Vai mākslīgais intelekts var pārspēt ne tikai cilvēka loģisko domāšanu, bet arī radošumu? AlphaGo parādīšanās lika mums pārdomāt mākslīgā intelekta potenciālu un ierobežojumus, neaprobežojoties tikai ar tehnoloģiskām inovācijām. Kopīgi izpētīsim dziļās mācīšanās radītās pārmaiņas un mākslīgā intelekta nākotni.
2016. gadā Google DeepMind izstrādātā Go programma AlphaGo izraisīja globāli nozīmīgu notikumu. AlphaGo savā mačā pret leģendāro 9. dana Go spēlētāju Lī Sedolu sasniedza 4 uzvaru un 1 zaudējuma rekordu. Šī bija pirmā reize Go vēsturē, kad mākslīgais intelekts uzvarēja profesionālu spēlētāju. Go tika uzskatīta par spēli, kurā mākslīgajam intelektam būtu grūtāk pārspēt profesionāļus salīdzinājumā ar šahu. Iemesls ir tāds, ka, lai gan šahs tiek spēlēts uz ierobežota 8 x 8 laukuma ar fiksētām figūrām, Go ir jāapsver neskaitāmas iespējas uz plaša 19 x 19 režģa. Visu iespējamo gājienu aprēķināšana uz šiem 361 laukumiem prasa milzīgu skaitļošanas piepūli, kas vienkāršiem algoritmiem ir neiespējams uzdevums.
Tomēr AlphaGo pārvarēja šo izaicinājumu, pateicoties jaunam AI (mākslīgā intelekta) algoritmam, ko sauc par dziļo mācīšanos, kas ļāva tam uzveikt pasaulē spēcīgāko Go spēlētāju. Dziļā mācīšanās ir aptuveni 50 gadu ilgas AI izstrādes rezultāts, izmantojot inovatīvu metodi, kas nav salīdzināma ar esošajiem algoritmiem. AI vēsture aizsākās 20. gadsimta vidū, un tās pirmsākumi meklējami mākslīgā intelekta koncepcijā, ko ierosināja "Alans Tjūrings". Tjūringa teorija, kas ir slaveni saistīta ar Tjūringa testu, vēlāk kļuva par agrīno AI pētījumu stūrakmeni, tostarp matemātisko pierādījumu programmām un šaha spēles programmām. Tomēr tā laika datoriem trūka pietiekamas skaitļošanas jaudas, un neizbēgami tie sasniedza savas robežas ar algoritmiem, kas vienkārši aprēķināja visus iespējamos scenārijus.
Lai pārvarētu šos ierobežojumus, pētnieki izpētīja dažādas pieejas, no kurām viena bija algoritms, kas pazīstams kā mašīnmācīšanās. Atšķirībā no tradicionālajiem algoritmiem, kas apstrādā fiksētas attiecības starp ieejas un izejas datiem, mašīnmācīšanās izmanto metodi, kurā programmas mācās no dažādiem datiem, lai pašas atklātu noteikumus un modeļus. Jo īpaši dažādu mācību metožu, piemēram, uzraudzītas mācīšanās, nepārraudzītas mācīšanās un pastiprināšanas mācīšanās, izstrāde ievērojami uzlaboja mākslīgā intelekta veiktspēju.
AlphaGo gadījumā tā apguva Go, analizējot aptuveni 30 miljonus profesionālu spēļu ierakstu. Šī procesa laikā tā apguva Go pamatnoteikumus no ierakstiem, izmantojot uzraudzītu mācīšanos, un autonomi apguva standarta gājienus un atbildes stratēģijas katrai situācijai, izmantojot pašmācību. Visbeidzot, izmantojot pastiprinājuma mācīšanos, tā ieguva spēju novērtēt katra gājiena uzvaras līmeni un izvēlēties gājienu ar visaugstāko uzvaras varbūtību. Pateicoties šim mācību procesam, AlphaGo sasniedza līmeni, kas ļāva uzvarēt Lī Sedolu, 9. dana profesionāli.
Dziļā mācīšanās ir vēl viena mākslīgā neironu tīkla algoritmu uzlabota forma, kuras pamatā ir šī mašīnmācīšanās. Mākslīgā neironu tīkla algoritmi atdarina bioloģisko neironu savienošanās veidu, iegūstot rezultātus, izmantojot vairākus procesus. Lai gan agrīnajiem neironu tīkliem bija ierobežojumi, dziļā mācīšanās uzlaboja elastību, apvienojot šos procesus vairākos slāņos. Turklāt mūsdienu skaitļošanas jaudas attīstība ļāva apmierināt dziļās mācīšanās milzīgās skaitļošanas prasības, padarot šo algoritmu par galveno tehnoloģiju mākslīgā intelekta pētniecībā.
Dziļās mācīšanās atdzimšana ir ievadījusi jaunu mākslīgā intelekta zelta laikmetu. Kādreiz ievērojamais, bet drīz ieiešanas tumšajā laikmetā mākslīgais intelekts tagad atkal demonstrē potenciālu. AlphaGo panākumi demonstrēja mākslīgā intelekta spēju risināt sarežģītas problēmas, paverot jaunus apvāršņus mākslīgā intelekta pētniecībai. Rodas perspektīvas, ka diena, kad mākslīgajam intelektam būs cilvēkam līdzīgas kognitīvās spējas, varētu nebūt tālu. AlphaGo parādīšanās bija nozīmīgs pagrieziena punkts, kas parādīja, ka mākslīgais intelekts ir sasniedzis līmeni, kurā tas var patiesi konkurēt ar cilvēkiem, daudz vairāk nekā tikai mainot Go pasauli.
Tādējādi AlphaGo joprojām ir simboliska vienība, kas īstenoja mākslīgā intelekta potenciālu, par kuru cilvēce jau sen bija sapņojusi, pārsniedzot vienkāršu tehnisku sasniegumu. Ņemot vērā, ka mākslīgā intelekta attīstība ir tikai sākumposmā, mākslīgā intelekta ietekme uz mūsu sabiedrību nākotnē ir gandrīz neiedomājama.
Cerības par to, cik tālu var aiziet cilvēka radošuma un tehnoloģiju saplūšana un kādas pārmaiņas tā ienesīs cilvēka dzīvē, turpina pieaugt. Mākslīgā intelekta nākotne tiek veidota pat šobrīd, un mēs atrodamies šīs transformācijas centrā.
