AlphaGo på tisdagen skakade om att Gå och artificiell intelligens när det slog 18-tiden internationella Gå mästare Lee Se-dol den sista omgången av Google DeepMind Utmaning.
DeepMind Utmaning Match 5: AlphaGo vs. Lee Se-dol
Lee förlorade de tre första rundorna förra veckan men kom tillbaka och vann det fjärde spelet.
En
kritik av AI-program är att de har gjort bra att förlita sig på logiska slutsatser baserade på tumregler och minne, men de har brist på intuition och inte kan lära sig från sina misstag eller för att få fram ny kunskap utan mänsklig programmering.
AlphaGo seger förändringar som, enligt Mike Jude, program manager, Stratecast/Frost & Sullivan.
Gå “, beror lika mycket på logik, som schack, som det gör på intuition”, sa han till TechNewsWorld. “Resultaten av denna konkurrens innebär att AlphaGo har överskridit brute force” -strategier för att lösa spel av logik.”
Att lära sig att Köra
AI lösningar Google har arbetat med genom djupa lärande “var mycket bra på saker som Pong, där du var tvungen att göra en åtgärd just då, men inte så bra i spel som Pac-Man, där du var tvungen att planera någonting, eftersom learning lösningar som de har hittills baserats runt reaktion och inte planerar”, konstaterade Jim McGregor, chefsanalytiker på
Tirias Forskning.
“Med Pac-Man, du har för att kunna planera för olika interaktioner, och det förändras varje ögonblick”, sade han TechNewsWorld.
AlphaGo visar på möjligheten att AI-system som så småningom kanske kan intuitivt trodde, men “vi är i linda för att utveckla dessa lösningar, och de algoritmer som vi har utvecklat är svar på någon typ av stimulans — du få data, hur du känner igen det, vad du gör med det,” McGregor sade.
Det betyder inte att forskare kommer inte att kunna föra en långsiktig planering i AI-system, “men man måste lära sig att gå innan man kan köra”, sade han.
Människor Fortfarande Regeln
Den mänskliga hjärnan “kan ändra konfigurationen i farten; datorer som inte kan göra det,” McGregor har påpekat.
AI-system “handlar om lärande,” sade han. “De är på väg att skapa en algoritm för att göra en specifik sak eller saker, och även då tar det lång tid att lyckas.”
IBM: s Watson-som vann Jeopardy och används för att behandla lung cancer vid Memorial Sloan Kettering Cancer Center — lärs ut på att utföra bildanalys och känna igen avvikelser i människors medicinska bilder i samband med de bredare information såsom uppgifter från deras Fitbits.
“Båda är djupt lärande neurala nätverk-baserade system,” säger Frost & Sullivan är Jude, men “Watson, som har utvecklats för att vara en artificiell generell intelligens system-domän likgiltig — medan AlphaGo är ett särskilt ändamål system för att spela Go.”
Möjliga Användningsområden för AlphaGo
Alla program som kräver ett svar på en komplex och föränderlig miljö skulle dra nytta av AI-teknik som AlphaGo, Jude föreslås. Som innehåller hälsa, väder prognoser och marknadsanalyser.
AI har mest potential i vetenskaplig forskning, McGregor menade.
I medicin, forskare skulle kunna utveckla stora databaser av hur ett protein eller kemiska interagerar med andra, vilket skulle göra det möjligt algoritmer för att byggas mycket snabbare. Databaser av digitala journaler och diagnoser skulle kunna byggas upp och föras in i AI-program, som skulle revolutionera diagnos, sade han.
Halvledare forskning är en annan möjlighet. “Just nu, vi tar det periodiska systemet och experimentera med alla de element som vi kan för att förbättra tekniken för halvledare. Tänk på vad vi kunde göra med forskning i form av modellering,” McGregor har påpekat.
“Det bästa sättet att använda AI är där vi är väldigt begränsade i vad vi kan för processen och hur”, sade han.
Richard Adhikari har skrivit om high-tech för ledande publikationer i industrin sedan 1990-talet och undrar om det hela leder till. Kommer inopererade RFID-chip i människor vara Vilddjurets Märke? Kommer nanotekniken att lösa våra kommande livsmedelskris? Gör Sturgeons Lag håller fortfarande sant? Du kan ansluta med Richard på
Google+.