Η “κίνηση – ματ” της τεχνητής νοημοσύνης

Στις 5 Δεκεμβρίου 2017, η ομάδα της DeepMind είχε αφήσει άφωνο τον κόσμο του σκακιού με την ανακοίνωσή της ότι το AlphaZero, ένας αλγόριθμος μηχανικής μάθησης είχε κατακτήσει την κορυφή όχι μόνο στο σκάκι αλλά και στο shogi ή ιαπωνικό σκάκι και το Go  (γνωστό κινεζικό παιχνίδι στρατηγικής). Ο αλγόριθμος ξεκίνησε χωρίς γνώση του παιχνιδιού πέρα από τους βασικούς κανόνες. Στη συνέχεια έπαιξε εναντίον του εαυτού του εκατομμύρια φορές και έμαθε αμέσως από τα λάθη της. Σε λίγες ώρες, ο αλγόριθμος έγινε ο καλύτερος παίκτης, τόσο στον κόσμο των ανθρώπων όσο και αυτό των υπολογιστών, που είχε εμφανιστεί ποτέ.

Συνέτριψε το Stockfish, με 28 νίκες και 72 ισοπαλίες σε 100 παιχνίδια, επιδεικνύοντας στυλ παιχνιδιού που δεν έχει δείξει ποτέ υπολογιστής- παίζοντας «ενστικτωδώς», παίρνοντας ρίσκα και παραπλανώντας σαν άνθρωπος. “Το AlphaZero είχε τη φινέτσα ενός βιρτουόζου και τη δύναμη μιας μηχανής”, σύμφωνα με τον Στίβεν Στρόγκατς, καθηγητή μαθηματικών στο Cornell και συγγραφέα του «Infinite Powers: How Calculus Reveals the Secrets of the Universe».

Όπως αναφέρει σε σχετικό δημοσίευμα του στους NY Times ο Στρόγκατς,  σχολιάζοντας τη νέα επιστημονική μελέτη γύρω από τα κατορθώματα του AlphaZero, αυτό “Ξεκάθαρα επιδεικνύει ένα είδος νοημοσύνης που οι άνθρωποι δεν έχουν δει στο παρελθόν”: Σε αντίθεση με τις σκακιστικές μηχανές του παρελθόντος, όπως τον διάσημο Deep Blue που νίκησε τον Γκάρι Κασπάροφ το 1997, αλλά και τα σύγχρονα Stockfish και Κomodo,  το AlphaZero δεν παίζει «μηχανικά». Με το machine learning, παίζοντας δηλαδη με τον εαυτό του και αναβαθμίζοντας το νευρωνικό δίκτυό του, το AlphaZero ανακάλυψε μόνο του τις αρχές του σκακιού και έγινε γρήγορα ο καλύτερος παίκτης που υπήρξε ποτέ: “Ήταν η πρώτη ματιά της ανθρωπότητας σε ένα απίστευτο νέο είδος νοημοσύνης” γράφει ο καθηγητής μαθηματικών.

Παρ’ όλο που κατά την πρώτη αναμέτρηση του AlphaZero με το Stockfish, αρκετοί είπαν πως το δεύτερο είχε υποστεί «λοβοτομή», καθώς δεν είχε πρόσβαση στο βιβλίο με τα ανοίγματά του, ωστόσο, όταν αυτό άλλαξε, ηττήθηκε πάλι, με το AlphaZero να νικά επειδή έπαιξε πιο έξυπνα, όχι πιο γρήγορα (εξέτασε μόλις 60.000 θέσεις το δευτερόλεπτο, τη στιγμή που ο αντίπαλος εξέταζε 60 εκατ. το δευτερόλεπτο). Όπως έγραψε σε σχόλιό του ο ίδιος ο Γκάρι Κασπάροφ, το AlphaZero ήταν πιο «σοφό», γνωρίζοντας τι να σκέφτεται και τι να αγνοεί, αναπτύσσοντας ένα στυλ παιχνιδιού που «αντικατοπτρίζει την αλήθεια» για το παιχνίδι, αντί για τις προτεραιότητες και τις προκαταλήψεις των προγραμματιστών.

Το ερώτημα πλέον, όπως τονίζει ο Στρόγκατς, είναι κατά πόσον το machine learning μπορεί να βοηθήσει τους ανθρώπους να ανακαλύψουν παρόμοιες αλήθειες για τομείς που πραγματικά έχουν σημασία, όπως τα μεγάλα άλυτα ερωτήματα της επιστήμης και της ιατρικής. Μέχρι τώρα τα δείγματα είναι ενθαρρυντικά, με επιτυχείς δοκιμές της τεχνολογίας αυτής στον τομέα των διαγνώσεων ή της ερμηνείας εξετάσεων όπως οι αξονικές τομογραφίες.

“Οραματιστείτε μια ημέρα, ίσως στο όχι και τόσο μακρινό μέλλον, όπου το AlphaZero θα έχει εξελιχθεί σε έναν αλγόριθμο επίλυσης πιο γενικών προβλημάτων, ας το πούμε AlphaInfinity. Όπως ο πρόγονός του, θα είχε ανώτερη οξυδέρκεια, θα μπορούσε να βρίσκει όμορφες αποδείξεις, κομψές σαν τις παρτίδες σκάκι που το AlphaZero έπαιζε με το Stockfish. Και κάθε απόδειξη θα έδειχνε γιατί ισχύει ένα θεώρημα…αυτό θα εγκαινίαζε μια νέα εποχή γνώσης για τους ανθρώπους μαθηματικούς και επιστήμονες…θα καθόμασταν στα πόδια του και θα ακούγαμε με ένταση. Δεν θα καταλαβαίναμε γιατί ο μάντης έχει πάντα δίκιο, μα θα ελέγχαμε τους υπολογισμούς του και τις προβλέψεις του, και θα επιβεβαιώναμε τα ευρήματά του. Στην επιστήμη…ο ρόλος μας θα μειωνόταν σε αυτόν του θεατή…ίσως αυτό στο τέλος να μη μας ενοχλούσε. Άλλωστε, στο τέλος το AlphaInfinity θα θεράπευε όλες μας τις ασθένειες, και θα έλυνε όλα μας τα επιστημονικά προβλήματα”, σημειώνει ο αρθρογράφος.