2016 ist das Jahr des Aufstiegs der künstlichen Intelligenz.
Seit AlphaGo den Go-Weltmeister Lee Sedol besiegt hat, sind die Spieler, die die höchste Go-Stufe repräsentieren, keine Menschen mehr.
Ein Artikel in der heutigen Financial Times hat Go jedoch wieder in den Horizont der Menschen gebracht: Der Mensch hat einen Weg gefunden, die KI zu besiegen!
Werden menschliche Schachspieler nach 7 Jahren Ruhe ein Comeback feiern?
Go feiert trotz aller Widrigkeiten ein Comeback, Menschen besiegen KI?
FT berichtete, dass Kellin Pelrine, ein Amateur-Schachspieler mit vier Dans aus den Vereinigten Staaten, den besten Schachspieler AI-KataGo auf einen Schlag besiegte.
Von 15 Offline-Spielen gewann Perline 14 Spiele ohne die Hilfe eines Computers.
Und dieser Plan für menschliche Spieler, die Go-Krone zurückzugewinnen, kam von Forschern des kalifornischen Forschungsunternehmens FAR AI. Das Team analysierte die Schwächen der KI-Schachspieler und zielte auf sie ab, um den endgültigen Sieg zu erringen.
FAR AI CEO Adam Gleave sagte: „Es ist für uns sehr einfach, dieses System auszunutzen.“
Gleave sagte, dass die vom Team entwickelte KI mehr als 1 Million Spiele mit KataGo gespielt hat. Es wurde ein „Bug“ entdeckt, den menschliche Spieler ausnutzen konnten.
Pelrine sagte, dass die von ihnen entdeckte Gewinnstrategie „für Menschen nicht so schwierig“ sei und dass fortgeschrittene Spieler sie nutzen könnten, um Maschinen zu besiegen. Er nutzte diese Methode auch, um Leela Zero, ein weiteres Top-Go-System, zu besiegen.
Kellin Pelrine
FT schreibt, dass dieser entscheidende Sieg trotz der Hilfe von Computern die Tür für menschliche Schachspieler geöffnet hat.
Vor sieben Jahren war künstliche Intelligenz dem Menschen in den komplexesten Spielen meilenweit voraus.
Das von DeepMind entwickelte AlphaGo-System besiegte 2016 den Go-Weltmeister Lee Sedol mit 4:1. Auch Lee Sedol gab drei Jahre nach der desaströsen Niederlage seinen Rücktritt bekannt und bezeichnete AlphaGo als „unschlagbar“.
Pelrine ist mit der Stärke der künstlichen Intelligenz nicht einverstanden. Seiner Meinung nach ist es aufgrund der großen Anzahl an Kombinationen und Variationen in einer Schachpartie für einen Computer unmöglich, alle möglichen zukünftigen Züge eines Schachspielers einzuschätzen.
Um es einfach auszudrücken: Die von Pelrine verwendete Strategie lautet „Angriff im Osten und Angriff im Westen“.
Einerseits platziert Pelrine Steine in jeder Ecke des Schachbretts, um die KI zu verwirren; andererseits zielt Pelrine auf einen Bereich des KI-Schachspielers und umgibt ihn nach und nach.
Pelrine sagte, dass die KI-Schachspieler die Gefahr in diesem Bereich nicht bemerkten, obwohl die Belagerung kurz vor dem Abschluss stand. Er fuhr fort: „Aber als Mensch sind diese Schwachstellen leicht zu finden.“
Stuart Russell, Informatikprofessor an der University of California in Berkeley, sagte, dass einige der fortschrittlichsten Go-Spielekonsolen solche Schwachstellen gefunden hätten Schwächen, was zeigt, dass die Schwachstelle, die die heutigen Deep-Learning-Systeme modernster KI unterstützt, grundsätzlich fehlerhaft ist.
Er sagte, dass diese Systeme nur die spezifischen Situationen, die sie erlebt haben, „verstehen“ können und keine einfachen Verallgemeinerungen über Strategien wie Menschen machen können.
Die einzige, die KI besiegen kann, ist KI!
Aber streng genommen haben die Forscher die KI durch KI besiegt, oder mit anderen Worten, sie haben KI eingesetzt, um Menschen dabei zu helfen, KI in Go zu besiegen.
Das als Referenzquelle verwendete Papier wurde erstmals im November 2022 veröffentlicht und im Januar dieses Jahres aktualisiert. Die Autoren stammen vom MIT, der UC Berkeley und anderen Institutionen.
In dem Artikel trainierten Forscher eine KI mit einer Widerstandsstrategie und besiegten KataGo, das fortschrittlichste künstliche Intelligenzsystem von Go.
Projektadresse: https://goattack.far .ai/adversarial-policy-katago#contents
Papieradresse: https://arxiv.org/abs/2211.00241#🎜 🎜#
Die Ergebnisse zeigen, dass der Angreifer in 1000 Spielen eine Gewinnquote von 100 % erreicht, wenn KataGo keine Suchbäume verwendet, und wenn KataGo ausreichend Suchbäume verwendet, Die Gewinnquote liegt bei über 97 %.
In diesem Zusammenhang betonten die Forscher, dass die gegnerische Strategie-KI KataGo besiegen kann, aber von menschlichen Amateuren besiegt wird und gleichzeitig menschliche Amateure Sie sind Kann KataGo nicht schlagen.
Mit anderen Worten: Diese KI kann nicht gewinnen, weil sie Go besser spielt, sondern weil sie KataGo zu schwerwiegenden Fehlern verleiten kann.
Angriffsstrategie#🎜🎜 #
Zuvor wurden schachspielende KIs wie KataGo und AlphaZero durch Selbstspiel trainiert.
Aber in dieser Studie, die der Autor „Victim-Play“ nennt, muss der Angreifer (Gegner) mit einem festen Opfer interagieren, zu dem der Spieler (Opfer) Spiele spielt ihre eigenen Gewinnstrategien trainieren (nicht die Taktiken ihrer Gegner nachahmen).
In diesem Zusammenhang führten die Forscher zwei verschiedene kontradiktorische MCTS-Strategien (A-MCTS) ein, um dieses Problem zu lösen.
Probe A-MCTS-S: Der vom Forscher festgelegte Suchprozess ist: Wenn das Opfer Schach spielt, Probe aus dem Strategienetzwerk des Opfers; Wann Jetzt ist der Angreifer an der Reihe, Stichprobe aus dem Richtliniennetzwerk des Angreifers.
Konkret werden die Forscher in A-MCTS-R eine neue (rekursive) MCTS-Suche auf dem Opferknoten verwenden, um Simulationen durchzuführen Ersetzen des Opferprobenentnahmeschritts in A-MCTS-S.
Obwohl dies kein perfektes Opfermodell mehr ist, ist es tendenziell genauer als A-MCTS-S, das fälschlicherweise davon ausgeht, dass es sich bei dem Opfer nicht um Search handelt.
Die Bewertungsergebnisse lauten wie folgt. Bitte beachten Sie den Originaltext spezifische Details.
Das obige ist der detaillierte Inhalt vonKönnen Menschen die Top-Go-KI erneut schlagen? Mit einem Zug gegen den Wind gewann dieser Amateur-4-Dan-Schachspieler komplett. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
