Момент, положивший начало революции искусственного интеллекта

Когда AlphaGo впервые раскрыла всю свою мощь, это вызвало висцеральная реакция. Ли Седол, величайший в мире игрок в древнюю китайскую настольную игру Го, был явно взволнован мастерством искусственного интеллекта. Притихшая толпа в центре Сеула, Южная Корея, едва могла сдержать вздохи. Ли и десятки миллионов зрителей, наблюдающих дома, быстро поняли, что этот ИИ был другим тем, кто был раньше.

Он не просто побеждал Ли, но делал это с почти человеческими способностями. «У AlphaGo действительно есть интуиция», — сооснователь Google Сергей Брин сказал Новый учёный в 2016 году, вскоре после того, как AlphaGo увеличила счет 3–0. “Он делает красивые движения. Он даже делает движения более красивыми, чем большинство из нас могло бы себе представить”.

Серия завершилась победой системы AlphaGo компании Google DeepMind со счетом 4–1. Ли сказал, что он «в шоке».

Прошло уже десять лет с этого решающего момента для AlphaGo и искусственного интеллекта в целом. Восхищение искусственным интеллектом — обычное явление, связанное с успехом больших языковых моделей, таких как ChatGPT. AlphaGo во многих отношениях был нашим первым взглядом на то, что должно было произойти. Каково наследие AlphaGo спустя десять лет и оправдала ли технология свой потенциал?

«Большие языковые модели теперь в чем-то сильно отличаются от AlphaGo, но на самом деле в их основе лежит технологическая нить, которая на самом деле не изменилась», — говорит Крис Мэддисон из Университета Торонто, который входил в первоначальную команду AlphaGo.

Эта базовая технология — нейронные сети — математические структуры, вдохновленные мозгом и записанные в код. Исторически сложилось так, что создание игровой машины требовало от человека записи правил, которым он должен следовать в различных ситуациях. Благодаря нейронной сети машина учится сама.

Но даже при наличии нейронной сети взломать Go было непростой задачей. Древняя китайская игра, в которой два игрока перемещают черные и белые фишки, чтобы завоевать территорию на доске 19 на 19, допускает 10¹⁷¹ возможные позиции. Для сравнения, их всего 10.⁸⁰ атомы во всей наблюдаемой Вселенной.

Прорыв произошел благодаря Мэддисону и его коллегам, пытавшимся воссоздать интуицию игрока-человека, обучив нейронную сеть предсказывать следующий сильнейший ход на основе миллионов ходов из реальных игр. Людям-игрокам, конечно, не нужно было бы играть так много игр, чтобы развить свою интуицию, но они и никогда не могли бы это сделать – явное преимущество для ИИ.

AlphaGo также не ограничивалась обучением у игроков-людей; он мог бы сыграть миллионы игр против себя, чтобы отточить свои навыки. «Обучаясь с помощью этих игр, он может открыть для себя новые знания и выйти за рамки игроков человеческого уровня», — говорит Пушмит Кохли в Google DeepMind.

Окончательная система, победившая Ли, была более сложной, чем ранние модели Мэддисона, но основная идея была проста: нейронные сети работали. “AlphaGo окончательно показала, что нейронные сети могут распознавать образы лучше, чем люди. По сути, они могут обладать интуицией, превосходящей человеческую”, – говорит Ноам Браун в ОпенАИ.

Другие альфы

Так что же произошло дальше? После AlphaGo исследователи Google DeepMind и искусственного интеллекта приступили к применению этого фундаментального урока в реальных приложениях, например, в математике и биологии. Одним из наиболее ярких примеров этого был AlphaFold, ИИ, который мог предсказать, как белки будут выглядеть в трехмерном пространстве по их химическому составу, гораздо лучше, чем любая программа, созданная человеком. который выиграл команда, стоящая за этим, получила Нобелевскую премию по химии.

Совсем недавно другой ИИ на основе нейронных сетей, AlphaProof, выступил на золотая медаль на Международной математической олимпиадепрестижный тест по математике для студентов, потрясающих математиков. «Вы можете не только получить интеллект, выходящий за пределы человеческого уровня, в игре, но и получить этот опыт в важных научных приложениях», — говорит Кохли.

Логика искусственного интеллекта в стиле AlphaGo и логика, используемая для больших языковых моделей (LLM), таких как ChatGPT, аналогична. Первый шаг, называемый предварительным обучением, включает в себя передачу нейронной сети большого количества человеческих данных, таких как полные игры в го или весь Интернет в случае LLM. На втором этапе, называемом постобучением, сеть улучшается с помощью метода, называемого обучением с подкреплением, который показывает ИИ, как выглядит успех, и позволяет ему понять, как его достичь.

Для AlphaGo это означало, что ей придется играть против самой себя миллионы раз, пока она не найдет лучшие выигрышные стратегии. В случае с AlphaFold речь шла о том, чтобы рассказать ИИ, как выглядит успешно свернутый белок, и позволить ему разобраться в правилах. В случае ChatGPT он сообщает модели, которая лучше отвечает людям, процесс, называемый обучением с подкреплением на основе отзывов людей, или дает ей решение определенной проблемы, например, в математике или кодировании, и позволяет ей решить, как лучше всего «рассуждать» в направлении решения, возвращая свои выходные данные обратно себе, подобно тому, как люди думают вслух.

Но это имеет и недостатки. Нейронные сети во многих отношениях являются черный ящик. Несмотря на попытки выяснить, как они работают, многие из них слишком велики и сложны, чтобы их можно было понять на базовом уровне.

Когда AlphaGo сделала свой теперь знаменитый ход 37, зрители сначала подумали, что ИИ сошел с ума, но только по ходу игры стало ясно, что это был мастерский стратегический ход. Однако инженеры Google DeepMind не могли спросить AlphaGo, почему она сделала этот шаг, и с такой же легкостью это могло быть ошибкой, о которой мы в равной степени не были бы осведомлены в ее обосновании.

«Эти модели дадут ответы, и мы не будем знать, являются ли они гениальными открытиями или галлюцинациями», — говорит Кохли. «Мы все еще активно работаем над решением подобных вопросов».

Значительная часть достижений AlphaGo заключалась в наличии большого количества данных для первоначальной модели и четкого определения успеха. Поэтому имеет смысл, что области, в которых ИИ сегодня добивается наибольших успехов, находятся в областях, где оба этих условия также верны, говорит Мэддисон, таких как математика и программирование, где легко определить и проверить, что правильно, а что неправильно. «Сходство между этими подходами говорит нам о чем-то, и оно говорит нам, каковы основные необходимые ингредиенты для прогресса».

Темы: