La inteligencia artificial es la frontera de la informática. La ciencia ha avanzado lo suficiente como para que la inteligencia artificial nos esté golpeando en nuestro propio juego, o deberíamos decir, juegos. Algunas personas pueden temer el ascenso de Skynet. Aquí está el porqué los científicos piensan que deberías preocuparte por la inteligencia artificial. Aquí está el por qué los científicos piensan que debes preocuparte por la inteligencia artificial. ¿Crees que la inteligencia artificial es peligrosa? ¿La IA puede representar un serio riesgo para la raza humana? Estas son algunas razones por las que es posible que desee estar preocupado. Lea más con cada evolución de IA, pero somos un poco más optimistas.
AlphaGo es la última IA para vencer a un humano en un juego de mesa, pero proviene de un pedigrí largo. Aunque estas cinco máquinas comenzaron como programas diseñados especialmente, algunas han encontrado vidas secundarias que van más allá de sus llamamientos originales.
En este artículo, veremos cada vez que un humano brillante perdió una computadora y examinaremos qué le dio a cada una de esas computadoras su ventaja decisiva.
1. Deep Blue, el maestro de ajedrez
Deep Blue de IBM y Garry Kasparov tuvieron una de las primeras batallas de alto perfil entre el hombre y la máquina. Kasparov perdió, por supuesto, pero tenían una historia un poco complicada.
Después de que Kasparov derrotara por primera vez al hermano pequeño de Deep Blue, Deep Thought, en 1989, IBM volvió con su nuevo y mejorado Deep Blue en 1996. Kasparov perdió un juego inaugural, empató un segundo, pero luego ganó tres juegos seguidos para llevarse el partido.
No fue hasta una segunda revancha en 1997 que Deep Blue venció a Kasparov, ganando un partido de seis juegos por un juego.
Kasparov dijo que vio inteligencia en el juego de Deep Blue y acusó a IBM de intervenir. La "inteligencia" fue en realidad un error que causó que Deep Blue actuara fuera de personaje. Básicamente, la IA era bastante primitiva, se abría brutalmente a través de posibles movimientos y resultados ...
... y si no pudo encontrar una opción óptima, eligió al azar.
Para cada uno de sus movimientos, Deep Blue modeló todos los movimientos posibles y las respuestas de Kasparov. Pudo modelar hasta veinte movimientos por delante, evaluando millones de posibles posiciones por segundo. Ese modelado requería hardware capaz de un poderoso procesamiento paralelo.
El procesamiento paralelo está dividiendo tareas en tareas informáticas más pequeñas y completando esas tareas al mismo tiempo. Los datos resultantes se compilan de nuevo juntos para el resultado.
Entre los dos partidos, Deep Blue recibió una importante actualización de hardware. El hardware ganador fue un sistema de 30 nodos que se ejecuta en la plataforma Power PC de IBM. Cada nodo tiene procesadores secundarios dedicados a las instrucciones de ajedrez. 10 formas creativas de mejorar tu entrenamiento de ajedrez. 10 formas creativas de mejorar tu entrenamiento de ajedrez. Mejorar el ajedrez es normalmente una práctica deliberada sobre muchos juegos descorazonadores, así que veamos algunas de las formas en que puedes aportar. diversión y creatividad en tu entrenamiento de ajedrez. Lee mas .
Todo combinado, Deep Blue tenía 256 procesadores trabajando en paralelo.
Hay descendientes de este hardware trabajando en centros de datos, pero el verdadero legado de Deep Blue es Watson, el campeón de Jeopardy. Eventualmente, IBM puso a Deep Blue a trabajar en modelos financieros, minería de datos y descubrimiento de fármacos, todas las áreas que necesitan simulaciones a gran escala.
2. Polaris, el campeón de póquer
La Universidad de Alberta creó Polaris, la primera IA en vencer a los profesionales del poker en un torneo. Los investigadores eligieron una variante Texas Hold 'Em para su IA, ya que depende menos de la suerte.
Polaris se enfrentó a los jugadores de poker dos veces. El primero fue en 2007 contra dos jugadores. Las manos fueron pre-repartidas: Polaris tenía un juego de cartas cuando se enfrentaba a un jugador, y el revés cuando jugaba con el otro jugador (para controlar la suerte).
Polaris fue remodelado más tarde para un torneo de 2008 contra seis jugadores. Este fue también un conjunto de juegos pre-tratados. Polaris obtuvo un empate en el primer juego y perdió el segundo, pero finalmente ganó el torneo, viniendo desde atrás y ganando dos juegos seguidos.
A diferencia del ajedrez, el poker no puede ser forzado mediante el modelado porque la IA tiene una imagen limitada del juego, no tiene idea de las manos de sus oponentes.
Las ofertas de tarjetas son infinitamente únicas, lo que hace que el modelado sea aún menos efectivo. Las mismas cartas pueden ser una mano buena o sin valor, solo dependiendo de las otras cartas repartidas. Bluffing presenta otro problema para AI ya que las apuestas por sí solas no son un buen indicador de la fuerza de la mano.
