A mesterséges intelligencia jövője és kihívásai a Qubit Live #13 rendezvényén
Június hónap folyamán zajlott le a 13. Qubit Live esemény, amelynek fókuszában az mesterséges intelligencia (AI) korlátozásai és az e körüli hype, valamint az általános mesterséges intelligencia (AGI) ígérete állt. Az eseményt követően a Qubit+ előfizetői számára biztosítottunk betekintést az előadásokba, kerekasztal-beszélgetésekbe és a nézői kérdések megválaszolásába, így azok is értesülhettek az eseményről, akik nem tudtak részt venni a rendezvényen.
Kocsis Levente matematikus, a HUN-REN SZTAKI tudományos főmunkatársa, érdekes választásként, a go-táblán és sakktáblán emblémázott pólót viselt, amit a megjelenésekor azonnal magyarázatra méltónak talált. Elmondása szerint a jelentős gépi teljesítmények már a sakkban megjelentek az ezredforduló környékén, míg a go még mindig hatalmas kihívást jelentett a számítógépek számára, amelyik a későbbiekben a gépi tanulás egyik fontos területe lett.
Az első nagy gépi győzelmet az IBM szuperszámítógépe, a Deep Blue könyvelte el 1997-ben, amikor 3,5–2,5-re legyőzte Garri Kaszparovot. Ez a győzelem három alapélést igényelt: specifikus sakkra írt algoritmusokat, célhardvert az állások gyors elemzéséhez, valamint egy keresőalgoritmust, amely képes volt minden lehetséges változatot átvizsgálni. A sakkhoz szükséges stratégiák túlságosan összetettek voltak ahhoz, hogy hasonló eredményeket érjenek el a góban, így Kocsis és kollégái a SZTAKI-ban 2006-ra kidolgozták az UCT algoritmust, amely sikeresen alkalmazta a mélyebb és szelektívebb fatörzsek építését.
Az AlphaGo rendszer elindította a következő fejlődési ugrást, amely kombinálta a Monte-Carlo-fakeresést és a mélytanulást. A módszer folyamata négy lépésből állt: egy útvonal kiválasztásából, új levél hozzáadásából, az új állás kiértékeléséből, majd az eredmények aktualizálásából. Ehhez a DeepMind két különböző neurális hálót fejlesztett ki, melyek közül az egyik a potenciálisan ígéretes lépéseket, míg a másik a különböző állások minőségét értékelte.
Tíz évvel az UCT megszületését követően, a nyelvi modellek területén a keresési technikák újra megjelentek. Az AI modellek hajlamosak azonnali válaszok adására, de a bonyolult kérdések megoldásához előre gondolkodásra van szükség. A módszer, amely során a gondolatfák különböző lépéseket építenek fel, hasonlóan működik, mint a gónál, ahol a megfelelő megoldás keresése szintén kihívásokkal teli. Kocsis Levente azonban figyelmeztetett a meglévő módszerek korlátaira, amikor egy szabálytalan sakkállást mutatott be, amely a szabályok szerint nem fordulhatott volna elő.
Kocsis kiemelte, hogy a jelenlegi AI modellek nem rendelkeznek olyan belső értékelési mechanizmussal, amely képes lenne megmondani, hogy a gondolatmenet helyes irányba halad-e. A valós világgal való hatékony interakcióhoz egy belső szimulátor szükséges, de az önvezető autók és hasonló projektek esetében ennek megvalósítása rendkívül nehézkes, lévén a valós környezet nem manipulálható olyan egyszerűen, mint egy sakkparti.
Az esemény felvétele most videó formában is elérhető, amely tartalmazza az előadások és a beszélgetések lényeges elemeit. A következő tudományos estünkről az érdeklődők a Qubit+ platformon tájékozódhatnak, ahol a részvételhez mindenki számára nyitva áll a lehetőség.
A Qubit Live #13 rendezvény főtámogatója a Concorde Értékpapír Zrt. volt, amely biztosította az esemény sikeres lebonyolítását.
