Die AIs gewinnen fünfmal, wenn Computer Menschen schlagen

Künstliche Intelligenz ist die Grenze der Informatik. Die Wissenschaft ist so weit fortgeschritten, dass die KI uns in unserem eigenen Spiel schlägt - oder, wenn wir sagen, Spiele. Manche Menschen fürchten den Aufstieg von Skynet. Warum denken Wissenschaftler, Sie sollten sich Sorgen über künstliche Intelligenz machen? Warum denken Wissenschaftler, sollten Sie über künstliche Intelligenz sorgen? Denken Sie, dass künstliche Intelligenz gefährlich ist? Kann die KI ein ernstes Risiko für die Menschheit darstellen? Dies sind einige Gründe, warum Sie sich Sorgen machen wollen. Lesen Sie bei jeder KI-Entwicklung mehr, aber wir sind etwas optimistischer.

AlphaGo ist die neueste KI, die einen Menschen in einem Brettspiel besiegt, aber es stammt aus einem langen Stammbaum. Obwohl diese fünf Maschinen mit speziellen Programmen begonnen haben, haben einige ein zweites Leben gefunden, das über ihre ursprünglichen Aufrufe hinausgeht.

In diesem Artikel gehen wir jedes Mal durch, wenn ein brillanter Mensch an einen Computer verloren geht, und untersuchen, was jedem dieser Computer seinen entscheidenden Vorteil verschafft hat.

1. Deep Blue, der Schachmeister

IBMs Deep Blue und Garry Kasparov hatten eine der ersten hochkarätigen Schlachten zwischen Mensch und Maschine. Kasparov hat natürlich verloren, aber sie hatten etwas komplizierte Geschichte.

Nachdem Kasparov 1989 den kleinen Bruder Deep Thought von Deep Blue zum ersten Mal besiegt hatte, kehrte IBM 1996 mit seinem neuen und verbesserten Deep Blue zurück. Kasparov verlor ein Eröffnungsspiel, verlor ein zweites Spiel, gewann dann aber drei Spiele in Folge.

Es war nicht bis zu einem zweiten Rückkampf im Jahr 1997, dass Deep Blue Kasparov besiegte und ein Spiel von Spiel zu Spiel gewann.

Kasparov sagte, er habe Geheimnisse in Deep Blue gesehen und IBM vorgeworfen, eingegriffen zu haben. Das “Intelligenz” war eigentlich ein Fehler, der dazu führte, dass Deep Blue außerhalb des Charakters agierte. Im Grunde war die KI eher primitiv, brutal und zwang sich ihren Weg durch mögliche Bewegungen und Ergebnisse…

… Und wenn es keine optimale Wahl fand, entschied es sich zufällig.

Für jede seiner Bewegungen modellierte Deep Blue alle möglichen Bewegungen und die Antworten von Kasparov. Es konnte bis zu zwanzig Schritte vorwärts modellieren und Millionen möglicher Positionen pro Sekunde auswerten. Diese Modellierung erforderte Hardware, die eine leistungsfähige parallele Verarbeitung ermöglicht.

Bei der Parallelverarbeitung werden Aufgaben in kleinere Rechenaufgaben aufgeteilt und gleichzeitig erledigt. Die resultierenden Daten werden dann für das Ergebnis wieder zusammengesetzt.

Zwischen den beiden Spielen erhielt Deep Blue ein bedeutendes Hardware-Upgrade. Die preisgekrönte Hardware war ein System mit 30 Knoten, das auf der Power-PC-Plattform von IBM lief. Jeder Knoten hatte sekundäre Prozessoren für Schachanweisungen. 10 Kreative Möglichkeiten, Ihr Schachtraining zu überladen 10 Kreative Möglichkeiten, Ihr Schachtraining zu überlasten Um Schach besser zu machen, ist normalerweise eine absichtliche Übung in vielen entmutigenden Spielen erforderlich. Schauen wir uns also einige Möglichkeiten an, die Sie mitbringen können Spaß und Kreativität beim Schachtraining. Weiterlesen .

Bei Deep Blue wurden insgesamt 256 Prozessoren parallel betrieben.

