Künstliche Intelligenz ist die Grenze der Informatik. Die Wissenschaft ist so weit fortgeschritten, dass die KI uns in unserem eigenen Spiel schlägt - oder besser gesagt, in Spielen. Einige Menschen befürchten den Aufstieg von Skynet Warum Wissenschaftler denken, dass Sie sich über künstliche Intelligenz Gedanken machen sollten Hier sind die Gründe, warum Wissenschaftler denken, dass Sie sich Gedanken über künstliche Intelligenz machen sollten Denken Sie, dass künstliche Intelligenz gefährlich ist? Kann AI eine ernsthafte Gefahr für die menschliche Rasse darstellen? Dies sind einige Gründe, warum Sie sich Sorgen machen sollten. Lies mehr mit jeder KI-Evolution, aber wir sind ein bisschen optimistischer.
AlphaGo ist die neueste KI, die einen Menschen in einem Brettspiel schlägt, aber es kommt aus einer langen Ahnentafel. Obwohl diese fünf Maschinen als speziell entwickelte Programme gestartet wurden, haben einige ein zweites Leben gefunden, das über ihre ursprünglichen Berufungen hinausgeht.
In diesem Artikel werden wir jedes Mal, wenn ein brillanter Mensch an einen Computer verloren geht, untersuchen und untersuchen, was jedem dieser Computer seinen entscheidenden Vorteil verschafft hat.
1. Deep Blue, der Schachmeister
IBMs Deep Blue und Garry Kasparov hatten einen der ersten hochkarätigen Kämpfe zwischen Mensch und Maschine. Kasparov verlor natürlich, aber sie hatten eine komplizierte Geschichte.
Nachdem Kasparov 1989 Deep Thought, den kleinen Bruder von Deep Blue, besiegt hatte, kehrte IBM 1996 mit seinem neuen und verbesserten Deep Blue zurück. Kasparov verlor ein Eröffnungsspiel, zog eine Sekunde zurück, gewann dann aber drei Spiele in Folge, um das Match zu gewinnen.
Es war nicht bis zu einem zweiten Rematch im Jahr 1997, dass Deep Blue besiegt Kasparov, gewann ein Spiel mit sechs Spielen um ein Spiel.
Kasparov sagte, er habe Intelligenz in Deep Blue's Spiel gesehen und warf IBM vor, dazwischen zu gehen. Die "Intelligenz" war eigentlich ein Bug, der Deep Blue dazu brachte, außer Charakter zu handeln. Im Grunde genommen war die KI eher primitiv, rohe Gewalt durch mögliche Bewegungen und Ergebnisse ...
... und wenn es keine optimale Wahl finden konnte, wählte es zufällig.
Für jeden seiner Züge modellierte Deep Blue alle möglichen Züge und Kasparovs Antworten. Es war in der Lage, bis zu zwanzig Züge voraus zu berechnen und Millionen von möglichen Positionen pro Sekunde auszuwerten. Diese Modellierung erforderte eine leistungsfähige parallele Verarbeitung.
Die parallele Verarbeitung zerlegt Aufgaben in kleinere Computeraufgaben und erledigt diese Aufgaben gleichzeitig. Die resultierenden Daten werden dann für das Ergebnis wieder zusammengestellt.
Zwischen den beiden Matches wurde Deep Blue ein bedeutendes Hardware-Upgrade gegeben. Die gewinnende Hardware war ein 30-Knoten-System, das auf der IBM Power PC-Plattform lief. Jeder Knoten hatte sekundäre Prozessoren, die den Schachinstruktionen gewidmet sind. 10 Kreative Wege, um dein Schachtraining aufzuladen 10 Schach besser zu meistern, bedeutet in der Regel absichtliche Übung über viele entmutigende Spiele, also schauen wir uns einige Möglichkeiten an Spaß und Kreativität in dein Schachtraining. Weiterlesen .
Alle zusammen, Deep Blue hatte 256 Prozessoren parallel arbeiten.
Es gibt Nachfahren dieser Hardware, die in Rechenzentren arbeiten, aber das wahre Vermächtnis von Deep Blue ist Watson, der Jeopardy-Champion. Am Ende setzte IBM Deep Blue ein, um an Finanzmodellierung, Data Mining und Wirkstoffforschung zu arbeiten - in allen Bereichen, die groß angelegte Simulationen erfordern.
