Skocz do zawartości
Forum Kopalni Wiedzy
KopalniaWiedzy.pl

Sztuczna inteligencja DeepMind robi kolejny krok. Uczy się od podstaw metodą prób i błędów

Rekomendowane odpowiedzi

21 godzin temu, Ergo Sum napisał:

Nie, nie jest to tylko język i luźne błądzenie.

Ano, nie jest.

21 godzin temu, Ergo Sum napisał:

Właśnie ten sam błąd popełniają informatycy i właśnie dokłdnie ten błąd jest podstawą dlaczego  algorytmy "AI" nie są "I".

Tutaj jest gorzej ;) Nawet gdyby wszyscy informatycy rozumieli ludzką psychikę (a myślę, że jakaś część rozumie, przynajmniej trochę), to i tak by nie byli w stanie tego zaprogramować. Programowanie z jakiegoś powodu wymaga uwzględnienia w kodzie wszystkich możliwości, jakie występują w danym zagadnieniu, ilość tych możliwości bardzo szybko rośnie w miarę zagłębiania się w projekt i w pewnym momencie każdy porzucić idealistyczne marzenie o wymodelowaniu w kodzie jakiegoś fragmentu rzeczywistości i przestawić się na dążenie, żeby w ogóle - jakimkolwiek sposobem, byle jak, najmniejszym kosztem - skończyć projekt. Dobry programista to ten, który już na starcie odpuszcza sobie tę pierwszą fazę i cały czas pracuje w drugiej. ;)

Można sobie ew. robić nadzieję, że dzięki sieciom neuronowym, ML itp. uda się osiągnąć coś więcej (bo to są w pewnym sensie programy nie pisane przez ludzi), ale pewności nie ma, a może być i tak, jak uważa Penrose, że sposób działania komputerów jest odmienny od sposobu działania ludzkiego mózgu i to uniemożliwia.

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

 

22 godziny temu, Ergo Sum napisał:

Nie, nie jest to tylko język i luźne błądzenie. Określając tak procesy społeczne czy psychologiczne wykazujesz że tego po prostu nie rozumiesz.

Większość ludzi to rozumie, ale sęk w tym, że trzeba to potem przełożyć na język maszyn, a ponieważ nie ma to często nic wspólnego z logiką, więc ciężko.

Zresztą, kolejna dyskusja o humanistach i ścisłowcach, patrz ostatnia dyskusja w innym wątku.

Rozmawiałem o tym ze swoimi latoroślami, które są takimi hybrydami po trochę i doszliśmy do wniosku, że humaniści wnieśli do naszego życia całkiem sporo. Dość powiedzieć literatura, kultura, sztuka, muzyka, po części architektura. Wspaniałe rzeczy, bez których życie byłoby "inne". Co do języka jednak,

22 godziny temu, Ergo Sum napisał:

Nie, nie jest to tylko język

No właśnie, tylko język czy aż język? Zaczęliśmy się zastanawiać czy bez humanistów ścisłowcy mieliby język? Wyszło nam, że tak, tym językiem byłaby... matematyka. Jeden, wspólny, uniwersalny w całym wszechświecie język. Wyobraźcie sobie, wszyscy ludzie mówiący jednym językiem, jak rozwijałaby się cywilizacja! Kto wie, może nawet już tak było? Wszyscy posługiwali się językiem "matematycznym", cywilizacja rozwijała się prężnie, do tego stopnia, że w końcu zapragnęła sięgnąć gwiazd budując windę kosmiczną w postaci... wieży do samego nieba. Niestety potem jakiś Dziwny Zbieg Okoliczności postanowił ukarać ich za ich pychę i pozbawił większość z nich umiejętności posługiwania się tym językiem, robiąc z nich... humanistów :lol: Tak było ;)

P.S. Nie wiem tylko, czy większej kary nie dostali Ci, którzy nie zostali zmienieni :D

Taki tam żarcik na dobranoc :)

 

 

 

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
W dniu 29.12.2020 o 23:57, Qion napisał:

Jestem ciekaw, czy program wykorzystujący algorytmy AI byłby w stanie pokonać najlepszy obecnie silnik szachowy jakim jest Stockfish.

1) Każdy silnik szachowy jest AI z definicji. Po prostu szachy padły ofiarą zjawiska, że jak już jakaś dziedzina stała się osiągalna dla komputerów to przestaje być AI stając się zwykłym softwarem.
2)

 

W dniu 29.12.2020 o 23:57, Qion napisał:

Dzisiejsze programy szachowe nie wykorzystują algorytmów neuronowych, lecz analizują miliony kombinacji na wiele posunięć do przodu.

Oczywiście że programy szachowe wykorzystują sieci neuronowe. Na poważnie zaczęło się od AlphaZero, potem powstał jego znacznie udoskonalony klon (jest obecnie silniejszy od oryginału) Lila Chess Zero,  a w końcu Stockfish i praktycznie cała licząca się reszta dostała funkcję oceny wykorzystującą bardzo szybkie sieci neuronowe NNUE.
Stockfish jest w stanie analizować za ich pomocą kilkadziesiąt milionów pozycji na sekundę (tak naprawdę kilka milionów sieciami a resztę swoją starą funkcją oceny).
W sumie widać fajną gradacje - człowiek, z najdoskonalszą funkcją oceny, ocenia 1-2 pozycje na sekundę, programy oparte na powolnych sieciach neuronowych oceniają kilkadziesiąt tysięcy tych pozycji korzystając z GPU, a programy wykorzystujące proste sieci neuronowe razem ze standardowymi funkcjami oceny - kilkadziesiąt milionów na sekundę. Mamy gradację 1000 x na każdym stopniu, i obecnie wygląda na to, że jednak bardziej ocenia się oceniać znacznie więcej pozycji niż robić to lepiej. Stockfish najprawdopodobniej jest najbliżej optymalnego podziału pracy.
Gigantyczna sprawność taktyczna jest ważniejsza od perfekcyjnej oceny strategicznej.

W dniu 30.12.2020 o 22:19, darekp napisał:

Można sobie ew. robić nadzieję, że dzięki sieciom neuronowym, ML itp. uda się osiągnąć coś więcej (bo to są w pewnym sensie programy nie pisane przez ludzi), ale pewności nie ma

Raczej nie ma żadnych wątpliwości. Pełna symulacja rozwojowa mózgu ludzkiego i funkcjonowania sieci neuronowej da ludzkie możliwości - to jest pewnik z matematycznego punktu widzenia. Indywidualne różnice po między ludźmi są z kolei na tyle gigantyczne, że wyidealizowana wersja (pod względem struktury, nie ilości neuronów) powinna być równie dobra.

W dniu 30.12.2020 o 00:49, Ergo Sum napisał:

No .. i właśnie to jest doskonały przykład tego że informatycy totalnie nie wiedzą co jest zakresem humanistyki.

No i to jest doskonały przykład na to, że humaniści nie rozumieją, że kiedy używam określenia humanista istotne jest jedynie to, co ja mam mam na myśli w określonym kontekście. Jeśli mówimy o naukach humanistycznych w opozycji do ścisłych, to jedynym istotnym wyróżnikiem jest słaba zdolność do tworzenia dobrych teorii, obowiązuje gigantyczny przerost formy nad treścią w dziedzinie tworzonych abstrakcji. Utrzymują z rzeczywistością kontakt na poziomie surowych danych, a wszystko bardziej zaawansowane opiera się na poznawaniu uwarunkowanych historycznie konwencji, ich adepci zamiast rozumieć fragment rzeczywistości zmuszani są do studiowania samych dyscyplin, które de facto stają się swoim własnym podmiotem badań.
Praktyczna przewaga nauk ścisłych polega na tym, że opierają się na skutecznej falsyfikacji zdań przez co teorie dzielą się lepsze i gorsze a zdania na prawdziwe lub fałszywe. Gdy profesorzy nauk ścisłych zaczynają bredzić wszyscy wiedzą że bredzą, w naukach humanistycznych powstają nowe teorie do poznania. Teorie ścisłe muszą być skuteczne, teorie humanistyczne - modne.

 


 

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
2 godziny temu, peceed napisał:

Pełna symulacja rozwojowa mózgu ludzkiego i funkcjonowania sieci neuronowej da ludzkie możliwości - to jest pewnik z matematycznego punktu widzenia.

Tak, bo to tautologia. Natomiast nie ma chyba na dzisiaj pewności, czy sieci neuronowe i tego typu zabawki wystarczą, żeby stworzyć pełną symulację - Rogera Penrose już przypomniałem, a poza tym np. pamiętam z czasów studenckich (lata 90-te ub. wieku) wykład o sieciach neuronowych pewnego pracownika PAN (z tytułem profesorskim z tego co pamiętam), który się nimi zajmował od dawna i on na koniec wykładu powiedział, że jego zdaniem w praktyce widać, że brakuje jeszcze czegoś, jakiegoś elementu jakościowo innego (lub kilku), że dla niektórych problemów z rozpoznawania obrazów wystarczy 100-200 neuronów, a w mózgu ludzkim jest o wiele więcej. Nie wiem, czy coś zmieniło się od tych czasów, AI w ostatnich latach miało sporo osiągnięć, chyba po prostu pozostaje siedzieć i czekać, co z tego wyniknie:)

Sam nie mam do czynienia z AI w pracy, a w domu jakoś trudno znaleźć czas, żeby się tym pobawić i wyrobić sobie jakieś własne zdanie.

Edytowane przez darekp

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
39 minut temu, darekp napisał:

brakuje jeszcze czegoś, jakiegoś elementu jakościowo innego (lub kilku), że dla niektórych problemów z rozpoznawania obrazów wystarczy 100-200 neuronów, a w mózgu ludzkim jest o wiele więcej.

Wiadomo że do zrozumienia wszystkich funkcji mózgu jeszcze sporo brakuje, ale akurat ta obserwacja jest nieistotna. Mózg zajmuje się znacznie większą ilością problemów niż "niektóre". Nie przejmowałbym się takimi wykładami sprzed ćwierć wieku, postęp jest tak wielki że zmieniła się też nasza percepcja, pewne rzeczy stają się oczywiscie proste, zagadnienia filozoficzne zaczynają być problemami technicznymi. Zwłaszcza komputerowa kreatywność uświadomiła nam, że ta naturalna jest znacznie prostszym zjawiskiem niż się to wydawało.

39 minut temu, darekp napisał:

Rogera Penrose już przypomniałem

Bardzo błądzi, większość jego argumentów została obalona na gruncie logicznym, szczególnie zabawne były wywody o tym, że matematycy ludzcy mają większe możliwości niż komputery. Nic nie wskazuje na to aby mózg był nieobliczalny, ale niekoniecznie znamy wszystkie typy sieci neuronowych. Być może są takie, które pozwalają pojedynczym neuronom wykonywać bardziej złożone obliczenia. Z drugiej strony można dostrzec bardzo analogiczne struktury w mózgu jak wizualizację wag w głębokich sieciach neuronowych wytrenowanych dla obrazów. Zatem istota została uchwycona.

39 minut temu, darekp napisał:

Sam nie mam do czynienia z AI w pracy, a w domu jakoś trudno znaleźć czas, żeby się tym pobawić i wyrobić sobie jakieś własne zdanie.

Inteligencja to emergentne i stosunkowo proste zjawisko - inaczej dobór naturalny by go nie odkrył! Ostatnie lata uświadomiły, że ilość przechodzi w jakość - praktyczne sieci neuronowe mają wagi o rozmiarach setek megabajtów i więcej.Nawet prosta sieć szachowa ma kilkadziesiąt megabajtów. Wykorzystuje się wsadowe przetwarzanie (np. klasyfikacja wielu zdjęć na raz), bo to przesłanie wag do obliczeń jest wąskim gardłem, a nie danych do analizy. W ten sposób widać, że fizyczna reprezentacja sieci jest bardzo wydajna - wagi zostają w miejscu a przesyła się tylko aktualny stan obliczeń.  Jeśli chcemy znaleźć nowe efektywne architektury sieci neuronowych, to kluczem jest analizowanie miniaturowych mózgów owadów - ciężko pobić ich wydajność, a ich zadania jakościowo nie różnią się od tych z bardziej złożonych zwierząt. Neuronowy paradygmat obliczeń jest wydajny nawet na poziomie bramek logicznych i zwykłej elektroniki - w procesorach stosuje się od niedawna predykcję rozgałęzień wykorzystującą perceptrony - całkiem nietrywialne zadanie które musi być wykonane w czasie rzędu pojedynczych taktów procesora.
 

Edytowane przez peceed

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
49 minut temu, peceed napisał:

Bardzo błądzi, większość jego argumentów została obalona na gruncie logicznym

Czyli IMHO nie została obalona, bo tu pewnie nie chodzi o logikę znaną z matematyki, tylko o różne wywody, które ludzie (mam wrażenie, że częściej panie niż panowie;)) w życiu codziennym lubią opatrywać etykietką "to jest logiczne" ;P

 

49 minut temu, peceed napisał:

szczególnie zabawne były wywody o tym, że matematycy ludzcy mają większe możliwości niż komputery

Mi się wydaje, że w matematyce nadal obowiązuje teza  kogoś (zapomniałem nazwiska), że to co jest łatwe dla człowieka, jest trudne dla maszyny i vice versa. Na dzisiaj chyba nie ma zbyt wielu eleganckich twierdzeń, definicji itp. stworzonych prze maszyny (może to się odmieni w przyszłości, nie zdziwiłbym się, gdyby tak się stało, ale jeszcze nie teraz).

Edytowane przez darekp

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
3 minuty temu, darekp napisał:

tylko o różne wywody, które ludzie (mam wrażenie, że częściej panie niż panowie;)) w życiu codziennym lubią opatrywać etykietką "to jest logiczne"

Penrose w swoich wymysłach był wystarczająco precyzyjny aby wskazać na błąd logiczny w rozumowaniu, tego nie można mu odmówić.

4 minuty temu, darekp napisał:

w matematyce nadal obowiązuje teza  kogoś (zapomniałem nazwiska), że to co jest łatwe dla człowieka, jest trudne dla maszyny i vice versa.

Nie ma żadnej teorii matematycznej która miałaby takie twierdzenie :P

Zazwyczaj nikt nie bawił się w tworzenie maszyn które działały gorzej niż człowiek, więc twierdzenie jest bardzo mało odkrywczą konsekwencją tego faktu i okoliczności, że nie wszystkie domeny działalności ludzkiej dawały się łatwo zautomatyzować.
Ograniczając je do świata komputerów wynika to z faktu, że człowiek jest wielką i powolną siecią neuronową, a komputery ekstremalnie szybkimi kalkulatorami.

