Egy hibrid mesterséges intelligencia épp most vert meg nyolc világbajnokot bridzsben és megmagyarázta, hogyan tette ezt.
Míg a sakk nem meglepő módon már régen a számokat tördelő szuperszámítógépek kezébe került, a bridzsben, a hiányos információk, az együttműködés és a ravasz kommunikáció játékában az embernek sokkal inkább megingathatatlan előnye van. Az évezredek során agyunk úgy fejlődött, hogy képes legyen olvasni a finom arcvonásokból és a testbeszédből. Milliók versenyétől és együttműködésétől függő, kiterjedt társadalmakat hoztunk létre. Biztos, hogy ezek a képességek a gépek számára elérhetetlenek?
Egyelőre igen. De talán nem örökre. Az elmúlt években a legfejlettebb mesterséges intelligencia elkezdett behatolni a legbüszkébb területünkre: a bizonytalan világban való eligazodás képességére, ahol az információ korlátozott, a játék végtelenül árnyalt, és senki sem boldogul egyedül. A múlt héten a francia startup, a NukkAI újabb lépést tett, amikor a NooK nevű bridzsező AI nyolc bridzsező világbajnokot győzött le egy Párizsban rendezett versenyen. A játék leegyszerűsített volt, és a NooK nem igazán szállt szemtől szembe az emberi játékosokkal erről bővebben alább, de az algoritmus teljesítménye egyébként látványos volt.
A NooK egyfajta hibrid algoritmus, amely a szimbolikus (vagy szabályalapú) mesterséges intelligenciát és a ma domináns mélytanulási megközelítést ötvözi. A tisztán mélytanuló társaival ellentétben a NooK átláthatóbb, és meg tudja magyarázni a műveleteit. A bridzsezéshez, a mesterséges intelligencia által eddig talán legnagyobb kihívást jelentő kártya- vagy társasjátékhoz a NukkAI csapata a mély megerősítő tanulást kombinálta a szimbolikus mesterséges intelligenciával, amely megközelítést az IBM Deep Blue-ja használta a 90-es években Garri Kaszparov sakkozó legyőzéséhez. A mély megerősítő tanulási algoritmusok egymással összekapcsolt mesterséges neuronok hálózatából állnak.
Egy játék megtanulásához az algoritmus több milliárdszor lejátssza önmagát, minden egyes forduló után értékeli teljesítményét, és az idegi kapcsolatok hangolásával és újrahangolásával fokozatosan javul, amíg végül el nem sajátítja a játékot. A szimbolikus mesterséges intelligencia ezzel szemben szabályalapú. A szoftvermérnökök keményen kódolják azokat a szabályokat, amelyeket a mesterséges intelligenciának ismernie kell a sikerhez. A mélytanulásnak azonban megvannak a maga hátrányai. Az egyik az, hogy ez egy kvázi fekete doboz. Rejtélyes, hogy a neurális hálózat milliárdnyi csomópontja hogyan hajt végre egy adott feladatot.
Az AlphaGo 37. lépése Lee Sedol ellen olyan döntés volt, amelyet ember nem hozna meg, a számítások szerint egy profi játékos 1:10 000-hez választotta volna ezt a lépést, de a lépést mégis megtette, és nyert. Az algoritmus mégsem tudta megmagyarázni, hogy a tréningje során mi volt az, ami alapján magabiztos volt. Ez az átláthatatlanság akkor jelent problémát, ha a tét nagyobb, mint egy társasjáték. Ahhoz, hogy megbízhassunk az önvezető autókban vagy az élet-halál döntéseket és diagnózisokat hozó orvosi algoritmusokban, meg kell értenünk az indoklásukat.
A NukkAI-hoz hasonló kutatók által támogatott egyik lehetséges megoldás a mélytanulás és a szimbolikus mesterséges intelligencia összemosása lenne, kihasználva mindkettőjük erősségeit az úgynevezett neuroszimbolikus megközelítésben. A NooK például először megtanulja a játékszabályokat, majd játék közben fejleszti a képességeit. Ez a kombináció finomítja az algoritmus valószínűségi agyát. A NooK egy fehér dobozos mesterséges intelligencia, áppen ezért a bridzs, a kommunikáció és a stratégia játéka, amely ellenállt a mesterséges intelligencia térhódításának, kiváló teszt a megközelítés számára.
(Forrás: SingularityHub)
