Da Covid-19 tvang folk til at blive hjemme sidste år, genopdagede datalog Tom Zahavy sin lidenskab for skak. Inspireret af at læse Garry Kasparovs erindringer, dykkede Zahavy ned i skakvideoer og film som “The Queen’s Gambit” for at nære sin nyfundne interesse. Zahavy indså dog snart, at han var bedre til skakpuslespil end til selve spillet. Disse puslespil præsenterede kunstige scenarier, der udfordrede spillere til at finde innovative måder at opnå en fordel på.
Disse skakpuslespil hjalp til at belyse begrænsningerne i traditionelle skakprogrammer. Matematiker Sir Roger Penrose skabte et puslespil i 2017, som selv de stærkeste computer-skakprogrammer ikke kunne løse korrekt. Zahavy indså, at selvom computere kunne overgå menneskelige spillere i almindeligt spil, havde de svært ved at tackle komplekse problemer uden for deres træningsdata.
Zahavy, en forskningsvidenskabsmand hos Google DeepMind, tog denne erkendelse som en mulighed for at udforske kreativ problemløsning i AI-systemer. Han og hans hold udviklede en unik tilgang: ved at kombinere op til 10 beslutningstagende AI-systemer optimeret til forskellige strategier. De integrerede DeepMind’s AlphaZero, et kraftfuldt skakprogram, som udgangspunkt. Ved at samarbejde og udnytte styrkerne i hvert system, overgik det nye program AlphaZero alene og demonstrerede øget færdighed og kreativitet i at løse Penroses puslespil. Når en tilgang mødte en forhindring, kunne programmet problemfrit skifte til en anden.
Succesen med Zahavys tilgang resonerede med datalog Allison Liemhetcharat. Hun anerkendte fordelene ved at bruge forskellige AI-systemer, især i problemløsningsscenarier ud over skak. Liemhetcharat understregede, at have et team af agenter trænet inden for forskellige områder øger chancerne for effektivt at tackle svære udfordringer.
Denne forskning indikerer, at AI-systemer kan drage fordel af samarbejdende problemløsning og udforskning af flere løsninger. Antoine Cully, en AI-forsker ved Imperial College London, sammenlignede det med kunstige brainstorming-sessioner, der fører til kreativ og effektiv problemløsning. Ved at søge alternative tilgange kan AI-systemer overkomme deres begrænsninger og levere innovative løsninger.
Zahavys arbejde adresserer også begrænsningerne i forstærket læring, fundamentet bag kraftfulde skakprogrammer som AlphaZero. Selvom forstærket læring tillader AI-systemer at lære og forbedre sig gennem prøve og fejl, mislykkes det ofte i at udvikle en holistisk forståelse af spillet. Zahavy bemærkede, at disse systemer havde blinde pletter, når det kom til nye situationer eller problemer, de aldrig havde stødt på før. Evnen til at genkende fiasko hæmmede deres evne til at udvise kreativitet.
Fremadrettet opfordrer Zahavys forskning til integration af fiaskogenkendelse og kreative problemløsning i AI-systemer. Ved at gøre det kan AI-programmer overvinde blinde pletter, udvide deres problemløsningskapaciteter og tilbyde mere nuancerede løsninger.
The source of the article is from the blog radardovalemg.com