Googles
AlphaGo på tirsdag rystet verden i Går og kunstig intelligens når det slå 18-tiden internasjonale Gå mester Lee Se-dol den siste runden av Google DeepMind Utfordring.
DeepMind Kamp 5: AlphaGo vs. Lee Se-dol
Lee tapt de tre første rundene i forrige uke, men kom tilbake og vant fjerde kamp.
En
kritikk av AI programmer er at de har gjort det bra å stole på logiske slutninger basert på heuristikk og minne, men de mangler intuisjon og kan ikke lære av sine feil eller oppnå ny kunnskap uten menneskelig programmering.
AlphaGo seier endringer som, i henhold til Mike Jude, program manager, Stratecast/Frost & Sullivan.
Gå “avhenger så mye på logikk, som sjakk, som den gjør på intuisjon,” fortalte han TechNewsWorld. “Resultatene av denne konkurransen medfører at AlphaGo har transcendert brute-force tilnærminger til å løse spill av logikk.”
Å lære å Kjøre
AI løsninger Google har jobbet med gjennom dyp læring “var veldig god på ting som Pong, hvor du hadde å gjøre en handling akkurat da, men gjorde det ikke så bra i spill som Pac-Man, hvor du hadde å planlegge noe ut, fordi læring løsninger de har så langt vært basert rundt reaksjon og ikke planlegger,” observert Jim McGregor, en analytiker ved rektor
Tirias Forskning.
“Med Pac-Man, har du å være i stand til å planlegge for ulike vekselsvirkningene, og det endringer hvert øyeblikk,” fortalte han TechNewsWorld.
AlphaGo gjør demonstrere muligheten for at AI-systemer slutt kunne være i stand til å intuitive tanken, men “vi er i den spede begynnelse av å utvikle disse løsningene, og algoritmene vi har utviklet har vært i respons til noen form for stimulans-du får dataene, hvordan gjenkjenner du den, hva du gjør med det,” McGregor sa.
Det betyr ikke at forskerne ikke vil være i stand til å innlemme langsiktig planlegging i AI-systemer, “men du må lære å gå før du kan kjøre,” han sa.
Mennesker Fortsatt Regelen
Den menneskelige hjerne “kan endre konfigurasjonen på fly, datamaskiner kan ikke gjøre det,” McGregor påpekt.
AI-systemer “alle om å lære,” sa han. “De er i ferd med å lage en algoritme for å gjøre en bestemt ting eller ting, og selv da det tar lang tid å lykkes.”
IBMS Watson-som vant Jeopardy, og at den brukes til å behandle lunge kreft ved Memorial Sloan Kettering Cancer Center — blir lært opp til å utføre image analysis og gjenkjenne avvik i folks medisinske bilder i sammenheng med bredere informasjon, for eksempel data fra deres Fitbits.
“Begge er dypt læring nevrale nettverk-baserte systemer,” sa Frost & Sullivan ‘ s Jude, men “Watson ble utviklet for å være et kunstig general intelligence system-som er, domene likegyldig — mens AlphaGo er spesielle formål system designet for å spille Gå.”
Mulige Bruksområder for AlphaGo
Alle programmer som krever en respons på en kompleks og skiftende miljø ville ha nytte av AI teknologi som AlphaGo er, Judas foreslått. Som inkluderer helse -, vær-prediksjon og markedsanalyse.
AI har det største potensialet i vitenskapelig forskning, McGregor anført.
I medisin, forskere kan utvikle enorme databaser på hvordan et protein eller kjemiske samhandler med andre, som ville tillate algoritmer for å bli bygget mye raskere. Databaser av digitale medisinske journaler og diagnoser kan være bygget og innspill til AI programmer, som skulle revolusjonere diagnose, sa han.
Semiconductor forskning er en annen mulighet. “Akkurat nå, vi tar den periodiske tabellen og eksperimentere med alle de elementer vi kan for å forbedre semiconductor teknologi. Tenk på hva vi kunne gjøre med forskning i form av modellering,” McGregor påpekt.
“Den beste måten å bruke AI er der vi er svært begrenset hva vi kan prosessen og hvordan,” sa han.
Richard Adhikari har skrevet om high-tech for ledende publikasjoner siden 1990-tallet og under der det er alle fører til. Vil det RFID-chips i mennesker være Dyrets Merke? Vil nanotech løse våre kommende mat krise? Gjør Stør ‘ s Lov fortsatt holder sant? Du kan koble til med Richard på
Google+.