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
38 minut temu, peceed napisał:

Nie ma żadnej teorii matematycznej która miałaby takie twierdzenie :P

OK, źle się wyraziłem, teza, że dla maszyny jest łatwe to co trudne dla człowieka i na odwrót nie jest twierdzeniem matematycznym, tylko obserwacją dotyczącą komputerów w ogóle, ale chyba zrozumiałeś, więc nie rozpisuję się dokładniej :)

 

38 minut temu, peceed napisał:

Penrose w swoich wymysłach był wystarczająco precyzyjny aby wskazać na błąd logiczny w rozumowaniu, tego nie można mu odmówić.

Nie wiem, co masz na myśli, ja mam jakąś skłonność (pewnie jestem w mniejszości) do traktowania logiki jako czegoś bardzo solidnego, poważnego i np. to co jest nazywane logiką przez filozofów (albo ludzi w mowie potocznej) dla mnie wcale nie jest logiką, jest nadużywaniem tego słowa. Tak że proszę o wyjaśnienie, co masz na myśli jeśli chodzi o ew. błędy logiczne Penrose'a lub kogoś innego, bo nie zdołam wykombinować samodzielnie:)

Godzinę temu, peceed napisał:

Inteligencja to emergentne i stosunkowo proste zjawisko

Zawsze z tą emergencją mam problem, jeśli są jakieś sytuacje, że coś nowego jakościowo może powstać z zebrania do kupy dużej ilości prostych składników, to trzeba by je (te sytuacje) dokładnie zbadać, żeby dało się zrozumieć. A może po prostu nie ma takich sytuacji.

Godzinę temu, peceed napisał:

Ostatnie lata uświadomiły, że ilość przechodzi w jakość

Jak wyżej.

Może i tak jest, że Penrose nie ma racji itp. ale jak dla mnie na dzień dzisiejszy brakuje jakiegoś przekonywującego/rozstrzygającego argumentu.

Edytowane przez darekp

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
9 hours ago, peceed said:

1) Każdy silnik szachowy jest AI z definicji. Po prostu szachy padły ofiarą zjawiska, że jak już jakaś dziedzina stała się osiągalna dla komputerów to przestaje być AI stając się zwykłym softwarem.
2) Oczywiście że programy szachowe wykorzystują sieci neuronowe. Na poważnie zaczęło się od AlphaZero, potem powstał jego znacznie udoskonalony klon (jest obecnie silniejszy od oryginału) Lila Chess Zero,  a w końcu Stockfish i praktycznie cała licząca się reszta dostała funkcję oceny wykorzystującą bardzo szybkie sieci neuronowe NNUE.
Stockfish jest w stanie analizować za ich pomocą kilkadziesiąt milionów pozycji na sekundę (tak naprawdę kilka milionów sieciami a resztę swoją starą funkcją oceny).

Rzeczywiście w ostatniej wersji Stockfish 12 z lipca 2020  zastosowano sieci neuronowe. Chociaż poprzednie wersje wykorzystywały algorytmy heurystyczne, to jednak Stockfish wygrywał większość zawodów silników szachowych przez ostatnią dekadę. Ponadto Stockfish z siecią neuronową może być silniejszy od poprzednich wersji lecz wolniejszy.

What is the algorithm behind Stockfish, the chess engine? - Quora

 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
3 godziny temu, Qion napisał:

Rzeczywiście w ostatniej wersji Stockfish 12 z lipca 2020  zastosowano sieci neuronowe.

Była dostępna jako rozszerzenie w wersji 11.

3 godziny temu, Qion napisał:

Chociaż poprzednie wersje wykorzystywały algorytmy heurystyczne, to jednak Stockfish wygrywał większość zawodów silników szachowych przez ostatnią dekadę.