Es gibt Nachkommen dieser Hardware, die in Rechenzentren arbeiten, aber das wahre Vermächtnis von Deep Blue ist Watson, der Jeopardy-Champion. Schließlich setzte IBM Deep Blue ein, um an der Finanzmodellierung, dem Data Mining und der Wirkstoffsuche zu arbeiten - in allen Bereichen, die umfangreiche Simulationen erfordern.

2. Polaris, der Pokerchampion

Die University of Alberta gründete Polaris, die erste KI, die Poker-Profis in einem Turnier schlug. Die Forscher wählten eine Texas Hold'em-Variante für ihre KI, da sie am wenigsten vom Glück abhängt.

Polaris stellte sich zweimal gegen Pokerspieler. Der erste war 2007 gegen zwei Spieler. Die Hände wurden vorab ausgeteilt - Polaris hatte einen Satz Karten, wenn er gegen einen Spieler antritt, und die umgekehrte Hand, wenn der andere Spieler spielt (um das Glück zu kontrollieren).

Polaris wurde später für ein Turnier 2008 gegen sechs Spieler umgerüstet. Dies war auch eine Reihe von Spielen. Polaris gewann im ersten Spiel ein Unentschieden und verlor das zweite, gewann schließlich aber das Turnier, kam von hinten und gewann zwei Spiele in Folge.

Im Gegensatz zu Schach kann Poker nicht durch Modellieren brutal erzwungen werden, da die KI ein begrenztes Bild des Spiels hat - sie hat keine Ahnung von den Händen ihrer Gegner.

Kartenabkommen sind fast unendlich einzigartig, wodurch das Modellieren noch weniger effektiv ist. Dieselben Karten können eine gute oder wertlose Hand sein, nur abhängig von den anderen Karten, die ausgegeben werden. Bluffing stellt ein weiteres Problem für AI dar, da Wetten allein kein guter Indikator für die Handstärke sind.

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 sich aussuchen konnte, welches davon das beste für eine bestimmte Hand war.

Die Strategien zum Abbau des Pokerspiels sind vielfältig und erfordern Spieltheorie. Die Grundidee besteht darin, herauszufinden, welche beste Strategie die einzelnen Spieler auf der Grundlage aller verfügbaren Daten haben würden, und Polaris gelang dies mit einer sogenannten Technik Bucketing.

Bucketing wird verwendet, um Kartenhände nach Stärke zu klassifizieren. Dadurch konnte Polaris die Anzahl der Datenpunkte reduzieren, die zum Verfolgen des Spiels erforderlich sind. Dann nutzte er die Wahrscheinlichkeit aller anderen möglichen verfügbaren Buckets, um diese von den sichtbaren Karten abzuleiten.

Polaris hatte ein einzigartiges Hardware-Setup: ein Cluster von 8 Computern mit jeweils 4 CPUs und 8 GB RAM. Diese Maschinen führten die für die Erstellung der Buckets und Strategien für jeden Agenten erforderlichen Simulationen aus.

Seitdem hat sich Polaris zu einem weiteren Programm namens Cepheus entwickelt, das so weit fortgeschritten ist, dass die Forscher Texas Hold 'Em nun für erklärt haben “schwach gelöst”.

Spiele sind “gelöst” Wenn Algorithmen das Ergebnis eines Spiels aus jeder Position bestimmen können. Ein Spiel ist “schwach gelöst” wenn der Algorithmus das fehlerhafte Spiel nicht berücksichtigen kann. Sie können hier gegen Cepheus Ihr Glück versuchen.

3. Watson, das Gefährdungsgenie

KI-Siege bis zu diesem Zeitpunkt in der Geschichte waren unauffällige Spiele, weshalb der Sieg von Watson für Mainstream-Leute ein Meilenstein ist: Watson brachte den Kampf der KI in die amerikanischen 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 Teilnehmer müssen sich die Fragen stellen. Ein echter Test für Watson, der gegen den bekannten Jeopardy-Champion Brad Rutter und Ken Jennings antrat.

Rutter war der All-Time-Geldchampion und Ken Jennings hatte die längste Siegesserie. Ein Dritter wählte eine zufällige Auswahl von Fragen aus älteren Episoden, um sicherzustellen, dass Fragen nicht geschrieben wurden, um Watson zu unterstützen oder auszunutzen.

