ជិតបីទស្សវត្សរ៍បន្ទាប់ពី Deep Blue បានធ្វើឱ្យពិភពអុកភ្ញាក់ផ្អើល អ្នកស្រាវជ្រាវនៅតែព្យាយាមឆ្លើយសំណួរសាមញ្ញមួយ៖ តើអ្វីទៅដែលធ្វើឲ្យ AI ពូកែអុក? ក្រដាសថ្មីមួយនៅក្នុង APS Open Science ដែលត្រូវបានគូសបញ្ជាក់ដោយ Scientific American នៅថ្ងៃទី 15 ខែវិច្ឆិកា ផ្តល់នូវតម្រុយដែលអាចវាស់វែងបាន ហើយវាបានចុះមកលើទ្រព្យសម្បត្តិដែលអ្នកនិពន្ធហៅថា "ភាពតានតឹងជាយុទ្ធសាស្ត្រ"។

ម៉ាស៊ីនអុកមានរយៈពេលយូរណាស់មកហើយអាចគណនាមនុស្សបានដោយបង្ខំឱ្យបេក្ខជនជាច្រើនផ្លាស់ទីតាមរយៈការស្វែងរកដើមឈើ។ ម៉ាស៊ីនបណ្តាញសរសៃប្រសាទទំនើបដូចជា Stockfish និង Leela Layers ប្រើប្រាស់បណ្តាញដែលបានទទួលការបណ្តុះបណ្តាលដើម្បីដឹកនាំការស្វែងរកនោះ ហើយការលេងរបស់ពួកគេបានរីកចម្រើនខ្លាំងជាងមុន។ អ្វី​ដែល​ការ​សិក្សា​ថ្មី​បន្ថែម​គឺ​ជា​រូប​ស្ថិតិ​នៃ​ការ​លេង​របស់​ពួក​គេ​ខុស​ពី​ការ​ប្រកួត​របស់​យើង — មិន​ត្រឹម​តែ​អ្នក​ណា​ឈ្នះ​ប៉ុណ្ណោះ​ទេ ប៉ុន្តែ​នៅ​ក្នុង​អ្វី​ដែល​ក្រុម​ប្រឹក្សា​ភិបាល​ខ្លួន​ឯង​មើល​ទៅ​ដូច​ជា​ការ​ប្រកួត​នេះ​បាន​លេច​ឡើង។ សម្រាប់អ្នកអានដែលតាមដាន ព័ត៌មានស្រាវជ្រាវ AI ការងារនេះគឺជាការរំលឹកថា សូម្បីតែដែន "អារម្មណ៍ដែលបានដោះស្រាយ" ដូចជាអុកនៅតែមានសំណួរបើកចំហអំពីរបៀបដែលម៉ាស៊ីនគិតយ៉ាងពិតប្រាកដ។

ការវាស់ស្ទង់ភាពតានតឹងនៅលើក្តារ

ការសិក្សានេះត្រូវបានដឹកនាំដោយអ្នករូបវិទ្យានៅ Complexity Science Hub ក្នុងទីក្រុងវីយែន ជាមួយនឹងអ្នកនិពន្ធជាន់ខ្ពស់ Vito D. P. Servedio ។ ក្រុមបានប្រមូលទាំងហ្គេមមនុស្សទល់នឹងមនុស្ស និងហ្គេម Stockfish-versus-Leela ពីមូលដ្ឋានទិន្នន័យអនឡាញ បន្ទាប់មកវាស់បរិមាណដែលពួកគេហៅថាភាពតានតឹងជាយុទ្ធសាស្ត្រនៅគ្រប់មុខតំណែង៖ សំខាន់គឺចំនួននៃអន្តរកម្មទៅវិញទៅមកដែលអាចធ្វើទៅបានរវាងផ្នែកប្រឆាំង។ ទីតាំងដែលមានភាពតានតឹងខ្ពស់គឺជាកន្លែងដែលមានបំណែកជាច្រើនប្រឆាំងនឹងគ្នាទៅវិញទៅមក - សំបូរទៅដោយរូបភាពមិនទាន់ឃើញច្បាស់ ការគំរាមកំហែង និងការប្រឆាំងនឹងការគំរាមកំហែងដែលអាចត្រូវបានបញ្ចេញដោយចលនាតែមួយ។

ភាពតានតឹងគឺជាបរិមាណធម្មជាតិសម្រាប់អ្នករូបវិទ្យាដើម្បីឈានដល់។ វាចាប់យកក្នុងចំនួនតែមួយ តើភាពស្មុគស្មាញប៉ុន្មានដែលមិនទាន់ឃើញនៅក្នុងទីតាំងមួយ — តើស្ថានភាពហ្គេមនឹងផ្លាស់ប្តូរកម្រិតណា ប្រសិនបើអ្នកលេងទាំងពីររុញក្តារនៅលើគែមចូលទៅក្នុងការផ្លាស់ប្តូរមួយ។