Polaris es una combinación de varios programas, que se llaman agentes. Cada uno de estos programas tenía su propia estrategia, y había otro agente que elegiría cuál de estos era el mejor para cada mano.
Las estrategias utilizadas para analizar el juego de póquer son variadas y requieren teoría de juegos. La idea básica es descubrir cuál sería la mejor estrategia de cada jugador en base a todos los datos disponibles, y Polaris logró esto a través de una técnica llamada " cubo".
El uso del cubo se usa para clasificar las manos de la carta en función de la fuerza. Permitió a Polaris reducir la cantidad de puntos de datos necesarios para realizar un seguimiento del juego. Luego usó la probabilidad de que todos los demás cubos posibles estuvieran disponibles, derivando estos de las cartas visibles.
Polaris tenía una configuración de hardware única: un grupo de 8 computadoras, cada una con 4 CPU y 8 GB de RAM. Estas máquinas ejecutaron las simulaciones necesarias para crear cubos y estrategias para cada agente.
Desde entonces, Polaris evolucionó a otro programa llamado Cepheus, llegando a ser tan avanzado que los investigadores ahora han declarado que Texas Hold 'Em está "débilmente resuelto".
Los juegos se "resuelven" cuando los algoritmos pueden determinar el resultado de un juego desde cualquier posición. Un juego está "débilmente resuelto" cuando el algoritmo no puede explicar el juego imperfecto. Puedes probar tu suerte contra Cepheus aquí.
3. Watson, el Jeopardy Genius
Las victorias de AI hasta este momento en la historia han sido juegos discretos, por lo que la victoria de Watson es un hito para la gente de la corriente principal: Watson llevó la batalla de AI directamente a las salas de estar de Estados Unidos.
Jeopardy es un juego amado conocido por sus trivialidades desafiantes, y tiene una peculiaridad única: las pistas son las respuestas y los concursantes tienen que formular las preguntas. Una verdadera prueba para Watson, que enfrentó a los conocidos campeones de Jeopardy Brad Rutter y Ken Jennings.
Rutter fue el campeón de dinero de todos los tiempos y Ken Jennings tuvo la racha ganadora más larga. Un tercero eligió una variedad aleatoria de preguntas de episodios anteriores para asegurarse de que las preguntas no se escribieron para ayudar o explotar a Watson.
Watson ganó tres juegos consecutivos, uno de práctica y dos televisados, pero hubo algunos caprichos extraños en algunas de las respuestas de Watson. Por ejemplo, justo después de que Jennings respondiera una pregunta incorrecta, Watson respondió con la misma respuesta incorrecta.
Sin embargo, lo que hizo único a Watson fue su habilidad para usar el lenguaje natural. IBM lo llamó Deep QA, que significaba "respuesta a preguntas". El logro clave fue que Watson pudo buscar respuestas con contexto, no solo relevancia de palabras clave.
El software es una combinación de sistemas distribuidos. Hadoop y Apache UIMA trabajan juntos para indexar los datos y permitir que los distintos nodos de Watson trabajen juntos.
Al igual que Deep Blue, Watson se creó en la plataforma Power PC de IBM. Watson era un clúster de 90 núcleos con 16 TB de RAM. Para los juegos de Jeopardy, todos los datos relevantes fueron cargados y almacenados en la memoria RAM.
¿Qué datos relevantes? Bueno, Watson tuvo acceso al texto completo de Wikipedia. Tenía una variedad de diccionarios, tesauros, enciclopedias y otros materiales de referencia. Watson no tuvo acceso a Internet durante el juego, pero todos los datos locales fueron de aproximadamente 4 TB.
Más recientemente, Watson se ha utilizado para analizar y sugerir opciones de tratamiento para pacientes con cáncer. La última empresa de Watson está ayudando a crear aplicaciones de aprendizaje personalizadas para niños. Incluso hay intentos de capacitar a Watson sobre cómo cocinar Watson de IBM creó mi comida de Acción de Gracias: esto es lo que sucedió Watson de IBM creó mi comida de acción de gracias: esto es lo que sucedió La inteligencia artificial de IBM conocida como Watson puede hacer muchas cosas inteligentes, pero ¿puede crear una comida única de Acción de Gracias? Lo intento. ¡Mira qué pasa! Lee mas !
4. La mente profunda, el autodidacta
Deepmind de Google finalmente puede dar a los nerds algo de lo que preocuparse porque está golpeando a los humanos en los juegos clásicos de Atari. Internet Archive trae 900 juegos clásicos de Arcade a su navegador. Here Are 7 Of The Best Internet Archive trae 900 juegos clásicos de Arcade a su navegador. Aquí están 7 de lo mejor Es posible que la sala de juegos de su ciudad se haya cerrado a mediados de los 90, pero eso no debería impedir que consiga la reparación de su clásico juego. Leer más - bueno, ciertos juegos al menos. La humanidad aún mantiene su ventaja en juegos como Asteroid y Gravitar.
