Vajon a mesterséges intelligencia felülmúlhatja-e nemcsak az emberi logikus gondolkodást, hanem a kreativitást is? Az AlphaGo megjelenése arra késztetett minket, hogy újragondoljuk a mesterséges intelligencia lehetőségeit és korlátait az egyszerű technológiai innováción túl. Fedezzük fel együtt a mélytanulás és a mesterséges intelligencia jövője által hozott változásokat.
2016-ban az AlphaGo, a Google DeepMind által fejlesztett Go program, globálisan jelentős eseményt hozott létre. Az AlphaGo 4 győzelem és 1 vereség rekordját érte el Lee Sedol, a legendás 9 danos Go játékos elleni mérkőzésén. Ez volt az első alkalom a Go történetében, hogy egy mesterséges intelligencia legyőzött egy profi játékost. A Go-t olyan játéknak tekintették, ahol a mesterséges intelligencia nehezebben tud legyőzni a profikat, mint a sakk. Ennek az az oka, hogy míg a sakkot egy korlátozott, 8×8-as táblán játsszák, fix bábukkal, a Go számtalan lehetőséget igényel egy hatalmas, 19×19-es rácson. Az összes lehetséges lépés kiszámítása ezen a 361 négyzeten hatalmas számítási erőfeszítést igényel, ami lehetetlen feladat az egyszerű algoritmusok számára.
Az AlphaGo azonban leküzdötte ezt a kihívást egy új, mélytanulásnak nevezett MI (mesterséges Intelligencia) algoritmusnak köszönhetően, amely lehetővé tette számára, hogy legyőzze a világ legerősebb Go-játékosát. A mélytanulás körülbelül 50 évnyi MI-fejlesztés eredménye, amely egy innovatív, a meglévő algoritmusokkal összehasonlíthatatlan módszert alkalmaz. A MI története a 20. század közepéig nyúlik vissza, és Alan Turing által javasolt mesterséges intelligencia koncepciójából ered. Turing elmélete, amely híresen a Turing-teszttel van összefüggésben, később a korai MI-kutatás sarokkövévé vált, beleértve a matematikai bizonyításokra és a sakkjátékokra szolgáló programokat is. Az akkori számítógépek azonban nem rendelkeztek elegendő számítási teljesítménnyel, így elkerülhetetlenül elérték a határaikat az olyan algoritmusokkal, amelyek egyszerűen kiszámítottak minden lehetséges forgatókönyvet.
Ezen korlátok leküzdésére a kutatók különböző megközelítéseket vizsgáltak meg, amelyek egyike a gépi tanulásként ismert algoritmus volt. A hagyományos algoritmusokkal ellentétben, amelyek a bemenetek és kimenetek közötti rögzített kapcsolatokkal foglalkoznak, a gépi tanulás egy olyan módszert alkalmaz, amelyben a programok sokféle adatból tanulnak, hogy önállóan fedezzék fel a szabályokat és mintákat. Különösen a különféle tanulási módszerek – mint például a felügyelt tanulás, a felügyelet nélküli tanulás és a megerősítéses tanulás – fejlesztése javította drámaian a mesterséges intelligencia teljesítményét.
Az AlphaGo esetében a Go-t körülbelül 30 millió profi játékrekord elemzésével tanulta meg. A folyamat során felügyelt tanulással tanulta meg a Go alapvető szabályait a feljegyzésekből, és önállóan, önállóan sajátította el a standard mozdulatokat és válaszstratégiákat minden helyzetre. Végül, megerősítéses tanulással képessé vált arra, hogy kiértékelje az egyes mozdulatok győzelmi arányát, és kiválassza a legnagyobb győzelem valószínűségével járó mozdulatot. Ennek a tanulási folyamatnak köszönhetően az AlphaGo elérte azt a szintet, hogy képes legyőzni Lee Sedolt, egy 9 danos profit.
A mélytanulás a mesterséges neurális hálózati algoritmusok egy továbbfejlesztett formája, amely ezen a gépi tanuláson alapul. A mesterséges neurális hálózati algoritmusok utánozzák a biológiai neuronok összekapcsolódásának módját, és több folyamaton keresztül vezetnek le eredményeket. Míg a korai neurális hálózatoknak voltak korlátaik, a mélytanulás a folyamatok több rétegbe való összevonásával javította a rugalmasságot. Továbbá a modern számítási teljesítmény fejlődése lehetővé tette a mélytanulás hatalmas számítási igényeinek kielégítését, és ezt az algoritmust a mesterséges intelligencia kutatásának egyik alapvető technológiájává tette.
A mélytanulás újjáéledése új aranykort hozott a mesterséges intelligencia számára. Az egykor kiemelkedő, de hamarosan sötét korszakba lépő mesterséges intelligencia most megújult ígéretet mutat. Az AlphaGo sikere demonstrálta a mesterséges intelligencia komplex problémák megoldására való képességét, új horizontokat nyitva meg a mesterséges intelligencia-kutatás számára. Egyre több lehetőség mutatkozik arra, hogy az a nap, amikor a mesterséges intelligencia emberszerű kognitív képességekkel rendelkezik, nem lehet messze. Az AlphaGo megjelenése jelentős mérföldkő volt, amely azt mutatta, hogy a mesterséges intelligencia olyan szintre fejlődött, hogy valóban versenyezhet az emberekkel, messze túlmutatva a Go világának puszta megváltoztatásán.
Így az AlphaGo továbbra is egy szimbolikus entitás marad, amely megvalósította az emberiség régóta álmodott mesterséges intelligencia potenciálját, túllépve egy pusztán technikai vívmányon. Figyelembe véve, hogy a mesterséges intelligencia fejlődése még csak most kezdődik, a mesterséges intelligencia társadalmunkra gyakorolt hatása a jövőben szinte elképzelhetetlen.
Egyre nőnek az elvárások azzal kapcsolatban, hogy meddig mehet el az emberi kreativitás és a technológia fúziója, és milyen változásokat hoz majd az emberi életbe. A mesterséges intelligencia jövője már most is formálódik, és mi ennek az átalakulásnak a középpontjában állunk.
