111 просмотров

Что больше? Количество атомов во Вселенной или количество ходов в шахматах?

Мы исследуем умопомрачительные возможности ИИ, от победы в шахматах до поиска новых галактик.

Вопрос был задан Клодом Шенноном, изобретателем «теории информации» в 1948 году. Теория использует математику, чтобы понять правила, управляющие передачей сообщений через системы связи, применимые ко всему, от компьютерного кода, речи и музыки до танцев пчел. Используя математику и логику для понимания окружающего мира, Шеннон вскоре начал задаваться вопросом, может ли компьютер победить человека в таких играх, как шахматы. В 1950 году он написал статью, подтверждающую такую ​​возможность, но только в 1970-х годах компьютеры начали побеждать в игре людей — обычно плохих игроков, которые совершали глупые ошибки. Но они не могли победить гроссмейстеров. Такого не было до 1996 года, когда DeepBlue победила Гэри Каспарова. В следующем году улучшенный DeepBlue побил его со счетом 31/2-21/2.

Так почему это заняло так много времени? Помните вопрос в начале?

В наблюдаемой Вселенной находится от 10 78 до 10 82 атомов. Это от десяти квадриллионов вигинтиллонов до ста тысяч квадриллионов вигинтиллонов атомов. Что очень много. Но. Удивительно, но возможных вариантов шахматных игр даже больше, чем атомов в наблюдаемой Вселенной.

Это Номер Шеннона и представляет все возможные варианты ходов в игре в шахматы. По оценкам, в шахматах существует от 10 111 до 10 123 позиций (включая невозможные ходы). (Если исключить невозможные ходы, это число резко упадет до 10 40 ходов. Что все равно много!).

«Возможных вариантов шахматных игр даже больше, чем атомов в наблюдаемой Вселенной».

Вы можете подумать: «Ну что, компьютер победил в самой сложной игре в мире, и им больше нечего делать?» И вы бы так и сделали. неправильный! Есть игра с еще большим количеством возможных ходов и вариаций, и она называется Го.Считается, что она возникла в Китае более 4000 лет назад, она не становилась популярной до тех пор, пока не появилась в Японии около 500 года. В нее широко играют в Юго-Восточной Азии: профессионалы начинают изучать игру, будучи очень маленькими детьми, и проводят всю свою жизнь, совершенствуя свои способности. .

Статья в тему:  Кто побеждает королеву вселенной

В Го более 10 170 ходов. что делает его в несколько раз более сложным и разнообразным, чем шахматы, и затмевает количество атомов во Вселенной!

Как вы думаете, сможет ли компьютер или искусственный интеллект справиться с такой сложной игрой при вашей жизни?

Удивительно, но уже есть. Введите AlphaGo. В 2015 году он сыграл свой первый матч против действующего трехкратного чемпиона Европы г-на Фань Хуэя и обыграл его со счетом 5: 0.

В марте 2016 года ИИ соревновался с легендарным игроком в го, восемнадцатикратным обладателем титула чемпиона мира г-ном Ли Седолем. Говорят, что Седол для Го – это то же самое, что Федерер для тенниса, однако, когда его смотрят 200 миллионов человек по всему миру, AlphaGo обыграл его со счетом 4:1 на соревнованиях в Сеуле, Южная Корея.

Все игроки в го оцениваются; абсолютный новичок оценивается как Кю 30. По мере того, как они улучшаются, продвигаются к рангу Кю 1. По мере того, как они продолжают улучшаться, они затем присоединяются к рангам Дан, начиная с уровня 1, и стремятся к (но редко достигают) уровня 9 Дан. В настоящее время в мире насчитывается чуть более 100 игроков с 9 данами. AlphaGo — одна из них.

Есть больше.

Компания, создавшая AlphaGo — Deepmind — выпустила более новую, более мощную версию AlphaGo Zero.

Статья в тему:  Какова текущая температура Вселенной?

Согласно Deepmind: «AlphaGo научилась Го, сыграв тысячи матчей с любителями и профессионалами, AlphaGo Zero научилась, играя сама с собой, начиная с совершенно случайной игры. а затем сыграв против сильнейшего игрока в мире AlphaGo.

Эта мощная техника больше не ограничена рамками человеческого знания. Вместо этого компьютерная программа накопила тысячи лет человеческих знаний всего за несколько дней.Go Zero быстро превзошла по производительности все предыдущие версии, а также открыла для себя новые знания, разрабатывая нетрадиционные стратегии и творческие новые ходы, в том числе те, которые обыграли чемпионов мира по го Ли Седоля и Ке Цзе. ”

Теперь вы можете подумать:

«Ну и что? Машина может играть в игру, большое дело».

