Искусственный интеллект. Краткая история будущего - Тоби Уолш

доску и, следовательно, точно знают положение дел. Вероятность случайности отсутствует. Чего нельзя сказать о покере, ведь во время игры карты скрыты. Поэтому покер – это игра вероятностей и психологии. Вам необходимо понимать стратегию ваших противников. Когда они блефуют? Когда могут спасовать? Эти две отличительные черты делают покер для искусственного интеллекта задачей намного сложнее, чем шахматы. Вследствие этого, после успеха Deep Blue, для создания хорошего бота для игры в покер потребовалась еще пара десятков лет. Тем не менее на сегодняшний день искусственный интеллект уже очень хороший покерный игрок. Поэтому советую вам не делать ставки на его проигрыш.

В 2015 году Майкл Боулинг и его коллеги из университета Альберты разработали ИИ-бот Cepheus для игры в техасский холдем один на один. Поскольку ставки ограничены, а игроков всего двое, игра становится намного проще, чем при неограниченных ставках и с бóльшим количеством игроков. Учитывая ту роль, которую играет в покере случайность, невозможно выигрывать деньги в каждой раздаче: вам могут просто выпасть несчастливые карты. Команда университета Альберты провела восемь миллионов часов[38] за вычислениями, чтобы показать, что стратегия, разыгрываемая ботом Cepheus, практически безупречна и его невозможно победить. На протяжении всей своей игровой карьеры программа так и не будет повержена.

Два года спустя, в 2017 году, профессор университета Карнеги – Меллона Туомас Сандхольм и его коллеги разработали программу под названием Libratus для игры в более сложную и популярную игру один на один в безлимитный техасский холдем. Libratus сыграл против четырех профессиональных игроков в Питтсбурге, штат Пенсильвания, в борьбе за приз в 200 000 долларов. Они поучаствовали в трехнедельном марафоне из 120 000 раздач. Поскольку на протяжении всего турнира было огромное количество раздач, каждая из которых разыгрывалась в обе стороны, чтобы у каждого игрока было как можно больше как хороших, так и плохих комбинаций, мы с уверенностью можем сказать, что конечный результат не был случайным. Libratus вел с первого дня и безоговорочно стал победителем турнира.

Libratus – еще один пример могущества грубой силы математики. Для разработки программы потребовалось более 15 миллионов часов вычисления на суперкомпьютере в Питтсбургском суперкомпьютерном центре. Во время турнира Libratus каждую ночь тратил еще четыре миллиона часов на вычисления для усовершенствования своей стратегии, анализа предыдущих игровых дней, особое внимание уделяя проигрышам. Дон Ким, один из профессиональных игроков, играющих против компьютера, был поражен результатом. «До сегодняшнего дня я не осознавал, насколько он хорош. Я как будто играл против того, кто все время жульничал и видел все мои карты. Я не обвиняю программу в шулерстве. Это действительно было невероятно» [6].

Несмотря на то что некоторые игры по-прежнему представляют проблему для компьютеров, они все же сыграли важную роль в истории искусственного интеллекта. Их четкие правила и очевидные победители делают игры хорошим выбором для автоматизации, а для победы необходим высокий уровень интеллекта. Таким образом, игры предлагают простой, но идеализированный мир, в котором можно разрабатывать мыслящие машины и количественно оценивать достигнутый прогресс.

Игры также протестировали возражение Ады Лавлейс о том, что компьютеры могут делать только то, что им велено. Как компьютеры могут победить лучшего в мире шахматного или покерного игрока, если они всего лишь делают то, на что другой человек запрограммировал их? Ответ заключается в том, что компьютеры не делают в точности то, что им приказано делать. Компьютер может играть сам по себе, а затем, после каждой игры, обновлять стратегию для поиска наилучших и выигрышных ходов и избегания плохих, которые могут привести к поражению. Следовательно, компьютеры могут обучаться самостоятельно. В довершение всего мы также используем высокую скорость компьютера, чтобы играть в игры намного быстрее, чем это может делать человек. Количество сыгранных партий у Libratus намного больше, чем когда-либо сможет сыграть человек за всю жизнь, проводя каждый вечер за игрой в покер.

На самом деле, Libratus обучался довольно медленно, но этот недостаток компьютеры могут компенсировать своей скоростью и способностью играть в другие игры. Человеку необходимо 10 000 часов, чтобы развить, как говорит герой Лиама Нисона в фильме «Заложница», «много необычных способностей»[39] [7]. Искусственный интеллект, напротив, гораздо медленнее. Ему требуется более десяти миллионов часов для освоения покера, но, как знаменитая черепаха из басни, впоследствии он сможет опередить человека. Можете делать на это ставки.

Идея № 3:

Следовать правилам

История искусственного интеллекта – это череда взлетов и падений.

Первый взлет произошел на рубеже 1960-х и 1970-х годов, когда исследовательские проекты по типу Шейки вызывали бурю эмоций. Финансирование этих проектов потекло рекой и спровоцировало ряд уверенных прогнозов о том, что будущее и умные машины уже не за горами. Но к 1974 году такая уверенность сменилась всеобщим разочарованием. Ограниченные возможности искусственного интеллекта стали все более очевидными, и мы вступили в эпоху под названием «зима искусственного интеллекта».

Парламент Великобритании обратился к профессору сэру Джеймсу Лайтхиллу[40] с просьбой оценить текущее состояние исследований в области искусственного интеллекта. В опубликованном в 1973 году отчете он был крайне критичен, отмечая, что «ни в одной области науки сделанные на сегодняшний день открытия не оказали того значительного воздействия, которое было когда-то обещано». Лайтхилл также утверждал, что экспоненциальный рост возможных исходов означает, что алгоритмы ИИ подходили только для решения «игрушечной» версии проблем, тогда как в реальности, вероятнее всего, их решение застопорилось бы.

В Соединенных Штатах финансирование области искусственного интеллекта оказалось под угрозой. Несмотря на огромные вложения, прогресс в области машинного перевода и распознавания речи оценили как незначительный. Амбициозный пятилетний проект по пониманию речи, начатый в 1971 году, мог распознавать слова только тогда, когда их произносили в определенном порядке. В период холодной войны Национальная академия наук США выделила 20 миллионов долларов на разработку машинного перевода документов на русском языке. В результате создали системы машинного перевода, которые были дороже, медленнее и менее точными, чем человеческий перевод.

DARPA, Управление перспективных исследовательских проектов Министерства обороны США, в 1960-х выделяло щедрые бюджеты на исследование искусственного интеллекта, но все изменилось в 1970 году. Управление приняло решение, что им стоит финансировать исследования, ориентированные на достижение конкретной цели, а не на простые фундаментальные исследования. Считалось, что ИИ-проекты не принесут полезных открытий в ближайшем будущем. В скором времени финансирование области сократилось. Неудивительно, что прогресс также значительно замедлился.

Интерес и инвестиции возобновились в 1980 году, во многом благодаря идее «экспертных систем». Такие программы на основе искусственного интеллекта следуют простым правилам, при помощи написанного вручную кода воспроизводя специализированные человеческие знания в таких сложных областях, как медицина и инженерия. Такое нишевое применение позволило достичь уровня производительности