Google ‘ s
AlphaGo tirsdag rystede Gå og kunstig intelligens, når det beat 18-tiden internationale Gå mester Lee Se-dol sidste runde af Google DeepMind Udfordring.
DeepMind Udfordring Match 5: AlphaGo vs. Lee Se-dol
Lee tabt de første tre runder i sidste uge, men kom tilbage og vandt den fjerde spil.
En
kritik af AI-programmer er, at de har gjort det godt bygger på logiske slutninger baseret på heuristik og hukommelse, men de mangler intuition og ikke kan lære af deres fejl eller udlede ny viden uden menneskelig programmering.
AlphaGo sejr ændringer, der ifølge Mike Jude, program manager, Stratecast/Frost & Sullivan.
Gå “afhænger lige så meget af logik, som skak, som det gør på intuition,” fortalte han TechNewsWorld. “Resultaterne af denne konkurrence indebærer, at AlphaGo har transcenderet brute-force tilgange til at løse spil logik.”
At lære at Løbe
AI løsninger Google har arbejdet på gennem dybe læring “var meget god til ting som Pong, hvor du var nødt til at gøre en handling, lige så, men gjorde det ikke så godt i spil som Pac-Man, hvor man var nødt til at planlægge noget ud, fordi læring løsninger, som de har, så langt var baseret på reaktion, og ikke har planer om,” bemærkede Jim McGregor, en ledende analytiker hos
Tirias Forskning.
“Med Pac-Man, du er nødt til at være i stand til at planlægge forskellige interaktioner, og det ændrer sig hvert øjeblik,” fortalte han TechNewsWorld.
AlphaGo gør demonstrere muligheden for, at AI-systemer i sidste ende kan være i stand til intuitiv tanke, men “vi er i den spæde begyndelse af udviklingen af disse løsninger, og de algoritmer, vi har udviklet, har været i svar på nogle form for stimulus-du får de data, hvordan kan du genkende det, hvad du gør med det,” McGregor sagde.
Det betyder ikke, at forskere ikke vil være i stand til at optage den langsigtede planlægning i AI-system, “men du er nødt til at lære at gå, før du kan køre,” bemærkede han.
Mennesker Stadig Reglen
Den menneskelige hjerne “kan ændre konfigurationen på farten; computere kan ikke gøre det,” McGregor har påpeget.
AI-system “handler om at lære,” sagde han. “De er om at skabe en algoritme til at gøre en bestemt ting, eller ting, og selv da det tager lang tid for at lykkes.”
IBM ‘ s Watson-som vandt Fare, og bruges til at hjælpe med at behandle lungekræft på Memorial Sloan Kettering Cancer Center — er ved at blive undervist i at udføre billed analyse og erkende anomalier i folks medicinske billeder i forbindelse med bredere oplysninger, såsom data fra deres Fitbits.
“Begge er dybt læring neurale netværk-baserede systemer,” sagde Frost & Sullivan Jude, men “Watson blev udviklet til at være en kunstig generelle intelligens-system-som er, domæne ligeglade — mens AlphaGo er et special-purpose-system designet til at spille Gå.”
Mulige Anvendelser for AlphaGo
Enhver anvendelse, der kræver en reaktion på en kompleks, skiftende miljø vil drage fordel af AI teknologi såsom AlphaGo s, Jude foreslået. Der omfatter sundheds -, vejr forudsigelse og markedsanalyse.
AI har det største potentiale i den videnskabelige forskning, McGregor hævdet.
I medicin, forskere kunne udvikle massive databaser, hvordan et protein eller kemiske interagerer med andre, som ville tillade algoritmer til at være bygget meget hurtigere. Databaser med digitale journaler og diagnoser kan være bygget og input til AI-programmer, der vil revolutionere diagnose, sagde han.
Halvleder-forskning er en anden mulighed. “Lige nu, vi tager den periodiske tabel, og eksperimenterer med alle de elementer, vi kan, for at forbedre halvleder-teknologi. Tænk på hvad vi kunne gøre med forskning i form af modellering,” McGregor har påpeget.
“Den bedste måde at bruge AI er, hvor vi er meget begrænset, hvad vi kan behandle og hvordan,” sagde han.
Richard Adhikari har skrevet om high-tech for branchens førende publikationer siden 1990’erne, og vidundere, hvor det hele fører til. Vil implanteret RFID-chips i mennesker være Dyrets Mærke? Vil nanotech løse vores kommende fødevarekrise? Gør Stør ‘ s Lov, der stadig holder stik? Du kan forbinde med Richard på
Google+.