Deepmind es una red neuronal AI. Las redes neuronales son IAs que se crean para imitar la forma en que funciona la mente humana, lo que hace mediante la creación de "neuronas" virtuales utilizando la memoria de la computadora.
Deepmind fue capaz de analizar cada píxel de la pantalla, decidir la mejor acción para tomar dadas las condiciones de victoria, y luego responder con la entrada del controlador.
La IA aprendió juegos usando una variante de Q-Learning llamada Deep Learning. Este es un método de aprendizaje donde la IA retiene la mejor decisión tomada en cierta situación, luego la repite cuando encuentra la misma situación.
La variante de Deepmind es única, sin embargo, porque agrega fuentes de memoria externas.
Este sistema de información retenida permitió a Deepmind dominar los patrones de algunos juegos de Atari, e incluso lo llevó a encontrar la estrategia óptima de Breakout por sí mismo.
¿Por qué Deepmind tuvo un bajo rendimiento en ciertos juegos? Por la forma en que juzga las situaciones. Resultó que Deepmind solo podía analizar cuatro cuadros a la vez, lo que limitaba su capacidad para navegar por los laberintos o reaccionar rápidamente.
Además, Deepmind tenía que aprender cada juego desde cero y no podía aplicar las habilidades de un juego a otro.
5. Alpha Go, the Incredible
AlphaGo es otro proyecto de DeepMind y es notable porque logró vencer a dos campeones profesionales de Go. Avance de AI: lo que significa y cómo lo afecta. Avance de IA de Google: lo que significa y cómo te afecta. Leer más - Fan Hui y Lee Sedol - ganando sus partidos 5-0 y 4-1, respectivamente.
De acuerdo con los jugadores y los comentaristas de los partidos, todos dijeron que la inteligencia artificial jugó de forma conservadora, lo cual no es sorprendente porque estaba programado para favorecer movimientos seguros que garantizaran la victoria sobre movimientos arriesgados que garantizarían más puntos.
En una ocasión, se pensó que Go estaba fuera del alcance de la IA, pero Alpha Go es ahora la primera IA en ser clasificada profesionalmente en el juego.
El juego tiene una configuración simple: dos jugadores intentan conquistar el tablero usando piedras blancas y negras. El tablero es una cuadrícula de 19 x 19 con 361 intersecciones, y la colocación de piedras determina el territorio de cada jugador. El objetivo es terminar con más territorio que el otro.
La cantidad de movimientos potenciales y estados de juego es masiva, por decir lo menos. Sí, mucho más que el ajedrez, si te lo estás preguntando.
Alpha Go usa el sistema de IA de Aprendizaje Profundo antes mencionado, lo que significa que Alpha Go guarda memoria de los juegos que se juegan y los estudia como experiencia. Luego busca a través de ellos, seleccionando la opción que tenga el mayor número de resultados potenciales positivos.
Alpha Go necesita una gran cantidad de poder de computadora para ejecutar su algoritmo de cálculo pesado. La versión que reproducía las coincidencias se ejecutaba en un conjunto distribuido de servidores con un total de 1.920 CPU y 280 GPU, una enorme cantidad de potencia que permitía 64 búsquedas simultáneas durante el juego.
Al igual que Watson, DeepMind se dirige a la escuela de medicina. Deepmind anunció una asociación con el NHS del Reino Unido para analizar los registros de salud. El proyecto, Streams, ayudará a identificar pacientes en riesgo de daño renal.
La inteligencia artificial se está poniendo seria
Hay mucha investigación investigando a AI ahora mismo.
Google espera que AI pueda ayudar a su negocio de búsqueda. Un proyecto llamado Rankbrain está buscando usar AI para mejorar la efectividad de Page Rank. Microsoft y Facebook lanzaron chatbots. Tesla lidera la vanguardia con su modo de conducción automática, y Google está justo detrás con sus autos sin conductor.
Puede ser difícil ver la conexión entre estos proyectos y el entrenamiento de una IA para ganar juegos, pero cada una de estas IA ha dado forma al aprendizaje automático de alguna manera.
A medida que el campo ha evolucionado, ha permitido que las IAs funcionen con conjuntos de datos más complejos. Esas cantidades casi infinitas de movimientos en Go pueden traducirse en el número casi infinito de variables en el camino abierto. Entonces, realmente, estos juegos son solo el comienzo, una fase de práctica, si se quiere.
Lo realmente interesante está a la vuelta de la esquina, y es muy posible que podamos experimentarlo de primera mano.
¿Qué te emociona de la IA? ¿Hay algún juego que pienses que AI no puede conquistar? Háganos saber en los comentarios.
Crédito de la imagen: David Pacey a través de Flickr, Debbie Miesel a través de IBM, CPRG a través de la Universidad de Alberta, Play Among Friends Paf a través de Flickr, Mr Seb a través de Flickr, Matt Brown a través de Flickr, Jiuguang Wang a través de Flickr