«ИИ AlphaGo Zero бросит игры и займется наукой» 

AlphaGo Zero, последнее поколение искусственного интеллекта компании DeepMind, наконец, перейдет от игр в го и покер к решению практических задач. ИИ может приняться за изучение взаимодействий белков в теле человека или законов физики для создания какого-нибудь супераккумулятора или другого полезного устройства.
«Разработка лекарств, белков, квантовая химия, новые материалы — только подумайте, возможно, не за горами появление сверхпроводника, работающего при комнатной температуре, — говорит Демис Хассабис, глава DeepMind. — Я мечтал о таком с тех пор, как был ребенком и читал книги по физике».
Недавно AlphaGo Zero , новая версия алгоритма AlphaGo, победившего чемпиона мира по игре в го Ли Седоля, смогла без помощи человека научиться игре и за три дня с нуля стать гроссмейстером. Отсюда и новое название ИИ — Zero, нулевое вмешательство человека. По мнению Хассабиса, это критически важная характеристика, способная вывести AlphaGo Zero за пределы лаборатории и доски для го. Алгоритм, который может обучаться самостоятельно, будет решать проблемы реального мира, пишет Quartz.
Хассабис, который пока не раскрывает конкретных планов DeepMind, подчеркнул два критерия эффективности AlphaGo Zero в выполнении поставленной задачи. Во-первых, Zero нуждается в реалистичном симуляторе окружающей действительности (в случае с игрой в го это была имитация игровой доски). Симуляция важна, потому что позволяет ИИ проводить тесты быстрее, чем в реальности — нет нужды двигать фишки пять миллионов раз, можно сыграть множество виртуальных партий одновременно. Во-вторых, требуется «целевая функция». В информатике — это число, которое нужно оптимизировать, то есть уменьшить или увеличить. В случае материаловедения этим числом может быть, например, электропроводность.
Оптимизм Хассабиса разделяют не все ученые. По мнению скептиков, ИИ-технология еще только развивается, и тормозит ее прогресс дефицит данных. Симуляторы, необходимые для Zero, требуют достаточно данных для предсказания результатов экспериментов. Однако, ученые еще не провели достаточно опытов в реальном мире, чтобы собрать их. И даже если бы такие данные были, молекулярный мир намного сложнее, чем доска для го, считает Эван Рид, ученый-материаловед из Стэнфорда.
Единственный способ получить искомые данные для Zero — автоматизировать научные эксперименты в реальном мире. «Можем ли мы сделать машину, которая берет разные материалы, создает нечто, измеряет его свойства, а затем начинает заново? — задается вопросом Гербранд Сидер из Беркли. — Пришлось бы автоматизировать все этапы эксперимента. Вот почему материаловедение живет в каменном веке. Вот почему оно так медленно развивается».
Машинное обучение уже применяется в науке и медицине, алгоритмы выполняют многое из того, чем собирается заняться Zero. Например, ищут новые технологии хранения энергии или диагностируют болезнь Альцгеймера задолго до появления симптомов.




comments powered by HyperComments