2. Polaris, der Poker-Champion
Die University of Alberta hat Polaris gegründet, die erste KI, die Pokerprofis in einem Turnier schlägt. Die Forscher wählten eine Texas Hold 'Em-Variante für ihre KI, da sie sich am wenigsten auf Glück verlässt.
Polaris trat zweimal gegen Pokerspieler an. Der erste war 2007 gegen zwei Spieler. Die Hände wurden vorher ausgeteilt - Polaris hatte einen Satz Karten, wenn er gegen einen Spieler antrat, und die umgekehrte Hand, wenn er den anderen Spieler spielte (um Glück zu haben).
Polaris wurde später für ein Turnier 2008 gegen sechs Spieler umgerüstet. Dies war auch eine vorab ausgeteilte Reihe von Spielen. Polaris bekam im ersten Spiel ein Unentschieden und verlor den zweiten, gewann aber das Turnier, kam von hinten und gewann zwei Spiele in Folge.
Im Gegensatz zu Schach kann Poker durch das Modellieren nicht brutal erzwungen werden, da die KI ein begrenztes Bild des Spiels hat - es hat keine Ahnung von den Händen der Gegner.
Kartenspiele sind fast unendlich einzigartig, wodurch das Modellieren noch weniger effektiv ist. Die gleichen Karten können eine gute oder wertlose Hand sein, nur abhängig von den anderen ausgeteilten Karten. Bluffen stellt ein weiteres Problem für KI dar, da das Wetten allein kein guter Indikator für die Handstärke ist.
Polaris ist eine Kombination mehrerer Programme, die als Agenten bezeichnet werden. Jedes dieser Programme hatte seine eigene Strategie, und es gab einen anderen Agenten, der wählen würde, welcher von diesen für jede gegebene Hand der Beste war.
Die Strategien, um das Pokerspiel zu durchbrechen, sind vielfältig und erfordern Spieltheorie. Die Grundidee besteht darin, herauszufinden, wie die beste Strategie der Spieler auf allen verfügbaren Daten basiert, und Polaris hat dies über eine Technik namens Bucketing erreicht.
Bucketing wird verwendet, um Kartenhände basierend auf Stärke zu klassifizieren. Dadurch konnte Polaris die Anzahl der Datenpunkte reduzieren, die benötigt wurden, um den Überblick über das Spiel zu behalten. Dann verwendete er die Wahrscheinlichkeit aller anderen möglichen Eimer, die er von den sichtbaren Karten ableitete.
Polaris hatte ein einzigartiges Hardware-Setup: ein Cluster von 8 Computern mit jeweils 4 CPUs und 8 GB RAM. Diese Maschinen führten die Simulationen durch, die erforderlich waren, um die Buckets und Strategien für jeden Agenten zu erstellen.
Seither entwickelte sich Polaris zu einem anderen Programm namens Cepheus, das so fortschrittlich wurde, dass Forscher Texas Hold 'Em nun für "schwach gelöst" erklärten.
Spiele werden "gelöst", wenn Algorithmen das Ergebnis eines Spiels von einer beliebigen Position aus bestimmen können. Ein Spiel ist "schwach gelöst", wenn der Algorithmus nicht für ein fehlerhaftes Spiel verantwortlich ist. Sie können hier Ihr Glück gegen Cepheus versuchen.
3. Watson, das Jeopardy Genie
KI-Siege bis zu diesem Zeitpunkt in der Geschichte waren Low-Key-Spiele, weshalb Watsons Sieg ein Meilenstein für Mainstream-Fans ist: Watson brachte den Kampf der KI direkt in Amerikas Wohnzimmer.
Jeopardy ist eine beliebte Spielshow, die für ihre herausfordernden Kleinigkeiten bekannt ist, und sie hat eine einzigartige Eigenart: Die Hinweise sind die Antworten und die Kandidaten müssen die Fragen stellen. Ein wahrer Test für Watson, der sich mit den bekannten Jeopardy-Champions Brad Rutter und Ken Jennings auseinandersetzte.
Rutter war der All-Time Money Champion und Ken Jennings hatte die längste Siegesserie. Eine dritte Partei wählte eine zufällige Auswahl von Fragen aus älteren Episoden, um sicherzustellen, dass keine Fragen zur Unterstützung von Watson geschrieben wurden.