Ale tym właśnie jest sieć neuronowa - heurystyką. Ponieważ nie jesteśmy w stanie miały przeanalizować drzewa gry do końca przez większość czasu, do przybliżonej analizy drzewa gry stosuje się alfa -beta pruning (np. Stockfish) albo monte-carlo (np. Komodo), alfa-beta jest wydajniejszy dla szachów gdy mamy dostatecznie dużą ilość analizowanych pozycji (analiza taktyczna nie ma błędów). W pewnym momencie trzeba posilić się funkcją oceny - czy ta pozycja "na oko" wygląda dobrze. Dla przykładu patrzy się (bez zaawansowanych zabaw z drzewami gry) który ruch daje najlepszą heurystyczną ocenę pozycji po 3 ruchach w przód przy najlepszej możliwej grze przeciwnika.  Funkcje oceny miały postać prostych punktacji za składowe, podstawą jest materiał: - pion to 1 punkt, hetman - 10. I takiej skali używa się cały czas, ze względu na wygodę. Te funkcje przyznawały punkty dodatnie i ujemne za ocenę różnych aspektów pozycji. Oczywiście można w danej pozycji przegrać lub wygrać (-/+ nieskończoność).
Sieć neuronowa robi dokładnie to samo, tylko zamiast korzystać z napisanych przez człowieka algorytmów aproksymuje zbiór uczący złożony z setek tysięcy i milionów partii, a dokładnie dla prawdziwych pozycji osiągniętych podczas partii (to rozsądne ograniczenie zbioru uczącego) liczy się dokładne ewaluacje pozycji wykorzystujące miliony ruchów i ta ocena jest oceną którą sieć neuronowa wykorzystuje do nauki. W przypadku sieci neuronowych alpha-zero i lila-chess-zero podstawą do oceny pozycji była własna sieć neuronowa, na początku nienauczona, czyli starano się uzyskać taką sieć neuronową, której heurystyka  jest najbardziej zgodna z analizą kontynuacji (monte -carlo) uzyskaną za pomocą tej właśnie heurystyki. Czyli na początku trzeba polegać na rezultatach wygrana/przegrana (to jedyna wiedza dostarczana z zewnątrz, więcej niż reklamowane Zero),  to jedyna heurystyka która działa w nienauczonej sieci, a gdy ta osiąga już jakąś sprawność to analiza kontynuacji pozwala na wzmacnianie swojej jakości. Maksimum jest zgodność funkcji neuronowej z analizą alfa-beta korzystającą z tej funkcji neuronowej jako heurystyki. 
Istnieją podejrzenia, że tak uczona sieć utyka w minimum lokalnym i dlatego obecnie próbuje się uczyć Lilę nie na podstawie oceny własnych partii tylko tych z silniejszego Stockfisha (trzeba uczyć się od lepszych od siebie ;) ).
Stockfish korzysta ze sieci neuronowych tylko w sytuacji, kiedy klasyczna funkcja oceny daje bardzo równe wyniki w porównaniu do przeciwnika, ale do ich nauki również wykorzystuje siebie (bo nie ma nic lepszego).

8 godzin temu, darekp napisał:

Zawsze z tą emergencją mam problem, jeśli są jakieś sytuacje, że coś nowego jakościowo może powstać z zebrania do kupy dużej ilości prostych składników, to trzeba by je (te sytuacje) dokładnie zbadać, żeby dało się zrozumieć.

Ważną częścią rozumienia jest akceptacja, że tak po prostu jest. Teraz wiemy że sieci neuronowe działają niezależnie od drobnych detali ich budowy, te okazały się nieważne.

Regularna macierz światłoczuła działa rónie dobrze jak nieregularna siatkówka.

Edytowane przez peceed

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
13 minutes ago, peceed said:

Ale tym właśnie jest sieć neuronowa - heurystyką. Ponieważ nie jesteśmy w stanie miały przeanalizować drzewa gry do końca przez większość czasu, do przybliżonej analizy drzewa gry stosuje się alfa -beta pruning (np. Stockfish) albo monte-carlo (np. Komodo), alfa-beta jest wydajniejszy dla szachów gdy mamy dostatecznie dużą ilość analizowanych pozycji (analiza taktyczna nie ma błędów). W pewnym momencie trzeba posilić się funkcją oceny - czy ta pozycja "na oko" wygląda dobrze. Dla przykładu patrzy się (bez zaawansowanych zabaw z drzewami gry) który ruch daje najlepszą heurystyczną ocenę pozycji po 3 ruchach w przód przy najlepszej możliwej grze przeciwnika.  Funkcje oceny miały postać prostych punktacji za składowe, podstawą jest materiał: - pion to 1 punkt, hetman - 10. I takiej skali używa się cały czas, ze względu na wygodę. Te funkcje przyznawały punkty dodatnie i ujemne za ocenę różnych aspektów pozycji. Oczywiście można w danej pozycji przegrać lub wygrać (-/+ nieskończoność).
Sieć neuronowa robi dokładnie to samo, tylko zamiast korzystać z napisanych przez człowieka algorytmów aproksymuje zbiór uczący złożony z setek tysięcy i milionów partii, a dokładnie dla prawdziwych pozycji osiągniętych podczas partii (to rozsądne ograniczenie zbioru uczącego) liczy się dokładne ewaluacje pozycji wykorzystujące miliony ruchów i ta ocena jest oceną którą sieć neuronowa wykorzystuje do nauki.

