И прогресс, который они представляют

Некоторые задачи, которые выполняет ИИ, на самом деле не впечатляют. Подумайте о том, что ваша камера распознает лица на фотографиях и автоматически фокусируется на них. Эта технология существует с 2001 года и не волнует людей. Почему нет? Что ж, поскольку вы тоже можете это сделать, вы можете очень легко сфокусировать взгляд на чьем-то лице. Фактически, это так просто, что вы даже не знаете, как это сделать. Если ИИ тоже может это делать, кого волнует, как это работает? Хотя мы не можем четко понимать, как работает этот ИИ, лежащие в его основе механизмы не делают того, чего мы не можем. По крайней мере, я думаю, что так думает большинство людей.

В играх все наоборот. Игра - это не врожденная способность, которая у нас есть (например, способность фокусировать свое видение), у вас есть понимание того, как и почему вы принимаете решения в игре. Поэтому, когда ИИ принимает решения о том, как играть в игру, они намного интереснее, потому что вы можете оказаться в той же ситуации, что и ИИ, принимая те же точные решения. ИИ обычно считается чем-то, что заменяет человеческий труд. Когда ИИ играет в игру, он чувствует себя ближе всего к тому, чтобы занять нашу позицию в мире, поскольку игры - это вещи, о которых мы должны думать сознательно. Таким образом, игры, в которые играл ИИ, вызвали интерес новостей. Вот самые важные победы, которые он одержал.

1996–1997 Каспаров против Deep Blue

10 февраля 1996 года Deep Blue от IBM встретился с Гэри Каспаровым и стал первой компьютерной программой, которая победила действующего чемпиона мира по шахматам в нормальных условиях (то есть с часами на месте). К несчастью для Deep Blue, в оставшихся пяти играх матча он проиграл три игры и дважды сыграл вничью.

Второй матч был назначен на следующий год, и команда Deep Blue обновила свое программное обеспечение. 3 мая Deep Blue открылся с убытком. Во второй игре Deep Blue не мог рассчитать, что делать, чтобы не тратить слишком много времени на случайный ход. Этот ход был ужасен, но это сбило с толку Каспарова, который предположил, что Deep Blue может заглянуть в будущее игры дальше, чем он. Вместо того, чтобы вытянуть из него проигрыш на глазах у миллионов людей, он отказался от второй партии (что является обычным явлением в шахматах). На самом деле Каспаров мог бы выиграть вторую партию, если бы он сыграл ее до конца, что было для него небольшим затруднением, что привело к тому, что он играл более безрассудно в следующих партиях, достигнув высшей точки в том, что Deep Blue выиграл 2 игры против 1 Каспарова, сделав ничью 3. .

Как выразился журналист ESPN Джереми Шаап, «люди следили за этим по всему миру, люди, которые не интересовались шахматами, люди, которых интересовало только это повествование о человеке против машины». Интерес к этой игре подогревался заявлением Каспарова в конце второй игры о том, что IBM жульничает, которое он основывал на разнице в качестве игры Deep Blue между первой и второй играми. Шахматы были барометром интеллекта с момента их изобретения в VI веке. Думать, что компьютеры могут победить людей, было бы неприятно, поскольку все еще было много способов, в которых компьютеры уступают людям. Конечно, IBM не обманывала, и изменение качества Deep Blue было связано с ее случайным ходом.

Команда IBM по связям с общественностью сделала мероприятие более привлекательным, и акции компании резко выросли. С победой в кармане IBM отклонила матч-реванш, затем демонтировала Deep Blue и сделала его последним пристанищем Музей истории компьютеров в Маунтин-Вью.

Каспаров больше не верит, что Deep Blue жульничал, и признает, что не только Deep Blue победил его, но и сам Deep Blue может быть побежден даже новыми программами, работающими на небольших компьютерах. Эта игра стала большим шагом в истории «Искусственный интеллект против человеческого интеллекта» и сделала игры методом сравнения.

2011 IBM Watson побеждает в опасности!

Во время совместного обеда два руководителя IBM начали комментировать успех Кена Дженнингса на Jeopardy! , который по-прежнему является рекордсменом по количеству выигранных игр подряд. Возможно, стремясь к успеху после победы Deep Blue, они создали Watson, систему ответов на вопросы, которая должна была обыграть Кена Дженнингса.