Watson gewann drei Spiele in Folge - ein Training und zwei im Fernsehen -, aber es gab einige merkwürdige Macken in einigen Antworten von Watson. Direkt nachdem Jennings beispielsweise eine falsche Frage beantwortet hatte, antwortete Watson mit derselben falschen Antwort.

Was Watson jedoch so einzigartig machte, war seine Fähigkeit, natürliche Sprache zu verwenden. IBM nannte dies Deep QA, für das stand “Frage beantworten”. Die wichtigste Errungenschaft war, dass Watson nach Antworten suchen konnte, nicht nur nach der Relevanz von Keywords.

Die Software ist eine Kombination aus verteilten Systemen. Hadoop und Apache UIMA arbeiten zusammen, um die Daten zu indizieren und die verschiedenen Knoten von Watson zusammenarbeiten zu lassen.

Wie Deep Blue wurde Watson auf der Power PC-Plattform von IBM aufgebaut. Watson war ein 90-Core-Cluster mit 16 TB RAM. Für die Jeopardy-Spiele wurden alle relevanten Daten geladen und im RAM gespeichert.

Welche relevanten Daten? Nun, Watson hatte Zugriff auf den Volltext von Wikipedia. Es gab eine Reihe von Wörterbüchern, Thesauri, Enzyklopädien und anderen Referenzmaterialien. Watson hatte während des Spiels keinen Zugang zum Internet, aber alle lokalen Daten waren etwa 4 TB groß.

Vor kurzem wurde Watson verwendet, um Behandlungsoptionen für Krebspatienten zu analysieren und vorzuschlagen. Das neueste Projekt von Watson hilft dabei, personalisierte Lern-Apps für Kinder zu erstellen. Es gibt sogar Versuche, Watson darin zu schulen, wie man Watson von IBM kocht. Er hat meine Thanksgiving-Mahlzeit kreiert. Hier ist, was passiert ist. Watson, IBM hat meine Thanksgiving-Mahlzeit kreiert. Hier ist, was passiert ist einzigartiges Thanksgiving-Essen? Ich versuche es. Schau was passiert! Weiterlesen !

4. Deepmind, das Selbstverständliche

Googles Deepmind kann Nerds endlich Sorgen bereiten, weil sie bei klassischen Atari-Spielen Menschen schlagen. Internet-Archiv bringt 900 klassische Arcade-Spiele in Ihren Browser. Hier sind 7 der besten Internet-Archive bringt 900 klassische Arcade-Spiele für Ihren Browser. Hier sind 7 der Besten Die Arcade Ihrer Stadt wurde möglicherweise Mitte der 90er Jahre geschlossen, aber das sollte Sie nicht davon abhalten, Ihre klassischen Spiele zu reparieren. Lesen Sie mehr - zumindest bestimmte Spiele. In Spielen wie Asteroid und Gravitar bleibt die Menschheit immer noch am Rand.

Deepmind ist eine neuronale Netzwerk-KI. Neuronale Netzwerke sind AIs, die erstellt wurden, um die Funktionsweise des menschlichen Geistes nachzuahmen, was durch die Erstellung von virtuellen Funktionen erreicht wird “Neuronen” unter Verwendung des Computerspeichers.

Deepmind war in der Lage, jedes Pixel der Anzeige zu analysieren, die beste Aktion zu bestimmen, um die Win-Bedingungen zu ergreifen, und dann mit der Controller-Eingabe zu antworten.

Die KI lernte Spiele mit einer Variante des Q-Learning namens Deep Learning. Dies ist eine Lernmethode, bei der die KI die beste Entscheidung behält, die in bestimmten Situationen getroffen wurde, und sie dann wiederholt, wenn sie auf dieselbe Situation trifft.

Die Variante von Deepmind ist jedoch einzigartig, da sie externe Speicherquellen hinzufügt.

Dieses System der zurückbehaltenen Informationen ermöglichte es Deepmind, die Muster einiger Atari-Spiele zu beherrschen und sogar die optimale Strategie von Breakout für sich allein zu finden.

Warum hat Deepmind in bestimmten Spielen eine schlechte Leistung gezeigt? Wegen der Art, wie es Situationen beurteilte. Es stellte sich heraus, dass Deepmind nur vier Frames gleichzeitig analysieren konnte, wodurch seine Fähigkeit eingeschränkt wurde, durch Labyrinthe zu navigieren oder schnell zu reagieren.

