«ИИ AlphaGo Zero бросит игры и займется наукой» 


Главные новости дня читайте в нашем паблике Вконтакте

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.

READ  Nokia зарегистрировала торговую марку Viki для своего будущего виртуального ассистента