Un interessante dibattito che sta emergendo su Google l’annuncio di settimana scorsa alcuni dettagli del suo tentativo di uomo di battaglia al video di gioco di StarCraft II, un dibattito su ciò che “AI” e cosa “equità” può significare per il campo.
Anche: Google riflette le carenze di apprendimento automatico
ArsTechnica è Timothy B. Lee ha pubblicato un articolo di ieri, analizzando la sfida tra Google DeepMind unità AlphaStar programma per computer contro uno dei principali umana champs a StarCraft II, Polonia Grzegorz Komincz, conosciuto con il suo giocatore di gestire il MaNa.
Lee sostiene Google vincere MaNa “non era un combattimento leale”, citando il fatto che AlphaStar rete neurale di configurazione di avere un vantaggio nell’avere accesso a “crudo” i dati di gioco durante il corso del gioco, i dati che i giocatori umani non hanno. Quando DeepMind ricercatori costretti AlphaStar per giocare da solo guardando attraverso una “fotocamera” il modo in cui gli esseri umani di vedere il gioco, ha perso.
L’uso di informazioni supplementari da AlphaStar solleva due intrecciati domande: in caso di machine learning di essere vincolato dai limiti umani, per essere giusto, e se non lo è, può davvero fare qualsiasi reclamo per essere lo sviluppo di qualsiasi cosa chiamata intelligenza, almeno nel senso che la maggior parte della gente usa questo termine?
Anche: Google AI naviga in “gamescape” per conquistare la teoria dei giochi
Lee offre la vista che AI deve essere vincolato da regole eque: “Il modo migliore per livello il campo di gioco sarebbe quello di rendere AlphaStar usare la stessa interfaccia utente, come i giocatori umani”, egli scrive.
148 commenti in risposta a Lee articolo, come di giovedì pomeriggio, offrire un vivace dibattito sulla questione. Alcuni sostengono che AlphaStar di accesso ai dati grezzi dare una possibilità di pianificare al meglio le sue azioni e, quindi, a compiere azioni che un essere umano non avrebbe mai potuto. Gli altri segnaliamo le mosse che AlphaStar si avvicinò con in risposta a tali informazioni hanno dei vantaggi, ma che sono semplici trucchi che non sembrano sofisticato strategizing, contrariamente a quello che Google ricercatori implica circa il loro raggiungimento. Alcuni, prendendo il punto di vista differente, suggeriscono che se una macchina è in grado di manipolare un video gioco, che non è una sorpresa, una macchina deve essere in grado di manipolare un’altra macchina può comunque.
Screent acquisizione di AlphaStar giocando contro la Squadra di umani Liquido.
(Immagine: Google DeepMind/Blizzard Entertainment)
New York University, professore di psicologia, Gary Marcus, che è stato spesso critico del deep learning approccio AI, ha scritto su Twitter che il AlphaStar annuncio è stato “DeepMind ultima trovata pubblicitaria.”
deepmind ultima trovata pubblicitaria, sezionati. https://t.co/piLnejQXUs
— Gary Marcus (@GaryMarcus) 30 Gennaio 2019
Ha seguito da dire che StarCraft II non dovrebbe nemmeno essere considerato un “grande sfida” per l’AI, come DeepMind afferma.
Io non penso nemmeno di Starcraft è un “grand challenge”; anche questo è solo una parte del PR di gioco. Ma sì corrente AI è utile, anche se non è davvero ovunque vicino AGI. Chi non è d’accordo?
— Gary Marcus (@GaryMarcus) 30 Gennaio 2019
Anche: Google StarCraft II vittoria mostra AI migliora via diversità, invenzione, non riflessi
Perché non c’è nessun documento accademico di sicurezza da DeepMind, molti dettagli sono vaghi. Per esempio, Marcus sottolinea che non è chiaro da DeepMind descrizione se AlphaStar è gratuita “raw pixel” o “pre-analizzato API” chiamate a StarCraft, e che la differenza questioni.
grazie! ma non vuol dire che se il software particolare che ha vinto contro di esperti utilizzati pixel o analizzata e caricata in modo APi roba, che sono entrambi disponibili, ma molto diverso
— Gary Marcus (@GaryMarcus) 31 Gennaio 2019
DeepMind dice che l’accesso alle informazioni extra non è la chiave per la vittoria. Nel gruppo post della scorsa settimana, i ricercatori scrivono che anche quando AlphaStar è stato limitato per la visualizzazione della telecamera di gioco, il programma è stato “quasi forte come il crudo di interfaccia.” Da ciò, i ricercatori concludono che “questi risultati suggeriscono che AlphaStar successo contro MaNa e TLO, [i due giocatori umani] stato, infatti, grazie alla maggiore macro e micro-decisioni di carattere strategico, piuttosto che superiore click-rate, tempi di reazione più veloce, o il crudo di interfaccia.”
A prescindere di come quel particolare punto è risolto per la ricerca futura, con tanto di commento del passato 24 ore probabilmente è sbagliato circa le priorità e le intenzioni della AlphaStar lavoro. Le nozioni di correttezza e intelligenza offuscano la questione. Quel poco che è disponibile nel post, e nel lavoro correlato, rende chiaro che la priorità di DeepMind ricercatori sono diversi da quello di Lee e Marcus e altri credono che sia.
