谷歌的人工智能子公司DeepMind在传统计算机国际象棋的基础上迈出了一大步，采用了一种创新的人工智能模型。传统的计算机国际象棋涉及对棋盘位置进行深入分析，搜索复杂的解决方案树，并利用大量历史对局数据库来制定获胜策略。这种历史悠久的复杂计算任务一直由庞大的计算机执行，现在DeepMind的AlphaZero AI简化了这个过程。
著名的AlphaZero不仅在复杂的棋盘游戏“围棋”中取得了胜利，还拥有了一种全新的下棋能力。通过反复与自己对弈，AlphaZero培养了自己的启发式。这种自学模型需要的数据量明显较少，它专注于将简化的搜索过程与自身的战略学习相结合。
DeepMind最新发布的人工智能并不是努力成为最终的国际象棋对手，而是致力于高效地达到国际象棋大师的水平。谷歌以一种新颖的方式拒绝了教授人工智能棋子移动和下一步计划的复杂性的观念。相反，这个人工智能是通过观察给定棋局中的正确后续着法而得以训练的，通过模仿学习。
这种人工智能不需要了解游戏的前期动作或规则，也不需要遍历决策树。借鉴传统设计而强大的国际象棋引擎Stockfish 16的见解，新的谷歌人工智能发现了竞技比赛所需的模式，取得了令人瞩目的 ELO 评级 2895。
然而，这种方法的效率真正的转折在于：人工智能的转变模型仅仅运行在2.7亿参数上。这只是其他模型需要的一小部分，可以轻松适应高性能台式电脑。
谷歌的实验不仅仅是重新定义国际象棋的意义；它标志着更广泛潜力的出现。通过利用先进机器学习的现有原则，这种精简的人工智能已经展示了在高效处理高强度算法任务中的能力，而无需了解底层规则或战略。这表明了未来一个可能性，复杂的决策制定，曾经被认为需要深入了解，现在可以通过观察和学习人类行为中的模式轻松实现。
人工智能的最小主义方法的出现，由DeepMind在国际象棋领域的新进展所体现，强调了人工智能在超越传统框架方面的潜力。这可以彻底改革游戏以外的几个行业，如金融、医疗保健和自动化，其中人工智能学习模式可能会大大简化复杂的决策过程。
当前市场趋势：
– 轻量级人工智能模型的需求趋势增加，需要较少的计算能力，并且更易于用户访问，而不需要高端硬件。
– 机器学习越来越多地集成到软件即服务（SaaS）平台中，为企业提供使用人工智能而无需重大投资的能力。
– 对人工智能伦理和可解释性的兴趣增长，确保人工智能的决策过程是透明和公平的。
预测：
– 预计对DeepMind开发的类似人工智能模型的需求将增长，因为它们明显降低了成本，并且更适应各种环境。
– 预计人工智能的进步将继续挑战人类在战略游戏中的优势，促使进一步研究以提高人工智能的直观性和学习效率。
主要挑战或争议：
– 有关人工智能决策透明性的讨论仍在继续，因为这些新模型可能不会为其行为提供易于理解的理由。
– 通过模仿学习的人工智能模型可能会继承其训练数据中存在的偏见，可能会延续或放大这些偏见。
– 确保人工智能系统对抗攻击的强大，并且不容易被欺骗或操纵是一个日益关注的问题。
优势：
– 轻量级人工智能模型消耗更少的能源，更环保。
– 这些模型可以使人工智能的使用民主化，使其更易于小型组织和开发人员访问。
– 从少量数据中快速学习的能力表明人工智能可以快速适应新的领域和任务。
劣势：
– 依赖于训练数据质量意味着输入数据中的任何错误或偏见都可能极大地影响输出和行为。
– 人工智能的决策过程缺乏透明度和理解可能是医疗保健和司法等关键领域的障碍，在这些领域，解释性至关重要。
– 随着最小主义人工智能模型变得更加普遍，可能减少发展全面的基于知识的系统的机会。
有关人工智能进展和趋势的更多信息，感兴趣的读者可以访问领先的人工智能研究机构或参与人工智能开发的公司的官方网站。探索此类信息的相关链接是：DeepMind。请确保正确输入网址并仅访问真实可靠的来源。
The source of the article is from the blog rugbynews.at