Praėjusį antradienį pasaulis stebėjo penktąją kovą tarp „Google DeepMind“ kompiuterio ir Go žaidimo čempiono Lee Sedolo. Kompiuteris „AlphaGo“ šią dvikovą laimėjo triuškinančiu rezultatu 4:1. Žinia apie savaitę trukusias kovas per pasaulį nuvilnijo kaip didžiulio šuolio dirbtinio intelekto sistemų tobulinime pranašas. Turbūt daugiausiai esame girdėję apie kompiuterio ir žmogaus dvikovas prie šachmatų lentos, tačiau nuo senovinio kinų žaidimo Go šachmatai skiriasi tuo, kad turi baigtinį žingsnių kombinacijų skaičių.

Iki šiol manyta, kad Go yra pernelyg sudėtingas kompiuteriams įvaldyti: vos prieš mėnesį dirbtinio intelekto ekspertai prognozavo, kad prireiks bent dešimties metų, kol bus sukurtas pakankamai galingas kompiuteris, galėsiantis įveikti žmogų šiame žaidime. Tereikia įsivaizduoti Go žaidimo gerbėjų reakciją, kai Lee Sedolas, vienas geriausių Go žaidėjų pasaulyje, pralaimėjo kompiuteriui tris pirmuosius mačus. Google jau kuria planus, kaip panaudoti „AlphaGo“ kompiuterį ne tik žaidimams, bet ir sprendžiant problemas tikrame pasaulyje.

Ką anos savaitės Go žaidimo rezultatai byloja apie dirbtinio intelekto vystymosi tendencijas? Ko galime tikėtis ir ko baimintis? Ar jau laikas naujaip permąstyti skirtumą tarp žmogaus ir mašinos intelekto? Šiuos klausimus DOXA uždavė filosofui Jonui Dagiui, Cambridge Coding Academy įkūrėjui Andriui Aučinui ir IT analitikui Ignui Namajūnui.

Ignas Namajūnas, dirbtinio intelekto tyrimais užsiimančios UAB „Neurotechnology“ IT analitikas:

Viena vertus, šis pasiekimas yra tik vienas žingsnis dirbtinio intelekto, gebančio spręsti įvairaus pobūdžio problemas, link. Pats „Google DeepMind“ vadovas Demis Hassabis spaudos konferencijoje minėjo, kad esame dar labai ankstyvoje dirbtinio intelekto kūrimo fazėje. Šiuo atžvilgiu su juo sutinka daugelis kitų garsių mokslininkų, tokių kaip „Facebook“ dirbtinio intelekto skyriaus vadovas, Niujorko universiteto profesorius Yann LeCun. Neturėti perdėtų vilčių artimai ateičiai išties svarbu, nes neišsipildžiusios viltys gali sukelti dar vieną dirbtinio intelekto žiemą, kai, ženkliai sumažinus tyrimų finansavimą, pristabdomas progresas.

Kita vertus, šis žingsnis yra svarbus, ir jo populiarumas nėra vien medijų dėmesio pasekmė. Jo mokslinę svarbą iliustruoja jau vien tai, kad algoritmo aprašymas buvo publikuotas prestižiniame mokslo žurnale „Nature“. Nors pats algoritmas išmoko tik vieną dalyką – žaisti Go, tačiau metodai, kurie buvo naudojami šį algoritmą formuojant, buvo kur kas bendresnio pobūdžio.

Vienas iš metodų – tai dirbtiniai neuroniniai tinklai, kurie pastaruoju metu yra itin populiarūs ir pasiekia gerų rezultatų tokiose srityse, kaip objektų ar balso atpažinimas. Jiems paskirtus uždavinius neuroniniai tinklai spręsti išmoksta patys, nors ir panaudodami didelį kiekį duomenų. „AlphaGo“ programa analizavo daugybę įvykusių Go žaidimų ir remdamasi jais išmoko vertinti žaidimo būsenas, nepaisant to, kad Go yra laikomas gana intuityviu žaidimu, o aiškių taisyklių, kaip vertinti kiekvieną žaidimo būseną, nėra. Negana to, „AlphaGo“ žaidė daugybę žaidimų su savimi ir taip pats save mokė. Šių metodų efektyvumas tikrai neapsiriboja vien gebėjimu išmokti žaidimą, taigi, nors artimoje ateityje žmogaus lygio intelekto tikėtis nereikėtų, mūsų laukia daugybė naujų ir žmonijai naudingų dirbtinio intelekto taikymų.

 

Jonas Dagys, Vilniaus universiteto Filosofijos fakulteto docentas:

Nežiūrint šiokios tokios melancholijos, kurią sukelia naujienos apie kokį nors žmogaus pralaimėjimą mašinai, manau, jog populiarią pastarųjų dienų žinią apie „DeepMind AlphaGo“ programos pergalę, reikėtų vertinti be perdėto entuziazmo, būdingo šiuolaikinei žiniasklaidai. Mažų mažiausiai 80 metų (nuo, tarkime, 1936, kai Alanas Turingas publikavo abstraktų logines ir matematines operacijas atliekančio automato aprašymą) mašinos pergalės prieš žmogų, žaidžiant kryžiukus nuliukus, šachmatus ar go, klausimas tebuvo susijęs tik su faktiškai veikiančių mašinų komputacinių resursų ribotumu. Tai buvo tik laiko klausimas.

