierte Deep Learning – die heißeste KI-Technik, die es heute gibt – mit einem viel älteren und weitaus weniger modischen Ansatz. Deep Learning beinhaltet die Verwendung sehr großer simulierter neuronaler Netze und vermeidet normalerweise Logik oder Symbolmanipulation, wie sie von Leuten wie Marvin Minksy und John McCarthy entwickelt wurden. Aber AlphaGo kombiniert Deep Learning mit etwas namens Baumsuche , eine Technik, die von einem Zeitgenossen und Kollegen Minksys, Claude Shannon, erfunden wurde. Vielleicht werden wir also in Zukunft zunehmend sehen, wie die konnektionistische und die symbolische KI zusammenkommen.
Polanyis Paradoxon ist kein Problem
Das Go-Spiel, bei dem die Spieler versuchen, die Figuren des anderen auf einem großen Brett zu umzingeln und zu schlagen, ist ein schönes Beispiel für Polanyis berühmtes Paradoxon: Wir wissen mehr, als wir sagen können.
Anders als beim Schach gibt es keine einfachen Richtlinien für das Spielen des Spiels oder das Messen des Fortschritts, was einer der Gründe dafür ist, warum Go in der Vergangenheit für Computer so schwierig zu spielen war. Maschinelles Lernen, bei dem ein Computer nicht (im herkömmlichen Sinne) programmiert wird, sondern seinen eigenen Algorithmus zum Lernen aus Beispielen generiert, bietet Computern eine Möglichkeit, Polanyis Paradox zu navigieren. Viele Dinge, die wir tun, wie das Autofahren oder das Erkennen eines Gesichts, sind ähnlich. Einige Ökonomen haben dies als einen wichtigen Punkt hervorgehoben. Und wie ein Artikel in dem New York Times zeigt an , manche sehen den Triumph von AlphaGo sogar als überzeugenden Beweis dafür, dass Computer mehr Aufgaben (und Jobs) übernehmen werden, da maschinelles Lernen immer mehr zum Einsatz kommt.
AlphaGo ist nicht wirklich KI
Allerdings nicht so schnell. So erstaunlich AlphaGo auch ist, von wirklich intelligent ist es noch weit entfernt. Als KI-Experte und Robotik-Unternehmer Jean-Christophe Baillie weist darauf hin , wird echte Intelligenz nicht nur anspruchsvolleres Lernen erfordern, sondern auch Dinge wie Verkörperung und die Fähigkeit zu kommunizieren. In der Tat ist das Autofahren auf einer belebten Stadtstraße oder die Interaktion mit jemandem, den Sie kennen, viel komplexer, als wir vielleicht annehmen. Während also maschinelles Lernen Computer mehr Aufgaben übernehmen lässt, wird es noch lange dauern, bis sie alles ersetzen können, was Menschen tun.
AlphaGo ist ziemlich ineffizient
Verglichen mit einem Menschen lernt AlphaGo schnell, verbraucht Daten aus früheren Spielen und spielt mit Siliziumgeschwindigkeit gegen sich selbst. Aber es ist viel weniger effizient als eine Person beim Lernen, da es viel mehr Beispiele für Go-Spiele erfordert, um effektive Techniken zu erlernen. Dies ist eines der Hauptprobleme des Deep Learning, das viele Menschen zu lösen versuchen, indem sie Wege finden, entweder aus neuen Arten von Daten oder aus insgesamt weniger Daten zu lernen.
Kommerzialisierung ist nicht offensichtlich
Die von AlphaGo demonstrierten Fähigkeiten – subtile Mustererkennung, Planung und Entscheidungsfindung – sind offensichtlich wichtig. Aber es ist weniger offensichtlich, wie sie in ein kommerziell tragfähiges Produkt umgewandelt werden könnten. Demis Hassabis, der Gründer von Google DeepMind, hat gesagt, dass die für AlphaGo entwickelten Techniken verwendet werden könnten, um einen persönlichen Assistenten zu bauen, der die Vorlieben und Gewohnheiten seines Meisters effektiver lernt. Aber Die menschliche Sprache ist viel komplexer als ein Brettspiel , und viel schwieriger zu lernen. Mit anderen Worten, es könnte schwierig sein, die spezifischen Fähigkeiten von AlphaGo in der chaotischen realen Welt anzuwenden.
(Weiterlesen: New York Times , IEEE-Spektrum , Natur , The Missing Link of Artificial Intelligence , Kann dieser Mann KI menschlicher machen? )