Périphériques technologiques
IA
Les humains peuvent-ils à nouveau battre le meilleur Go AI ? D'un seul coup contre le vent, ce joueur d'échecs amateur 4ème dan a complètement gagné
Les humains peuvent-ils à nouveau battre le meilleur Go AI ? D'un seul coup contre le vent, ce joueur d'échecs amateur 4ème dan a complètement gagné
2016 est l'année de l'essor de l'intelligence artificielle.
Depuis qu'AlphaGo a battu le champion du monde de Go Lee Sedol, les joueurs représentant le plus haut niveau de Go ne sont plus humains.
Cependant, un article du Financial Times d’aujourd’hui a ramené Go dans l’horizon des gens : les humains ont trouvé un moyen de vaincre l’IA !
Après 7 ans de dormance, les joueurs d'échecs humains vont-ils faire leur grand retour ?
Go fait son grand retour contre toute attente, les humains battent l'IA ?
FT a rapporté que Kellin Pelrine, un joueur d'échecs amateur quatre dan des États-Unis, a vaincu le meilleur joueur d'échecs AI-KataGo d'un seul coup.
Sur 15 parties hors ligne, Perline a remporté 14 parties sans l'aide d'un ordinateur.
Et ce plan permettant aux joueurs humains de retrouver la couronne de Go est venu des chercheurs de la société de recherche californienne FAR AI. L'équipe a analysé les faiblesses des joueurs d'échecs IA et les a ciblés pour remporter la victoire finale.
Adam Gleave, PDG de FAR AI, a déclaré : "Il est très facile pour nous d'exploiter ce système.
Gleave a déclaré que l'IA développée par l'équipe a joué plus d'un million de jeux avec KataGo Later." un "bug" a été découvert que les joueurs humains pourraient exploiter.
Pelrine a déclaré que la stratégie gagnante qu'ils ont découverte n'est "pas si difficile pour les humains" et que les joueurs intermédiaires peuvent l'utiliser pour vaincre les machines. Il a également utilisé cette méthode pour vaincre Leela Zero, un autre système de Go de premier ordre.
Kellin Pelrine
FT écrit que malgré l'aide des ordinateurs, cette victoire décisive a ouvert la porte aux joueurs d'échecs humains.
Il y a sept ans, l'intelligence artificielle avait des kilomètres d'avance sur les humains dans les jeux les plus complexes.
Le système AlphaGo conçu par DeepMind a battu le champion du monde de Go Lee Sedol 4-1 en 2016. Lee Sedol a également annoncé sa retraite trois ans après la défaite désastreuse, qualifiant AlphaGo d'"imbattable".
Pelrine n'est pas d'accord avec la force de l'intelligence artificielle. Selon lui, le grand nombre de combinaisons et de variations dans une partie d'échecs signifie qu'il est impossible pour un ordinateur d'évaluer tous les mouvements futurs possibles d'un joueur d'échecs.
Pour faire simple, la stratégie utilisée par Pelrine est « attaquer à l'est et attaquer à l'ouest ».
D'un côté, Pelrine place des pierres dans tous les coins de l'échiquier pour confondre l'IA ; de l'autre, Pelrine cible une zone du joueur d'échecs de l'IA et l'entoure progressivement.
Pelrine a déclaré que même si le siège était sur le point d'être terminé, les joueurs d'échecs de l'IA n'avaient pas remarqué le danger dans cette zone. Il a poursuivi : "Mais en tant qu'humains, ces vulnérabilités sont faciles à trouver."
Stuart Russell, professeur d'informatique à l'Université de Californie à Berkeley, a déclaré que certaines des consoles de jeux Go les plus avancées présentaient des failles. faiblesses, ce qui montre que la vulnérabilité qui prend en charge les systèmes d'apprentissage profond d'aujourd'hui de l'IA de pointe est fondamentalement défectueuse.
Il a déclaré que ces systèmes ne peuvent que « comprendre » les situations spécifiques qu'ils ont vécues, et ne peuvent pas faire de simples généralisations sur les stratégies comme les humains.
La seule qui peut vaincre l'IA est l'IA !
Mais à proprement parler, les chercheurs ont vaincu l’IA grâce à l’IA, ou en d’autres termes, ont utilisé l’IA pour aider les humains à vaincre l’IA au Go.
L'article utilisé comme source de référence a été publié pour la première fois en novembre 2022 et mis à jour en janvier de cette année. Les auteurs viennent du MIT, de l'UC Berkeley et d'autres institutions.
Dans l'article, les chercheurs ont formé une IA avec une stratégie résistante et ont vaincu le système d'intelligence artificielle Go le plus avancé, KataGo.
Adresse du projet : https://goattack.far.ai/adversarial-policy-katago#contents
Adresse papier : https://arxiv.org/abs/2211.00241
Les résultats montrent que lorsque KataGo n'utilise pas d'arbres de recherche, l'attaquant atteint un taux de victoire de 100 % sur 1 000 parties, et lorsque KataGo utilise suffisamment de recherches, le taux de victoire dépasse 97 %.
À cet égard, les chercheurs ont souligné que la stratégie contradictoire de l'IA peut vaincre KataGo, mais qu'elle sera vaincue par des amateurs humains. En même temps, les amateurs humains ne peuvent pas battre KataGo.
En d'autres termes, cette IA peut gagner non pas parce qu'elle joue mieux à Go, mais parce qu'elle peut inciter KataGo à commettre de graves erreurs.
Stratégie d'attaque
Avant cela, les IA jouant aux échecs telles que KataGo et AlphaZero étaient entraînées via des jeux personnels.
Mais dans cette étude, que l'auteur appelle « jeu de victime », l'attaquant (l'adversaire) doit s'entraîner pour gagner en jouant à des jeux avec une stratégie de victime (victime) fixe (sans copier les mouvements de votre adversaire).
En réponse, les chercheurs ont introduit deux stratégies MCTS contradictoires (A-MCTS) différentes pour résoudre ce problème.
- Échantillon A-MCTS-S : Le processus de recherche défini par le chercheur est le suivant : lorsque la victime joue aux échecs, échantillon du réseau stratégique de la victime, lorsque c'est le tour de l'attaquant, échantillon de l'échantillonnage du réseau stratégique de l'attaquant ;
- A-MCTS-R récursif : Puisque l'A-MCTS-S sous-estime la force de la victime, les chercheurs proposent une nouvelle stratégie A-MCTS-R. Cependant, ce changement augmente la complexité informatique de la formation et de l’inférence pour l’attaquant.
Plus précisément, dans A-MCTS-R, les chercheurs utiliseront une nouvelle recherche MCTS (récursive) sur le nœud victime pour effectuer des simulations, remplaçant ainsi l'échantillonnage des victimes dans l'étape A-MCTS-S.
Bien qu'il ne s'agisse plus d'un modèle de victime parfait, il a tendance à être plus précis que l'A-MCTS-S, qui suppose à tort que la victime ne recherche pas.
Les résultats de l'évaluation sont les suivants, veuillez vous référer au texte original pour plus de détails.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc.
Aug 01, 2024 pm 09:40 PM
Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