Turingo mašinai įkandama viskas, ką galima formaliai aprašyti jai „suprantamais“ komputaciniais terminais, su sąlyga jog ji turi pakankamai atminties. Žaidimai, kurių taisykles, eigą ir tikslus galima adekvačiai aprašyti kad ir sudėtingomis ir itin ilgomis, bet baigtinėmis formaliai apibrėžtų simbolių sekomis, čia nesukelia principinių problemų. Intelektas, dirbtinis ar natūralus, turėtų būti siejamas ir su gebėjimu veikti mažiau apibrėžtose kasdienėse situacijose, kur sprendimus lemiančių faktorių ir galimų žaidimo ėjimų ar situacijų aibė nėra vienareikšmiškai aprašyta naudojant baigtinį skaičių sąvokų.

Kalbant apie bendrosios paskirties dirbtinį intelektą, ne mažiau svarbus klausimas yra toks: ar įmanoma visą intelektinę veiklą aprašyti formaliais mašininiais terminais? Kitaip tariant, dirbtinio intelekto programą sudaro ne tik skaičiavimo, bet ir vertimo problema. Mašinos gali susidoroti su bet kokia intelektine užduotimi, kuri yra išversta į mašininę kalbą. Ką ir liudija „AlphaGo“ pergalė prieš Lee Sedol. Tačiau mašinos kol kas negali, ir nėra akivaizdu, jog kada nors galės, sėkmingai ir sklandžiai išsiversti daugiaprasmes natūralios kalbos išraiškas, atlikti adekvačią natūralios kalbos ir mąstymo formalizaciją. Komputacinių raumenų auginimas ir jų demonstravimas yra įspūdingas, bet vargu ar jis savaime išspręs vertimo problemą.

 

Andrius Aučinas, Cambridge Coding Academy bei duomenų tvarkymo platformos HATDeX įkūrėjas:

„Google AlphaGo“ žaidimas prieš vieną geriausių pasaulyje Go žaidėjų buvo akylai stebimas visame pasaulyje ir nuolat aprašomas didžiausių naujienų šaltinių. Kodėl? Greičiausiai todėl, kad daug kas tai matė kaip žmogaus kovą prieš dirbtinį intelektą. Bet tai veikiau vertėtų matyti kaip demonstraciją technologijos, galinčios daug padėti ją sukūrusiam žmogui.

„Google“ pritaikyto „Deep Learning“ metodo esmė visuomet buvo ne žaisti žaidimus, o sukurti mechanizmą, pagal kurį kompiuteris galėtų klasifikuoti bet kokius duomenis, apie juos turėdamas ne visą informaciją ir žinodamas ne visas galimas kombinacijas. Mes galime mastyti labai abstrakčiai ir prieiti prie vienokių ar kitokių išvadų dideliais minties šuoliais, nors ir ne visad teisingais. Kol kompiuteriai negalės panašiai praleisti dalies žingsnių sprendimo paieškoje darydami pagrįstus spėjimus, jie negalės mums pagelbėti sprendžiant abstraktesnes užduotis. Reikšmingi šio algoritmo pritaikymai yra vaizdų ir garsų atpažinimas, kalbos vertimas (pasirodo, „Google Translate“ jau naudoja tai telefone), robotikos inovacijos… Greičiausiai šio algoritmas naudojamas ir garsiajame self-driving automobilio projekte.

Naujienos didelės ir svarbios, bet ne dėl to, kad „AlphaGo“ nugalėjo, o dėl to, kad puikiai demonstruoja technologiją, leidžiančią kompiuteriams generalizuoti situacijas panašiu būdu, kaip tai darytume mes. Kita vertus, praėjusios savaitės naujienos ne itin stebina žmones, dirbančius šioje srityje. Turbūt visos didžiausios technologijų kompanijų naudoja „Deep Learning“ savoms problemoms spręsti ir kuria bibliotekas bei įrankius, kuriais gali naudotis ir kiti. Įdomu ir tai, kad „Google“ nėra „Deep Learning“ metodo autorius, lygiai kaip jie nesukūrė ir originalaus puslapių reitingavimo algoritmo. Tačiau turėdama daugybę duomenų, „Google“ komanda sugebėjo suprasti metodo svarbą, įsigyti jį taikančią kompaniją ir atrasti tinkamiausius metodo pritaikymus. Šių bendrovės veiksmų dėka jau dabar pradedame matyti naują inovacijos bangą duomenų apdorojime.

Ar mes jau artėjame prie apokaliptinių scenarijų, kur technologijos pavergia žmoniją? Tikrai ne – kompiuteriui natūralioje aplinkoje suprasti, kad jam dabar reikėtų žaisti būtent Go žaidimą, yra daug sudėtingesnė užduotis nei sužaisti patį žaidimą.