Außerdem musste Deepmind jedes Spiel von Grund auf lernen und konnte keine Fertigkeiten von Spiel zu Spiel anwenden.

5. Alpha Go, das Unglaubliche

AlphaGo ist ein weiteres DeepMind-Projekt und es ist bemerkenswert, dass es geschafft hat, zwei professionelle Go-Champions von Google KI-Durchbruch zu schlagen: Was bedeutet es und wie wirkt es sich aus? Goos KI-Durchbruch: Was bedeutet es und wie wirkt es auf Sie? Lesen Sie mehr - Fan Hui und Lee Sedol - durch den Gewinn von 5-0 bzw. 4-1.

Den Spielern und Spielkommentatoren zufolge gaben alle an, dass die KI konservativ gespielt habe. Dies ist nicht weiter überraschend, da sie sichere Moves favorisieren sollte, die den Sieg über riskante Moves sichern und mehr Punkte sichern würden.

Man glaubte, dass Go einst für die KI unerreichbar war, aber Alpha Go ist jetzt die erste KI, die professionell im Spiel eingestuft wurde.

Das Spiel ist einfach aufgebaut: Zwei Spieler versuchen, das Brett mit weißen und schwarzen Steinen zu erobern. Das Brett ist ein 19 x 19-Gitter mit 361 Kreuzungen, und die Anordnung der Steine ​​bestimmt das Territorium jedes Spielers. Das Ziel ist, mit mehr Gebiet als dem anderen zu enden.

Die Anzahl möglicher Züge und Spielzustände ist enorm, um es gelinde auszudrücken. Ja, viel größer als Schach, wenn Sie sich fragen.

Alpha Go verwendet das zuvor erwähnte Deep Learning AI-System, was bedeutet, dass Alpha Go die Erinnerung an die gespielten Spiele speichert und sie als Erfahrung betrachtet. Anschließend durchsucht er sie und wählt die Auswahl mit den meisten positiven potenziellen Ergebnissen aus.

Alpha Go benötigt viel Rechenleistung, um den rechnerlastigen Algorithmus auszuführen. 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 Leistung, die während des Spiels 64 gleichzeitige Suchthreads zuließ.

Wie Watson geht DeepMind in die medizinische Fakultät. Deepmind kündigte eine Partnerschaft mit dem britischen NHS an, um Gesundheitsdaten zu analysieren. Das Projekt Streams hilft dabei, Patienten zu identifizieren, bei denen ein Risiko für Nierenschäden besteht.

Künstliche Intelligenz wird ernst

Zurzeit beschäftigt sich die KI mit Forschung.

Google hofft, dass KI ihr Suchgeschäft unterstützen kann. Ein Projekt namens Rankbrain möchte KI einsetzen, um die Wirksamkeit des 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 gleich dahinter.

Es mag schwierig sein, die Verbindung zwischen diesen Projekten und dem Training einer KI zu erkennen, um Spiele zu gewinnen, aber jedes dieser AI hat das maschinelle Lernen in gewisser Weise geprägt.

Während sich das Feld weiterentwickelt hat, hat es AIs ermöglicht, mit komplexeren Datensätzen zu arbeiten. Diese fast unendliche Anzahl von Zügen in Go kann sich auf die nahezu unendliche Anzahl von Variablen auf offener Straße übertragen. Diese Spiele sind also nur der Anfang - eine Übungsphase, wenn Sie so wollen.

Das wirklich interessante Zeug ist gleich um die Ecke und es ist sehr wahrscheinlich, dass wir das alles hautnah erleben können.

Was reizt dich an AI? Gibt es ein Spiel, von dem Sie glauben, dass die KI letztendlich nicht siegen kann? Lass es uns in den Kommentaren wissen.

Bildnachweis: David Pacey über Flickr, Debbie Miesel über IBM, CPRG über University of Alberta, Play unter Friends Paf über Flickr, Herr Seb über Flickr, Matt Brown über Flickr, Jiuguang Wang über Flickr

Erfahren Sie mehr über: Künstliche Intelligenz.