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, mehr als ein einzelner Mensch in seiner gesamten Lebenszeit spielen könnte. Ist es dann also besser als ein Mensch?

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-Verfahren zum Beispiel noch mehrere tausend Beispiele sehen müssen, nur um zwei Buchstaben voneinander unterscheiden zu können, benötigen Kinder, wahre Experten in Sachen Lernen, für die gleiche Aufgabe nur eine Handvoll Beispiele.

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

Der Beitrag Googles AlphaGo schlägt Großmeister in Go – Ein Meilenstein für die Künstliche Inteligenz? erschien zuerst auf botzeit.