Важно то, что она смогла сделать новые открытия, новые подходы. То, что у ИИ могут быть «творческие моменты», предполагает, что ИИ можно использовать для быстрого повышения изобретательности человека.

Имея дело с огромными объемами информации, пытаясь понять большое количество данных (особенно математических), человеческий разум может перегружаться и быстро утомляться. У ИИ нет таких проблем. AlphaGo Zero изучил тысячи лет человеческих знаний всего за несколько дней. Применение этой способности к другим областям позволит обнаружить закономерности и открытия, которые в противном случае могли бы быть скрыты или на их обнаружение у людей ушло бы много времени.

Статья в тему:  Как лунный рыцарь вписывается во вселенную marvel

Как искусственный интеллект учится?

Это действительно хороший вопрос, и он одновременно простой и очень умный. Существует три уровня обучения ИИ: искусственный интеллект, машинное обучение и глубокое обучение.

Искусственный интеллект: это самый низкий уровень компьютерного «интеллекта». Он имитирует человеческое обучение, принимая решения на основе вариантов и проверяя их с помощью сохраненной информации: он круглый или изогнутый? Он зеленый или желтый? Это лайм или банан?

Машинное обучение: исходит из опыта. Все круглые зеленые вещи — лаймы? Могут ли они быть яблоками? Он больше определенного размера? Следовательно, на основании того, что он «узнал» при выборе варианта, он может сказать, что представляет собой объект.

Глубокое обучение: это подмножество машинного обучения, программное обеспечение может обучаться (используя скрытые слои, называемые нейронными сетями), чтобы понимать свои выходные данные. Этот подход использует огромные объемы данных, поскольку он требует, чтобы машина сверялась со своей базой данных (опытом), чтобы найти то, что она уже «знает», чтобы позволить ей идентифицировать объекты.

«То, что у ИИ могут быть «творческие моменты», предполагает, что ИИ можно использовать для быстрого повышения изобретательности человека».

Какое это имеет отношение к астрономии?

Что ж, я рад, что вы спросили, на самом деле нет.

Несмотря на то, что в шахматах больше ходов, чем атомов во Вселенной, Вселенная все равно очень, очень большая. По оценкам, в нашей галактике (Млечном Пути) насчитывается 200–350 миллиардов звезд. Наша галактика — галактика среднего размера. Считается, что в видимой части Вселенной может быть более триллиона галактик и гораздо больше, которые мы не можем видеть.

Статья в тему:  из какой вселенной гамора что если

Подумайте об этом таким образом; в следующий раз, когда вы пойдете на море, возьмите горсть песка или выкопайте яму в песке. Как вы думаете, сколько песчинок в вашей руке или в куче, которую вы только что выкопали? Тысячи? Может миллионы? А теперь посмотрите на весь пляж и попробуйте угадать, сколько на нем песчинок.

Следы на песке на пляже с голубым небом, показывающие перспективу

Считается, что во Вселенной больше звезд, чем песчинок на каждом пляже Земли. У большинства этих звезд есть по крайней мере одна планета, а часто и гораздо больше, вращающихся вокруг них. Так что планет даже больше, чем звезд.

Астрономы и астрофизики имеют дело с огромным количеством данных, и по мере совершенствования технологий количество собираемых данных увеличивается.

В настоящее время разрабатывается много новых телескопов и обсерваторий, которые вскоре будут введены в эксплуатацию, а также космический телескоп Джеймса Уэбба и Чрезвычайно большой телескоп в Чили. В 2021 году в Чили также появится Большой синоптический обзорный телескоп (LSST). известный как телескоп Веры Рубин.

Когда он начнет работать, он будет делать более 800 панорамных снимков каждую ночь с помощью камеры с разрешением 3,2 миллиарда пикселей, дважды в неделю записывая все видимое небо.

Каждую ночь он будет производить 20 ТБ данных. Изображения, сделанные камерой LSST, настолько велики, что для отображения одного из них в полном размере потребовалось бы 378 телеэкранов сверхвысокой четкости 4K!

Статья в тему:  Насколько мы малы по сравнению со Вселенной

Насколько велик TerraByte? Я слышу, как ты спрашиваешь.

1 ТБ — это столько же, сколько 681 серия «Ферзевого гамбита» (можно мечтать!).

