Maskininlärning hos robotar med hjälp av strategispel
Det är kanske inte så märkligt att Google valde just strategispelet Go som utmaning i strävan mot artificiell intelligens. För när allt kommer omkring, så är Go det mest komplicerade spel som mänskligheten kommit på och många utmaningarna som finns inom Al forskningen hittar man här.
Kollegan Michael Yao, som till vardags är ansvarig för sourcing hos oss på Compotech, är även trefaldig SM mästare med vinster i Go under åren 2004, 2005 och 2007. Michael berättar att vinsten för AlphaGo över Lee Sedol och uppmärksamheten det förde med sig, blev lite tudelad hos utövarna eftersom de flesta inte trodde att en maskin skulle slå en spelare i världsklass redan år 2016.
– Många blev man förvånade över att en dator kunde vinna över en spelare som Lee Sedol – vinsten kom alldeles för tidigt! När Deep Blue slog dåvarande världsmästaren Gerri Kasparov i schack 1997, trodde vi, som spelar Go, att det skulle dröja 30-50 år innan en dator skulle kunna vinna i ett så stort sammanhang. Inom datakretsar var man däremot helt säker på att AlphaGo skulle vinna med 5-0. Vilket det alltså inte blev eftersom Lee vann en av matcherna.
Utmaningar inom Go lämpar sig för AI forskning
Inom Go är det inte möjligt att algoritmiskt testa sig igenom tillräckligt många alternativa drag och sedan välja det bästa, som man gör med en schackdator. Det finns helt enkelt för många alternativ. I Go måste datorn istället spela oerhört många matcher på egen hand och ”lära sig” vad som funkar bäst. Handlingsmönstret för AlphaGo resulterar därför i ett neuralt nätverk som en människa i princip inte kan förstå.
– För att förstå datorns fördel i matchen kan man ha i åtanke att AlphaGo under 2016 utförde 1.000.000 partier per dag ”under träning” samtidigt som information och drag från miljontals ronder redan var inmatade sedan tidigare. I Go drar datorn nytta av samtliga miljontals sparade drag som den har ”lärt sig” när den beräknar samtliga stenars positioner samtidigt och endast genomför drag som ger mer än 50% chans till en slutlig vinst.
Överföring av strategier till näringsliv
På en del håll i världen används spelet för att utveckla den egna strategiska förmågan. I Japan exempelvis, spelar i stort sett samtliga högre befattningshavare Go och här väljer man aktivt att dra nytta av spelets strategier när man sätter samman team ute på företagen. Här ser man sammansättning och rollfördelning inom projekten som avgörande för hur utfallet kommer att bli.
Vad kan vi lära oss av AlphaGo
Var den artificiella intelligensen ska leda oss till finns det förstås ingen som vet. När det gäller AlphaGo så fick utövarna helt nya och vid första anblicken helt orealistiska drag att fundera över och som numera används av spelarna själva.
Vill du läsa om fler experiment och tävlingar?
Läs om när AI flyttar ut från labmiljö genom curlingroboten Curly och robothanden som löser Rubiks kub.
