Nachdem IBMs Deep Blue
Wie schon der Sieg im Schach, wird dies vielfach als weiterer Meilenstein der künstlichen Intelligenz gefeiert. Aber ist es das? Ist es ein Meilenstein oder durch die stetig wachsende Rechenpower und mehr Effizienz beim machinellen Lernen zu erklären?
AlphaGo wurde mit Millionen von Go-Spielen trainiert, von denen AlphaGo lernen konnte, welche Züge erfolgversprechend sind und zum Sieg führen. Darauf aufbauend spielte AlphaGo mehrere Millionen Spiele gegen sich selbst und sammelte so immer mehr Erfahrung. Als AlphaGo jetzt also gegen Lee Sedol spielte, hatte es viele Millionen Spiele gespielt
Schlaue Menschen sprechen in diesem Kontext von Daten-Effizienz: also wieviele Daten, in diesem Fall Erfahrung von vergangenen Go-Spielen, benötigt werden, um etwas zu erlernen. Während AlphaGo also um Größenordnungen mehr Spiele spielen musste, hat Lee Sedol das Spiel aus sehr viel weniger Erfahrung beherrschen gelernt.
Daten-Effizienz beim Lernen ist eine der Stärken von Menschen. Während selbst die effizientesten Deep Learning
Google hat mit AlphaGo eine beeindruckende Leistung abgeliefert, vor der der Hut zu ziehen ist. Besser Go spielen lernen als der Mensch kann AlphaGo deswegen aber lange noch nicht.
Mehr zur Funktionsweise von AlphaGo: heise.de, Wie Google-KI den Menschen im Go schlagen will
Einen Meilenstein sehe ich darin nicht, eher eine kleine Markierung am Wegesrand die anzeigt, dass man sich in die richtige Richtung bewegt 😉
Ich schließe mich da vollkommen meinem Vorredner an.
Ich schließe mich da vollkommen meinem Vorredner an.
Go ist aus Sicht der Künstlichen intelligenz ein sehr leichtes Problem. Die Regeln des Spiels sind klar definiert und es gibt nur denen einen Gametree der zu durchsuchen ist. Die Antwort lautet daher: Nein, kein Meilenstein. Andere Projekte wie IBM Watson oder die Darpa Robotics Challange sind weitaus anspruchsvoller.
interessanter Beitrag, ich habe mich auch auf meinem Blog beschäftigt:
http://automatisiertes-auto.de/
Viele Grüße
Jürgen Vagt