Так много данных, говорите? Ты прав! Это гораздо больше, чем мы, люди, можем сделать. Это только с одного телескопа. Существует множество программ, систем искусственного интеллекта, машинного обучения и глубокого обучения, используемых астрономами и исследователями. Поскольку это больше, чем может справиться человек, необходимы обучаемые нейронные сети, чтобы помочь с классификацией объектов и предлагать астрономам те, которые могут быть интересны для более пристального изучения.

Европейская южная обсерватория разработала Morpheus: платформу глубокого обучения, которая включает в себя различные технологии искусственного интеллекта, разработанные для таких приложений, как распознавание изображений и речи. Чтобы помочь астрономам, Морфеус будет попиксельно обрабатывать изображения в поисках галактик! Результат Older Morpheus от 2016 года, проведенный совместно с Хабблом, показал, что здесь в 10 раз больше галактик, чем считалось ранее.

«Результаты Older Morpheus от 2016 года, проведенные совместно с Хабблом, показали, что здесь в 10 раз больше галактик, чем считалось ранее».

Исследователи из Ланкастерского университета разработали в системе под названием Deep-CEE (глубокое обучение для извлечения и оценки скоплений галактик) новую технику глубокого обучения, позволяющую ускорить процесс поиска скоплений галактик.

Скопления галактик, впервые обнаруженные в 1950 году Джорджем Абеллом, представляют собой редкие, но массивные объекты. Абелл потратил годы на сканирование 2000 фотопластинок своим глазом и увеличительным стеклом и обнаружил 2712 скоплений. Скопления галактик важны, поскольку они помогут нам понять, как темная материя и темная энергия сформировали нашу Вселенную.

Статья в тему:  Как нарисовать вселенную акриловыми красками

Deep-CEE основывается на подходе Абелла, заменяя астронома моделью ИИ, обученной «смотреть» на цветные изображения и идентифицировать скопления галактик. Это современная модель, основанная на нейронных сетях, которые предназначены для имитации того, как человеческий мозг учится распознавать объекты, активируя определенные нейроны при визуализации характерных узоров и цветов.ИИ обучался, многократно показывая ему примеры известных помеченных объектов на изображениях, пока алгоритм не научился распознавать объекты самостоятельно.

Deep-CEE также будет использоваться на телескопе «Рубин».

Еще не завершена (но уже запущена фаза 1) массив квадратных километров (SKA); серия радиотелескопов, которые охватывают континенты и станут самым большим радиотелескопом в истории. Штаб-квартира находится в Jodrell Bank в Чешире.

Большинство телескопов будет в Южной Африке и Австралии. Для обработки всех данных потребуется 2 суперкомпьютера. В Южной Африке будет 197 радиотарелок, а в Австралии — более 131 000 антенн!

Каждый год SKA будет накапливать 600 петабайт данных (или 1,6 ПБ в день или ~630 видео Netflix в день). Чтобы хранить эти данные на среднем ноутбуке емкостью 500 ГБ, вам потребуется более миллиона таких данных в год. 500 ГБ эквивалентны 500 сотням грузовиков с бумагой.

Но зачем СКА такая огромная вычислительная мощность?

Научная обработка изображений и сигналов для радиоастрономии состоит из нескольких основных этапов, каждый из которых должен быть выполнен как можно быстрее на тысячах телескопов, соединенных тысячами километров оптоволоконного кабеля. Компьютеры должны иметь возможность принимать решения об объектах, представляющих интерес, и удалять данные, которые не представляют научной ценности, например, радиопомехи от таких вещей, как мобильные телефоны.

Статья в тему:  Вселенная Стивена, когда идет дождь, полная серия

А все остальное?

Затем, конечно, есть уже работающие телескопы, обсерватории и спутники: пожалуй, один из самых известных — космический телескоп Хаббла.

Каждую неделю Хаббл передает около 120 гигабайт научных данных. Это примерно 1097 метров (3600 футов) книг на полке. Хаббл работает уже 30 лет и сделал более 1,5 миллиона наблюдений.

Дело не только в данных, чтобы получить их, нужно запланировать наблюдения.Это может быть невероятно сложно — нужно учитывать время, местоположение объекта, положение космического корабля, время восхода и захода и многие другие переменные. Для организации наблюдений и синхронизации Хаббл использует SPIKE, который использует очень быстрый алгоритм планирования, основанный на нейронных сетях, для достижения производительности, о которой люди могут только мечтать.

У нас может не быть умных автомобилей или персональных роботов, но достижения в области искусственного интеллекта уже приносят огромные преимущества и открытия для всех нас. ИИ не наш хозяин, он может учиться только на основе того, как мы его программируем и что мы считаем важным. по крайней мере на данный момент!

голоса
Рейтинг статьи
Ссылка на основную публикацию
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x