När Covid-19 tvingade människor att stanna hemma förra året, återupptäckte datavetaren Tom Zahavy sin passion för schack. Inspirerad av att läsa Garry Kasparovs memoarer, fördjupade sig Zahavy i schackvideor och filmer som ”The Queen’s Gambit” för att driva sitt nyfunna intresse. Zahavy insåg emellertid snart att han var skickligare på schackpussel än på faktiskt spel. Dessa pussel presenterade konstgjorda situationer som utmanade spelare att hitta innovativa sätt att få en fördel.
Inte minst hjälpte dessa schackpussel att belysa begränsningarna hos traditionella schackprogram. Matematikern Sir Roger Penrose skapade ett pussel 2017 som även de starkaste datorschackprogrammen misslyckades med att lösa korrekt. Zahavy insåg att medan datorer kunde överträffa mänskliga spelare i vanligt spel, hade de problem med att tackla komplexa problem utanför sin träningsdata.
Zahavy, en forskningsvetare på Google DeepMind, tog denna insikt som en möjlighet att utforska kreativ problemlösning i AI-system. Han och hans team utvecklade en unik strategi: att kombinera upp till 10 beslutsfattande AI-system optimerade för olika strategier. De integrerade DeepMinds AlphaZero, ett kraftfullt schackprogram, som en utgångspunkt. Genom att samarbeta och dra nytta av varje systems styrkor överträffade det nya programmet AlphaZero ensamt och visade ökad skicklighet och kreativitet i att lösa Penroses pussel. När en metod stötte på hinder övergick programmet sömlöst till en annan.
Framgången med Zahavys tillvägagångssätt återklingade hos datavetenskapsmannen Allison Liemhetcharat. Hon erkände fördelarna med att använda olika AI-system, särskilt i problemlösningssituationer utanför schack. Liemhetcharat betonade att ha ett team av agenter tränade inom olika områden ökar chanserna att effektivt tackla svåra utmaningar.
Denna forskning indikerar att AI-system kan dra nytta av samarbetsinriktad problemlösning och utforska flera lösningar. Antoine Cully, en AI-forskare vid Imperial College London, jämförde det med konstgjorda brainstormingsessioner som leder till kreativ och effektiv problemlösning. Genom att söka alternativa tillvägagångssätt kan AI-system övervinna sina begränsningar och leverera innovativa lösningar.
Zahavys arbete adresserar också begränsningarna hos förstärkningsinlärning, grunden bakom kraftfulla schackprogram som AlphaZero. Även om förstärkningsinlärning tillåter AI-system att lära sig och förbättras genom försök och misstag, misslyckas det ofta med att utveckla en holistisk förståelse för spelet. Zahavy märkte att dessa system hade blinda fläckar när det kom till nya situationer eller problem de aldrig tidigare stött på. Oförmågan att upptäcka misslyckande hindrade deras förmåga att uppvisa kreativitet.
I framtiden uppmuntrar Zahavys forskning integrationen av misslyckandigenkänning och kreativ problemlösning i AI-system. Genom att göra det kan AI-program övervinna blinda fläckar, utöka sina problemlösningsförmågor och erbjuda mer nyanserade lösningar.
**Vanliga frågor och svar:**
Q: Vad inspirerade datavetaren Tom Zahavy att återupptäcka sin passion för schack?
A: Tom Zahavy inspirerades av att läsa Garry Kasparovs memoarer och att titta på schackvideor och filmer som ”The Queen’s Gambit” under Covid-19 lockdown.
Q: Vad insåg Zahavy om schackpussel och traditionella schackprogram?
A: Zahavy insåg att schackpussel hjälpte till att belysa begränsningarna hos traditionella schackprogram. Datorer kunde överträffa mänskliga spelare i vanligt spel, men de hade problem med komplexa problem utanför sin träningsdata.
Q: Hur angrep Zahavy och hans team problemet med kreativ problemlösning i AI-system?
A: Zahavy och hans team kombinerade upp till 10 beslutsfattande AI-system optimerade för olika strategier. De integrerade DeepMinds AlphaZero som en utgångspunkt och utnyttjade varje systems styrkor för att skapa ett nytt program som överträffade AlphaZero ensamt.
Q: Vilken roll spelade samarbete i Zahavys tillvägagångssätt?
A: Samarbete var avgörande i Zahavys tillvägagångssätt. När en metod stötte på hinder övergick programmet sömlöst till en annan, vilket tillät teamet att kombinera styrkorna hos olika system.
Q: Vilka fördelar såg datavetaren Allison Liemhetcharat med att använda olika AI-system?
A: Liemhetcharat betonade att olika AI-system tränade inom olika områden ökar chanserna att effektivt tackla svåra utmaningar, inte bara inom schack utan även i problemlösningscenarier utanför schack.
Q: Vad indikerar forskningen om AI-system och problemlösning?
A: Forskningen indikerar att AI-system kan dra nytta av samarbetsinriktad problemlösning och utforska flera lösningar. Att söka alternativa tillvägagångssätt tillåter dem att övervinna begränsningar och leverera innovativa lösningar.
Q: Vilka begränsningar adresserar Zahavys arbete i förstärkningsinlärning?
A: Zahavys arbete adresserar begränsningarna hos förstärkningsinlärning, grunden bakom kraftfulla schackprogram som AlphaZero. Dessa system har ofta blinda fläckar när det gäller nya situationer eller problem de aldrig tidigare stött på.
Q: Hur föreslår Zahavy att övervinna dessa begränsningar i AI-system?
A: Zahavy föreslår att integrera misslyckandigenkänning och kreativ problemlösning i AI-system. Genom att göra det kan AI-program övervinna blinda fläckar, utöka sina problemlösningsförmågor och erbjuda mer nyanserade lösningar.
**Nyckelbegrepp/Jargong:**
– AlphaZero: Ett kraftfullt schackprogram utvecklat av DeepMind som använder artificiell intelligens för spel.
– Förstärkningsinlärning: En typ av maskininlärning där ett AI-system lär sig genom försök och misstag, får feedback och justerar sina handlingar därefter.
**Föreslagna relaterade länkar:**
– DeepMinds AlphaGo
– Imperial College London
The source of the article is from the blog oinegro.com.br