Anche: Cina AI scienziati insegnare una rete neurale di treno stesso
DeepMind formazione di un giocatore d’élite-a differenza di qualsiasi essere umano atleta ha mai sperimentato.
Google DeepMind
Per una cosa, il post rende chiaro che, con il suo accesso privilegiato, AlphaStar ancora deve fare i conti con la “nebbia di guerra”, come viene chiamato, significato, non ha accesso alle risorse di avversari che non sono visibili nel tabellone di gioco, sia attraverso la telecamera, attraverso raw pixel, o tramite API. Tali informazioni private designa il gioco come un gioco di “informazione incompleta”, che è un concetto critico della teoria dei giochi.
Trattare con la nebbia di guerra è, ovviamente, di DeepMind, un aspetto importante di quello che i ricercatori stanno cercando di ingegnere. Nel 2017 carta di StarCraft II prodotto da DeepMind, StarCraft II: UNA Nuova Sfida per l’Apprendimento per Rinforzo, gli autori esplicitamente separato nebbia di guerra come un separato limitazione di vista della telecamera — i due non sono la stessa cosa.
Inoltre, la messa a fuoco su extra informazioni e la visuale è strano dato che il modo in cui AlphaStar migliora chiaramente non è qualcosa di umano. Il post sul blog suggerisce che AlphaStar si basa su di un lavoro da DeepMind David Balduzzi e colleghi su qualcosa che si chiama Nash in media, in cui più giocatori sono esaminati dalla rete neurale su più giochi, per creare una sorta di lettore ideale costruito dai punti di forza dei vari agenti in quelli più giochi. Che ha coinvolto alcuni dei singoli agenti di vivere “fino a 200 anni di tempo reale StarCraft giocare.” Ulteriori dettagli che mi sembrano significativi sono stati offerti in una nuova carta da Balduzzi e colleghi, nella giornata di venerdì.
Anche: MIT consente AI “sintetizzare” i programmi per computer per gli aiuti dati scienziati
La DeepMind approccio Nash media e il resto può diventare meglio a giocare contro gli esseri umani di quest’anno, con e senza umani-quali vincoli, quali la telecamera. Ma chiaramente non è una forma di allenamento che un singolo giocatore umano sarebbe in grado di riconoscere. Proprio come con AlphaGo Zero, che nel 2017 ha conquistato i giocatori umani del classico gioco di strategia di Andare, AlphaStar sta procedendo con mezzi che sono qualcosa di nuovo, qualcosa di non essere confrontato direttamente con esperienza umana.
Deve leggere
‘IA è molto, molto stupido”, dice Google AI leader (CNET)Come ottenere tutti Google Assistente nuove voci di adesso (CNET)Unificata di Google IA divisione di un chiaro segnale di AI del futuro (TechRepublic)Top 5: le Cose da sapere riguardo AI (TechRepublic)
Niente di tutto questo in realtà parla di equità, di per sé, ma è anche non è chiaro che cosa la correttezza dovrebbe essere nel contesto di un video gioco. StarCraft è un ambiente simulato con certe regole, ma è stato sempre possibile sfruttare il gioco intelligente di ingegneria. Quindi, grida per correttezza sono un po ‘ fuori luogo.
Una grande parte di ciò che Balduzzi ed altri DeepMind sta cercando di realizzare è di non trovare l’intelligenza umana, ma di trovare un modo migliore per ingegnere profondo “di apprendimento di rinforzo” per creare sistemi in grado di ottenere un qualche tipo di lavoro svolto, e anche per trovare ciò che accade al classico gioco in teoria quando si è testato su un romanzo di scala.
Per tali ragioni, gli esseri umani sono probabilità di trovare che i loro presupposti su AlphaStar, e profonda di apprendimento in generale, non sono proprio il fuoco di apprendimento profondo. Sviluppo di intelligenza di qualche tipo è certamente un fuoco di DeepMind e gli altri in campo. E, si spera, quindi, è l’equità. Ma a questo punto nel tempo, né l’intelligenza, né la correttezza, come formulato nell’apprendimento profondo accordi con le nozioni che Lee e Marcus e gli altri stanno promuovendo come auto-evidente. Quello che sta emergendo è qualcos’altro, e le aspettative possono essere regolati per l’ingegneria realtà.
Precedente e relativa copertura:
Che cosa è l’IA? Tutto quello che devi sapere
Un esecutivo a guida di intelligenza artificiale, machine learning e generale AI alle reti neurali.
Cos’è il deep learning? Tutto quello che devi sapere
Il lowdown su deep learning: da come si relaziona con il più ampio campo di machine learning a come iniziare con esso.
Che cosa è macchina di apprendimento? Tutto quello che devi sapere
Questa guida spiega in cosa consiste la macchina di apprendimento, di come esso è legato all’intelligenza artificiale, come funziona e perché è importante.
Che cos’è il cloud computing? Tutto quello che devi sapere su
Un’introduzione al cloud computing destra, dalle nozioni di base fino a IaaS e PaaS, ibrido, public e private cloud.
Storie correlate:
Google AI naviga in “gamescape” per conquistare la teoria dei giochi
Questo è ciò che l’IA sembra (come disegnato dall’IA)
Google DeepMind team leader 3D game dev piattaforma
DeepMind AI punti i primi segni della malattia dell’occhio
Argomenti Correlati:
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software