Je výhra AlphaGo nad majstrom sveta Li Se-dolom v niečom iná ako porážka európskeho šampióna?
„Komentátor počas zápasu vravel, že také dobré správanie zatiaľ od toho programu nevidel. Asi tam bude výrazný pokrok, pretože AlphaGo stále zlepšujú.“
Znamená to, že AlphaGo dostal nové herné prvky od vývojárov alebo sa ich mohol aj sám naučiť?
„Druhá vec, ktorá sa zmenila, je dôraz na takzvané reinforcement learning. Učenie, ktoré umožňuje to, že program hrá sám proti sebe a zlepšuje sa - bez ohľadu na externé dáta. Samozrejme, mali čas a mohli pridať aj lepšie dáta a oveľa väčšie databázy. Metódam na báze neurónových sietí to veľmi pomôže. Vyzerá však, že reinforcement učenie tam zohralo úlohu.“
Kybernetik: Inteligencia z Googlu preskočila desať rokov Čítajte V minulosti ste spomínali, že skutočná umelá inteligencia by mala mať vlastný štýl hrania. Komentátori si teraz všimli herné prvky, ktoré program opakoval aj pri predošlom zápase. Môže ísť o posun týmto smerom?
„Samotný reinforcement je posunutím týmto smerom. Keď si program vytvára stratégiu sám, hraním proti sebe, tak si vypracuje vlastný štýl. AlphaGo kombinuje tri techniky. Jedným je náhodné prehľadávanie – predstavte si to ako prezeranie databáz, z ktorých náhodne hľadá dobré ťahy. Má tiež hranie podľa predchádzajúcich hier, na čo bol dôraz predtým.
Teraz sa pri hodnotení kladie dôraz na reinforcement prvok – hranie sám proti sebe. AlphaGo hrá podľa komentátorov konzervatívne. Myslím, že je to rozumné. Keďže je program zložený z troch prvkov, ja by som to spravil tak, že počas učenia v laboratóriu by som mu dal väčší priestor experimentovať, ale pri hre proti majstrovi by som mu už nastavil konzervatívnu hru.“
Herný štýl teda môže ovplyvniť, ktorý prvkov mu nechajú vyniknúť, alebo sa rozhoduje program sám?
„Aj v rámci jednotlivých metód je množstvo parametrov, ktoré sa nastavujú. A rozdelenie, ktorý z nich bude mať aký vplyv počas hry, môže byť automatické, aj manuálne, ale určite je tam možnosť nastaviť ho.“
Hovorilo sa aj o tom, že obaja hráči robili chyby. Program ale robil menej chýb ako pri predošlom súboji. Má vďaka intuícii väčšiu šancu poučiť sa z nich ľudský hráč, alebo by získal výhodu AlphaGo, ak dokáže reagovať na chyby protivníka?
„Myslím, že aj jeden aj druhý. Neviem, či vývojári môžu prestavovať parametre počas tohto turnaja. Myslel by som si, že môžu, a ak to spravia, tak aj hra môže mať iný charakter. Je potom otázkou, ako sa s tým hráč vie vyrovnať, pretože ak si on niečo v hre všimne a oni prestavia parametre, ďalšia hra bude úplne iná - a môže to byť preňho na škodu.“
Li tvrdil, že vyhrá 5:0 alebo 4:1. Dá sa po prvom kole predpovedať celkový víťaz?
„Je to hra. Záleží od toho, ako začali. V ďalšej hre môže inak začať a priebeh hry sa môže zvrtnúť na stranu človeka. Pre mňa je ťažko povedať. Ja si myslím, že to nezávisí od toho, ako sa jeden naučí to, čo robí druhý, ale aj od samotnej hry. Je to možno ťažšie predvídateľné ako futbal.“