Zgoda, heurystyka jest rodzajem algorytmu posiadającymi cechy sztucznej inteligencji, lecz nie jest tym samym co sieć neuronowa. Dopiero w Stockfish 12 została zastosowania

ucząca sieć neuronowa, która umożliwia osiągnięcie przez ten silnik 10x większej liczby zwycięstw niż w przypadku poprzednich wersji, które przecież korzystają z algorytmów heurystycznych, to jednak są mniej "inteligentne".

https://en.wikipedia.org/wiki/Efficiently_updatable_neural_network 

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach
13 minut temu, Qion napisał:

ucząca sieć neuronowa, która umożliwia osiągnięcie przez ten silnik 10x większej liczby zwycięstw niż w przypadku poprzednich wersji, które przecież korzystają z algorytmów heurystycznych, to jednak są mniej "inteligentne".

Lepiej powiedzieć - efektywne. Nie ma problemu, aby sieć neuronowa została podzielona na sekcje które liczą niezależne składowe klasycznej ewaluacji Stockfisha,  ale z punktu widzenia sieci jest to niepotrzebne ograniczenie działania. "Nauczony" algorytm może być efektywniejszy od "zaprojektowanego", ale to ten zaprojektowany liczy się znacnie szybciej bezośrednio na procesorze.
Tak naprawdę to Stockfish 12 korzysta z obu funkcji oceny, jest hybrydowy.
Nie wiem, czy ktoś robił porównanie jakości działania czystej heurystyki neuronowej w porównaniu z klasyczną (strzelam że klasyczna znacznie przegrywa), ale neuronowa przegrywa z hybrydową (bo inaczej nie stosowano by hybrydy).

Edytowane przez peceed

Udostępnij tę odpowiedź


Odnośnik do odpowiedzi
Udostępnij na innych stronach

Jeśli chcesz dodać odpowiedź, zaloguj się lub zarejestruj nowe konto

Jedynie zarejestrowani użytkownicy mogą komentować zawartość tej strony.

Zarejestruj nowe konto

Załóż nowe konto. To bardzo proste!

Zarejestruj się

Zaloguj się

Posiadasz już konto? Zaloguj się poniżej.

Zaloguj się

  • Podobna zawartość

    • przez KopalniaWiedzy.pl
      W niedawno opublikowanym wywiadzie Mark Zuckerberg stwierdził, że prawdopodobnie jeszcze w bieżącym roku firma Meta (właściciel Facebooka), podobnie jak inne wielkie firmy, będzie dysponowała systemem sztuczne inteligencji zdolnym do programowania na poziomie średnio doświadczonego inżyniera (mid-level engineer).
      Początkowo wdrożenie takich systemów będzie bardzo kosztowne i będą one musiały zyskać na wydajności, jednak z czasem dojdziemy to momentu, w którym bardzo duża część kodu używanych przez nas aplikacji, w tym kodu algorytmów sztucznej inteligencji, nie będzie pisana przez ludzi, a przez sztuczną inteligencję, stwierdził założyciel Facebooka.
      Słowa Zuckerberga to tylko jeden z sygnałów, że branżę programistyczną mogą w najbliższym czasie czekać olbrzymie zmiany. Sami programiści z jednej strony tworzą algorytmy sztucznej inteligencji, które w przyszłości mogą ich zastąpić, z drugiej zaś, coraz częściej korzystają z ich pomocy. Jeszcze na początku 2023 roku tylko 10% programistów używało AI do pomocy w programowaniu, pod koniec roku 2023 już 63% firm używało lub wdrażało użycie narzędzi AI pomagających w programowaniu. Pod koniec ubiegłego roku odsetek ten wzrósł do 80%.
      Zuckerberg nie jest jedynym wśród wiodących biznesmenów z branży IT, który zapowiada szybkie nadejście olbrzymich zmian. We wrześniu Matt Garman, szef Amazon Web Services, zasugerował, że w ciągu najbliższych 2 lat większość inżynierów oprogramowania przestanie zajmować się programowaniem. Zaś kilka miesięcy wcześniej prezes Nvidii stwierdził, że uczenie się programowania nie jest dobrym pomysłem, gdyż dzięki rozwojowi AI ludzki język staje się najważniejszym językiem programowania.

      « powrót do artykułu
    • przez KopalniaWiedzy.pl
      Pomiędzy lipcem 2021 roku a lutym 2023 roku 12 centrów mammograficznych w Niemczech brało udział w programie, w którym badania mammograficzne były wspomagane przez system sztucznej inteligencji. Radiolodzy sami decydowali, kiedy wykorzystać AI, a kiedy wykonać badania tradycyjnymi metodami. W tym czasie we wspomnianych centrach 119 radiologów przebadało 463 094 kobiety w wieku 50–69 lat. W przypadku 260 739 z nich diagnoza była wspomagana przez sztuczną inteligencję, pozostała część stanowiła grupę kontrolną.
      W grupie, w której badania wspomagane były przez AI, odsetek wykrytych nowotworów piersi wyniósł 0,67%, podczas gdy w grupie badanej tradycyjnymi metodami było to 0,57%. Ponadto tam, gdzie do badania użyto AI odsetek pań poddanych pogłębionej diagnostyce wyniósł 3,74%, a w grupie kontrolnej – 3,83%. Wartość predykcyjna dodatnia (PPV) dla grupy badanej przez AI wynosiła 17,9%, dla grupy kontrolnej – 14,9%. PPV pokazuje tę część podejrzanych wyników mammografii, które w pogłębionej diagnostyce rzeczywiście reprezentują chorobę.
      Najważniejszym wskaźnikiem przydatności algorytmu sztucznej inteligencji w badaniach mammograficznych jest fakt, że zwiększył on wykrywalność choroby bez zwiększania potrzeby przeprowadzenia pogłębionej diagnostyki. To już kolejne badania, które pokazały, że algorytmy sztucznej inteligencji rzeczywiście wspomagają pracę radiologów i mogą ratować życie kobiet.

