Oppnåelse har blitt hyllet som et gjennombrudd innen kunstig intelligens, men datamaskiner er mye mindre effektiv enn oss
Google DeepMind er AlphaGo seieren har kommet mye tidligere enn forventet.
Foto: Cheryl Luke/AP
Torsdag 28. januar 2016 16.56 GMT
Sist endret på torsdag 28. januar 2016 16.59 GMT
I dag ble vi møtt av forsiden av Naturen kommer et gjennombrudd i kunstig intelligens: datamaskiner er nå å få bedre resultat enn selv de beste mennesker på den Kinesiske spillet Gå, lenge blitt sett på som den siste bevare av menneskelig spill-spille av mestring. Gjennombrudd, fra et team basert på Googles DeepMind gruppe i London, har kommet mye tidligere enn mange eksperter forventet.
Relatert: Google AI i landemerke seier over Gå grandmaster
Prestasjon er også blitt hyllet som et gjennombrudd i forståelsen av menneskelig intelligens, og et stort skritt mot å etterlikne den. Men, så var Deep Blue ‘ s prestasjon når det først slo sjakk-verdensmester, Gary Kasparov, nesten 20 år siden. Så hvor kommer denne siste suksess virkelig bringe oss?
Det systemet som DeepMind team utviklet, er basert på to sentrale ideer: maskinlæring og tilfeldig spill-treet søk. Søker du et spill treet er en måte å utforske og vurdere mulige fremtidige handlinger. En plansystemet for å se fremover i spillet. Maskinlæring er en teknikk for opplæring datamaskiner ved å vise dem at data: i dette tilfellet styret stillinger fra spillet. Du trene datamaskinen til å gjenkjenne gode mønstre i styret.
Datamaskinen er utdannet ved å spille mot seg selv, det kan da lære fra spill som styret stillinger resulterte i seier. For å gjøre dette måtte de spille mange millioner av spill. Ved den tid spilte mot et menneske, det hadde spilt flere kamper for å Gå enn noen menneskelig muligens kunne i løpet av sin levetid. Dette betyr at den hastigheten som den lærer å spille er langt tregere enn noe menneske.
I feltet av maskinlæring vi refererer til dette som data effektivitet. Det refererer til mengden data som kreves for å løse et bestemt problem. Mennesker er utrolig data effektiv, den siste gjennombruddene i AI, er mye mindre så.
I 1712, Thomas Newcomen utviklet et kull drevet dampmaskinen for å pumpe ut miner. Han var inspirert av utfordringer i Cornish tinn gruvedrift: dypere gruver ble utsatt for flom og hest-drevne pumper bare var effektiv til en bestemt dybde. I slutten om Newcomen er motoren finnes langt mer bruk i kullgruvene. Årsaken var at det var så lite at det bare var praktisk hvor det var en lett tilgjengelig kilde til kull.
I vår moderne sinn, det navn av James Watt er mye mer assosiert med dampmaskinen enn Newcomen. Hvorfor? Watt laget dampmaskinen mer praktisk ved innføring av en egen kondensator, øyeblikkelig doble sin effektivitet, rendering overflødige gruver gjennomførbare og danner blåkopi av som alle moderne dampmaskiner er utformet.
Så langt, maskinlæring mangler sin egen kondensator øyeblikk. Så er AlphaGo et gjennombrudd på veien til å simulere menneskelig intelligens? Jeg tenker på det mer som et trigonometriske punktet. Det er sikkert en viktig mellomliggende mål, en sjanse til å kartlegge landskapet og ta merkelig bilde, men det er bare en etappe på turen, og en som vi allerede visste at vi ville nå. Vi har imidlertid fått det raskere enn forventet, og det er en naturlig grunn til feiring.
For å få ukentlige news analysis, jobb varsler og event varsler direkte til din innboks, kan du registrere deg gratis for Media & Tech Nettverk medlemskap.
Alle Guardian Media Og Teknisk Nettverk innhold er redaksjonelt uavhengig, bortsett fra deler som er merket “Betalt av” – finn ut mer her.