Watson gewann drei Spiele in Folge - eine Übung und zwei im Fernsehen übertragene - aber es gab einige seltsame Eigenheiten zu einigen von Watsons Antworten. Zum Beispiel, direkt nachdem Jennings eine Frage falsch beantwortet hatte, antwortete Watson mit derselben falschen Antwort.
Was Watson jedoch einzigartig machte, war seine Fähigkeit, natürliche Sprache zu verwenden. IBM nannte diese Deep QA, die für "Fragen beantworten" stand. Die wichtigste Errungenschaft war, dass Watson Antworten mit Kontext und nicht nur mit Keyword-Relevanz suchen konnte.
Die Software ist eine Kombination aus verteilten Systemen. Hadoop und Apache UIMA arbeiten zusammen, um die Daten zu indizieren und den verschiedenen Knoten von Watson die Zusammenarbeit zu ermöglichen.
Wie Deep Blue wurde Watson auf der Power-PC-Plattform von IBM gebaut. Watson war ein 90-Kern-Cluster mit 16 TB RAM. Bei den Jeopardy-Spielen wurden alle relevanten Daten geladen und im RAM gespeichert.
Welche relevanten Daten? Nun, Watson hatte Zugriff auf den vollständigen Text von Wikipedia. Es hatte eine Reihe von Wörterbüchern, Thesauren, Enzyklopädien und anderen Referenzmaterialien. Watson hatte während des Spiels keinen Zugriff auf das Internet, aber alle lokalen Daten waren ungefähr 4 TB.
In jüngerer Zeit wurde Watson verwendet, um Behandlungsoptionen für Krebspatienten zu analysieren und vorzuschlagen. Watsons neueste Unternehmung hilft bei der Erstellung von personalisierten Lern-Apps für Kinder. Es gibt sogar Versuche, Watson zu trainieren, wie man IBMs Watson kocht Erstellte meine Erntedank-Mahlzeit - hier ist, was geschah IBMs Watson schuf meine Erntedank-Mahlzeit - hier ist, was geschah IBMs künstliche Intelligenz bekannt als Watson kann viele kluge Sachen tun, aber kann es eine komplette verursachen und einzigartiges Thanksgiving-Essen? Ich versuche es. Schau was passiert! Weiterlesen !
4. Deepmind, das Selbst-Gelehrte
Googles Deepmind kann endlich Nerds etwas sorgen machen, weil es Menschen bei klassischen Atari-Spielen schlägt Internet Archive bringt 900 klassische Arcade-Spiele zu Ihrem Browser. Hier sind 7 der besten Internet-Archiv bringt 900 klassische Arcade-Spiele zu Ihrem Browser. Hier sind 7 der besten Arcade-Spiele in Ihrer Stadt, die Mitte der 90er Jahre geschlossen wurden, aber das sollte Sie nicht daran hindern, Ihre klassischen Spiele zu reparieren. Lesen Sie mehr - nun, bestimmte Spiele zumindest. In Spielen wie Asteroid und Gravitar behält die Menschheit immer noch ihren Vorteil.
Deepmind ist eine neurale Netzwerk-KI. Neuronale Netzwerke sind KIs, die erstellt wurden, um die Funktionsweise des menschlichen Geistes zu imitieren, indem virtuelle "Neuronen" mit Computerspeicher erstellt werden.
Deepmind war in der Lage, jedes Pixel der Anzeige zu analysieren, die beste Aktion für die Gewinnbedingungen zu bestimmen und dann mit der Controller-Eingabe zu reagieren.
Die KI erlernte Spiele mit einer Variante von Q-Learning namens Deep Learning. Dies ist eine Lernmethode, bei der die KI die beste Entscheidung behält, die in einer bestimmten Situation getroffen wurde, und sie dann wiederholt, wenn sie dieselbe Situation antrifft.
Die Variante von Deepmind ist jedoch einzigartig, da sie externe Speicherquellen hinzufügt.
Dieses System von gespeicherten Informationen erlaubte es Deepmind, die Muster einiger Atari-Spiele zu meistern und es sogar dazu zu bringen, die optimale Strategie von Breakout alleine zu finden.
Warum hat Deepmind in bestimmten Spielen schlecht abgeschnitten? Wegen der Art, wie es Situationen beurteilt hat. Es stellte sich heraus, dass Deepmind nur vier Frames gleichzeitig analysieren konnte, was seine Fähigkeit einschränkte, in Labyrinthen zu navigieren oder schnell zu reagieren.