Watson, названный в честь основателя IBM Томаса Дж. Ватсона, был создан в 2005 году, но получил известность только в 2011 году. Вместе с Кеном Дженнингсом Уотсон выступил против Брэда Раттера, которого считали двумя лучшими Jeopardy! игроков в то время. Кен был программистом, который прошел несколько курсов по искусственному интеллекту и принял вызов частично, потому что считал, что система искусственного интеллекта никак не сможет его победить.

Watson выиграла два матча против Брэда и Кена, заработав 77 147 долларов против своих 24 000 и 21 600 долларов соответственно. Затем Уотсон победил двух членов конгресса, Раша Д. Холда-младшего (бывший участник Jeopardy!) и Билла Кэссиди, что стало еще одним поражением обеих партий.

В отличие от Deep Blue, Watson был выделен IBM во многие коммерческие продукты, включая Watson Text to Speech, Watson Speech to Text, Watson Natural Language Classifier, Watson Natural Language Understanding, Watson Assistant и Watson Health, среди других.

2013 DeepMind превосходит Atari

В то время как Watson был разработан для определенной цели, DeepMind Technologies хотела создать систему искусственного интеллекта, которую не нужно было бы обучать в узкой области, что приблизило нас к определению общего ИИ. Цель, которую они преследовали, заключалась в том, чтобы превзойти многие игры Atari с помощью только одной модели, которая не была переработана для какой-либо конкретной игры.

Используя только ввод того, что было на экране, и получая инструкции максимизировать счет, DeepMind смог победить в каждой игре и получить лучшие результаты, чем даже лучшие игроки-люди. Опубликованная в 2013 году статья Игра в Atari с глубоким обучением с подкреплением привела к тому, что Google приобрела их в 2014 году.

2016 AlphaGo против Ли Седола

Преимущество Deep Blue состояло в том, что он мог обрабатывать большое количество ходов одновременно и умел определять, какой из них лучший. Для азиатской настольной игры го это было просто невозможно. Правила игры довольно просты, но они составляют примерно 2 * 10¹⁷⁰ количества состояний, в которых игра может находиться одновременно. Для справки это число больше, чем количество атомов во Вселенной. Таким образом, стратегию в игре в го сложно определить, поскольку для каждого состояния необходимо оценить множество решений, каждое из которых приводит к большему количеству состояний для оценки. Не используя метод грубой силы, AlphaGo от DeepMind научился придавать ценность до нескольких периодов в будущем, а затем научился принимать решения на основе этой ценности.

После победы над чемпионом Европы по го Фан Хуэй, AlphaGo было поручено сыграть Ли Седола, одного из самых высокопоставленных игроков в истории. Победа над Ли побудила его уйти в отставку, сказав: « Даже если я стану номером один, есть сущность, которую невозможно победить».

2017 AlphaZero Masters Chess, Go и Shogi

AlphaZero была обобщенной версией AlphaGo, созданной с целью выигрывать в шахматы, го и сёги (японская версия шахмат). AlphaZero не только победила AlphaGo, но и смоделировала игру против самой себя, не имея примеров игр экспертов, на которые можно было бы смотреть. В начале этих симуляций он абсолютно ничего не знал. Он освоил шахматы после 9 часов тренировки, сёги после 2 и го после 34.

Профессор ИИ Джоанна Брайсон отметила, что, несмотря на то, что Google отлично привлекал таланты, признание этих достижений может дать огромное преимущество на переговорах с правительствами, стремящимися регулировать ИИ.

AlphaStar 2019 г.

Затем AlphaZero был преобразован в AlphaStar с намерением превзойти стратегию в реальном времени Starcraft. В 2019 году AlphaStar вошла в топ-0,2% игроков-людей. Это был первый случай, когда ИИ возглавил киберспорт. AlphaStar не идеален для Starcraft, но по-прежнему считается важной вехой для ИИ, поскольку он работает в режиме реального времени, с частичной информацией, по сложным правилам. В то время как Go был относительно сложным с точки зрения количества решений, с которыми он столкнулся, правила Go довольно просты по сравнению с Srarcraft. Эта более сложная среда, в которой работает AlphaStar, является хорошим показателем того, что ИИ готов к более широкому коммерческому использованию, например, в беспилотных транспортных средствах, робототехнике и цепочках поставок.