      « powrót do artykułu
    • przez KopalniaWiedzy.pl
      W latach 1967–1978 roku Włoska Wyprawa Archeologiczna ISMEO prowadziła pierwsze badania w Shahr-i Sokhta (SiS) w Iranie. Szybko okazało się, że miasto składało się z trzech obszarów: mieszkalnego, cmentarza i przemysłowego. Jego największy rozkwit przypadł na połowę III tysiąclecia przed naszą erą, gdy obszar mieszkalny zajmował 80 hektarów. Miasto uznano za jeden z najważniejszych ośrodków na wschodzie Wyżyny Irańskiej. Zidentyfikowano tam cztery okresy kulturowe podzielone na 10 faz konstrukcyjnych, które datowano na od 2. połowy IV tysiąclecia do połowy III tysiąclecia. W południowej części miasta znaleziono duży cmentarz o powierzchni około 20 hektarów, a w jednym z grobów planszę do gry i bierki.
      Datowanie wykazało, że gra pochodzi z lat 2600–2700 p.n.e. W grobie nie znaleziono żadnej innej planszy, założono więc, że wszystkie bierki pochodzą z tej jednej gry i że jest ona kompletna. Planszę do gry złożono w pobliżu głowy zmarłej osoby, w pobliżu zaś stał koszyk z bierkami i kostkami. Plansza jest podobna do wcześniej znajdowanych plansz, ale istnieją między nimi też duże różnice. Kształt planszy z SiS jest niezwykle podobny do słynnej Królewskiej Gry z Ur, jednak gra z SiS ma więcej bierek i nie ma na niej rozety, która wydaje się bardzo ważnym elementem tego typu gier, znanych pod zbiorową nazwą „gier na 20 kwadratach”.
      Z Bliskiego Wschodu i spoza niego znamy ponad 100 plansz, w pewnej mierze do siebie podobnych, a w wielu aspektach różnych, które klasyfikowane są pod tą nazwą. Znaleziono je w Turkmenistanie czy Indiach. Podobnej gry używali Egipcjanie ok. 1580 roku p.n.e. Prawdopodobnie zapoznali się z nią za pośrednictwem Hyksosów. Podobne gry były popularne przez około 2000 lat.
      Autorzy nowych badań zaprzęgli algorytmy sztucznej inteligencji, do pracy nad odgadnięciem zasad gry. Wykorzystanie metod obliczeniowych do badań starożytnych gier, pozwala na symulowanie tysięcy możliwych zestawów zasad i wybranie tych najbardziej prawdopodobnych czy pasujących do gry i bierek.
      Gra z Shahr-i Sokhta wydaje się grą strategiczną – rodzajem wyścigu – podobną do Królewskiej Gry z Ur, ale bardziej złożoną. Zdaniem naukowców, mamy tutaj do czynienia z grą 2-osobową, a celem gracza jest przesunięcie przez pola planszy wszystkich 10 swoich bierek, zanim zrobi to przeciwnik. W grze gracze posługują się kostką i mogą wykorzystywać swoje bierki zarówno do jak najszybszego dotarcia do celu, jak i do blokowania ruchów przeciwnika. Badacze sugerują, że dodatkowe bierki, dzięki którym gra różni się np. od gry z Ur, dodawały jej złożoności. Widzimy wśród nich na przykład rozety, podobne do rozet, które w grze w Ur narysowane są na planszy. W przeciwieństwie do Królewskiej Gry z Ur, w przypadku gry z SiS losowość odgrywa mniejszą rolę, a większa rolę gra strategia.
      Po określeniu najbardziej prawdopodobnych zasad, grę z SIS przetestowało 50 doświadczonych graczy, który ocenili ją i porównali z Królewską Grą z Ur. Przyznali, że gra z SiS jest bardziej wymagająca pod względem strategii niż gra z Ur.
      Szczegóły badań zostały opublikowane na łamach Journal of the British Institute of Persian Studies. Gra z Shahr-i Sokhta została znaleziona w bogato wyposażonym grobie, ale nie był to grób królewski, co wskazuje, że była bardziej dostępna niż gra dla najwyższej elity.