Außerdem musste Deepmind jedes Spiel von Grund auf neu lernen und konnte nicht von einem Spiel auf das andere übertragen werden.
5. Alpha Go, der Unglaubliche
AlphaGo ist ein weiteres DeepMind-Projekt und es ist bemerkenswert, weil es zwei Go-Champions von Google schlägt AI Durchbruch: Was es bedeutet und wie es dich beeinflusst Googles AI-Durchbruch: Was es bedeutet und wie es dich beeinflusst Read More - Fan Hui und Lee Sedol - durch das Gewinnen seiner Matchs 5-0 und 4-1, beziehungsweise.
Nach Aussage der Spieler und Spielkommentatoren sagten sie alle, dass die KI konservativ gespielt habe, was nicht überrascht, da sie darauf programmiert war, sichere Züge zu bevorzugen, die den Sieg über riskante Züge garantieren würden, die mehr Punkte sichern würden.
Go wurde früher für AI als unerreichbar erachtet, aber Alpha Go ist jetzt die erste KI, die professionell im Spiel eingestuft wurde.
Das Spiel ist einfach aufgebaut: Zwei Spieler versuchen mit weißen und schwarzen Steinen das Brett zu erobern. Das Brett ist ein 19 x 19 Gitter mit 361 Kreuzungen und die Platzierung der Steine bestimmt das Territorium jedes Spielers. Ziel ist es, mit mehr Territorium zu enden als mit dem anderen.
Die Anzahl der möglichen Züge und Spielzustände ist, gelinde gesagt, massiv. Ja, weit größer als Schach, wenn du dich wunderst.
Alpha Go verwendet das zuvor erwähnte Deep Learning KI-System, was bedeutet, dass Alpha Go die Spiele, die es gespielt hat, speichert und sie als Erfahrung studiert. Dann durchsucht es sie und wählt die Auswahl aus, die die größte Anzahl positiver potenzieller Ergebnisse aufweist.
Alpha Go benötigt viel Rechenleistung, um den rechenintensiven Algorithmus ausführen zu können. Die Version, in der die Matches gespielt wurden, lief auf einem verteilten Satz von Servern mit insgesamt 1.920 CPUs und 280 GPUs - eine enorme Menge an Energie, die 64 gleichzeitige Such-Threads während des Spiels erlaubte.
Wie Watson ist DeepMind auf dem Weg zur medizinischen Fakultät. Deepmind kündigte eine Partnerschaft mit dem britischen NHS an, um Gesundheitsaufzeichnungen zu analysieren. Das Projekt Streams wird dazu beitragen, Patienten mit einem Risiko für Nierenschäden zu identifizieren.
Künstliche Intelligenz wird ernst
Es wird gerade viel in die KI geforscht.
Google hofft, dass AI ihr Suchgeschäft unterstützen kann. Ein Projekt namens Rankbrain versucht, AI zu nutzen, um die Effektivität von Page Rank zu erhöhen. Microsoft und Facebook haben beide Chatbots veröffentlicht. Tesla ist mit seinem automatischen Fahrmodus führend und Google ist mit seinen selbstfahrenden Autos direkt dahinter.
Es mag schwierig sein, die Verbindung zwischen diesen Projekten und dem Training einer KI zu erkennen, um Spiele zu gewinnen, aber jede dieser KIs hat das maschinelle Lernen in irgendeiner Weise geprägt.
Da sich das Feld weiterentwickelt hat, konnten KIs mit komplexeren Datensätzen arbeiten. Diese nahezu unendliche Anzahl von Bewegungen in Go kann sich auf die nahezu unendliche Anzahl von Variablen auf der offenen Straße auswirken. Also, diese Spiele sind nur der Anfang - eine Übungsphase, wenn du so willst.
Das wirklich interessante Zeug ist gleich um die Ecke und es ist sehr gut möglich, dass wir alles aus erster Hand erleben können.
Was reizt Sie an KI? Gibt es ein Spiel, von dem du denkst, dass KI es nicht schafft, es zu erobern? Lassen Sie es uns in den Kommentaren wissen.
Bildkredit: David Pacey über Flickr, Debbie Miesel über IBM, CPRG über Universität von Alberta, Spiel unter Freunden Paf über Flickr, Herr Seb über Flickr, Matt Brown über Flickr, Jiuguang Wang über Flickr