      « powrót do artykułu
    • przez KopalniaWiedzy.pl
      Troje naukowców – Elizabeth A Barnes z Colorado State University, Noah S Diffenbaugh z Uniwersytetu Stanforda oraz Sonia I Seneviratne z EHT Zurich – zebrało dane z 10 modeli klimatycznych i przeanalizowało je za pomocą algorytmów sztucznej inteligencji. Na łamach Environmental Research Letters poinformowali, że z tak przeprowadzonych badań wynika, iż globalne temperatury będą rosły szybciej niż zakładano, a jeszcze za naszego życia niektóre regiony doświadczą średniego wzrostu temperatury przekraczającego 3 stopnie Celsjusza.
      Autorzy badań stwierdzili, że w 34 ze zdefiniowanych przez IPCC 43 regionów lądowych Ziemi średni wzrost temperatury przekroczy 1,5 stopnia Celsjusza do roku 2040. W 31 z tych 34 regionów należy spodziewać się wzrostu o 2 stopnie do roku 2040. Natomiast do roku 2060 w 26 regionach średnia temperatura wzrośnie o ponad 3 stopnie.
      Regionami narażonymi na szybszy niż przeciętny wzrost temperatur są południowa Azja, region Morza Śródziemnego, Europa Środkowa i niektóre części Afryki Subsaharyjskiej.
      Profesor Diffenbaugh zauważył, że ważne jest, by nie skupiać się tylko na temperaturach globalnych, ale zwracać uwagę na temperatury lokalne i regionalne. Badając, jak rośnie temperatura w poszczególnych regionach, będziemy mogli określić, kiedy i jakie skutki będą odczuwalne dla społeczności i ekosystemów tam żyjących. Problem w tym, że regionalne zmiany klimatyczne są trudniejsze do przewidzenia. Dzieje się tak dlatego, że zjawiska klimatyczne są bardziej chaotyczne w mniejszej skali oraz dlatego, że trudno powiedzieć, jak dany obszar będzie reagował na ocieplenie w skali całej planety.

      « powrót do artykułu
    • przez KopalniaWiedzy.pl
      „Ala ma kota” to pierwsze i – prawdę mówiąc – jedyne zdanie, jakie pamiętam z elementarza. I właśnie to zdanie, które kolejne pokolenia poznają dzięki legendarnemu „Elementarzowi” Falskiego prowadzi nas przez „Prosto o AI. Jak działa i myśli sztuczna inteligencja” autorstwa Roberta Trypuza. Niewielki format książeczki sugeruje, że znajdziemy w niej niezbyt wiele informacji. Nic bardziej mylnego. To elementarz, skoncentrowana skarbnica wiedzy o technologii, która już teraz w znaczącym stopniu zmienia ludzkie życie.
      Robert Trypuz jest praktykiem. To specjalista w dziedzinie Semnatic Web i inżynierii danych. Doktorat z informatyki i telekomunikacji uzyskał na Uniwersytecie w Trydencie, jest też doktorem habilitowanym filozofii z KUL. I, co widać w książce, jest entuzjastą sztucznej inteligencji, o której potrafi bardzo ciekawie pisać.
      Z „Prosto o AI” dowiemy się na przykład jak wygląda programowanie AI w porównaniu z programowaniem klasycznym, jak AI rozumie tekst, czym jest osadzanie słów oraz jakie rewolucyjne podejście pozwoliło na skonstruowanie dużych modeli językowych, w tym najbardziej znanego z nich ChataGPT. Przeczytamy o sieciach konwolucyjnych w medycynie, uczeniu ze wzmacnianiem, autor – pamiętajmy, że jest również filozofem – opisuje, czym jest sztuczna wolna wola, zatem czy AI ma wolną wolę.
      W ostatnim zaś odcinku znajdziemy rozważania na temat wpływu sztucznej inteligencji na proces edukacji. Nie ma w tym zdaniu pomyłki, odcinku, a nie rozdziale. Historia jest mianowicie taka, że treści zawarte w tej książce nie zostały napisane do tej książki. Pisałem je jako scenariusze odcinków programu, który nigdy nie powstał, pisze Robert Trypuz we wstępie. I może właśnie pochodzenie tekstu, który zamienił się w książkę, powoduje, że tak łatwo można przyswoić zawarte w niej informacje.
      Dla kogo jest zatem „Prosto o AI”? Dla każdego z nas, kto nigdy bardziej nie zagłębił się w tajniki sztucznej inteligencji. Tutaj znajdzie jej podstawy wyjaśnione w prosty sposób. Większości czytelników pogłębienie wiedzy do tego stopnia w zupełności wystarczy, jakąś zaś część zachęci, by sięgnąć po kolejne, bardziej szczegółowe i specjalistyczne pozycje. Ja czytałem książkę Trypuza z olbrzymim zainteresowaniem i przyjemnością.
  • Ostatnio przeglądający   0 użytkowników

    Brak zarejestrowanych użytkowników przeglądających tę stronę.

×
×
  • Dodaj nową pozycję...