មនុស្សសាមញ្ញ; ម៉ាស៊ីនរក្សាក្តារនៅលើគែម

ការ​រក​ឃើញ​កណ្តាល​គឺ​ជា​ការ​ខុស​គ្នា​ក្នុង​របៀប​ដែល​ភាព​តានតឹង​វិវត្តន៍។ នៅក្នុងហ្គេមរបស់មនុស្ស ភាពតានតឹងជាមធ្យមគឺពិតជាខ្ពស់ជាងនៅក្នុងហ្គេម AI ក្នុងអំឡុងពេល 20 ចលនាដំបូង ដែលជាដំណាក់កាលដែលមនុស្សពឹងផ្អែកលើការបើកចំហរដែលចងចាំ និងយុទ្ធសាស្ត្រដែលបានហ្វឹកហាត់យ៉ាងល្អ ដោយសង្ឃឹមថាភាពស្មុគស្មាញនឹងបង្ខំគូប្រជែងឱ្យរអិល។

ប៉ុន្តែបន្ទាប់ពីចំណុចនោះ បន្ទាត់ឆ្លងកាត់។ ភាពតានតឹងរបស់មនុស្សបានធ្លាក់ចុះក្រោមហ្គេម AI ដែលនៅតែមានកម្រិតខ្ពស់នៅក្នុងហ្គេមកណ្តាល។ ការបកស្រាយរបស់អ្នកស្រាវជ្រាវ៖ នៅពេលដែលមុខតំណែងមិនធ្លាប់ស្គាល់ អ្នកលេងមនុស្សងាយស្រួលធ្វើពាណិជ្ជកម្មចុះក្រោម និងដឹកនាំឆ្ពោះទៅរករចនាសម្ព័ន្ធដែលស្ងប់ស្ងាត់ជាងមុន ដោយសារតែពួកគេមិនអាចរក្សាភាពស្មុគស្មាញពេញលេញនៃបំណែកអន្តរកម្មជាច្រើន និងជម្រើសជាច្រើននៅក្នុងចិត្តក្នុងពេលតែមួយ។ ម៉ាស៊ីនមានអារម្មណ៍ថាមិនមានឧបសគ្គបែបនេះទេ។ ពួកគេរក្សាតំណែងដែលក្រាស់ជាមួយនឹងការគំរាមកំហែងគ្នាទៅវិញទៅមកដែលអ្នកលេងមនុស្សភាគច្រើននឹងមិនអាចទទួលយកបានក្នុងការរុករក - ហើយយ៉ាងច្បាស់ណាស់មុខតំណែងទាំងនោះគឺជាកន្លែងដែលភាពត្រឹមត្រូវរបស់មនុស្សធ្លាក់ចុះ។

ជំនាញ ការគ្រប់គ្រងពេលវេលា និងជម្រៅស្វែងរក

ទិន្នន័យ​ក៏​បាន​បង្ហាញ​ផង​ដែរ​ថា​ភាព​តានតឹង​តាម​ដាន​សមត្ថភាព​និង​ការ​ពិចារណា​ទាំង​មនុស្ស​និង​ម៉ាស៊ីន។ អ្នកលេងមនុស្សដែលមានចំណាត់ថ្នាក់ខ្ពស់ជាងបានរក្សាភាពតានតឹងកាន់តែខ្លាំងនៅក្នុងហ្គេមរបស់ពួកគេជាងអ្នកលេងដែលមានចំណាត់ថ្នាក់ទាប។ ហ្គេមដែលមានពេលវេលាគិតកាន់តែច្រើនបានបង្ហាញពីភាពតានតឹងកាន់តែច្រើន — ខ្ពស់បំផុតនៅក្នុងអុកបុរាណ ទាបបំផុតក្នុងល្បឿនលឿន និងទាបបំផុតនៅក្នុង blitz — ស្របតាមគំនិតដែលថាការរក្សាភាពស្មុគស្មាញមានតម្លៃថ្លៃក្នុងកិច្ចខិតខំប្រឹងប្រែងយល់ដឹង។ ហើយនៅផ្នែកខាងម៉ាស៊ីន ក្រុមការងារបានសង្កេតឃើញថា នៅពេលដែល Stockfish ស្វែងរកដើមឈើកាន់តែជ្រៅនៃការបន្តដែលអាចកើតមាន ភាពតានតឹងបានកើនឡើង។

អ្នកនិពន្ធមានការប្រុងប្រយ័ត្នចំពោះបុព្វហេតុ។ ភាពតានតឹងកាន់តែខ្ពស់ទាក់ទងទៅនឹងសមត្ថភាពកាន់តែច្រើនទាំងនៅក្នុងមនុស្ស និង AI ប៉ុន្តែការសិក្សាមិនបានបង្ហាញថាភាពតានតឹងបង្កើតសមត្ថភាពនោះ ឬថាវាហូរចេញពីវានោះទេ។ វា​គឺ​ជា​ស្នាម​មេដៃ​នៃ​ការ​លេង​ដ៏​ខ្លាំង ដែល​មិន​ទាន់​មាន​យន្តការ​បង្ហាញ​នៅឡើយ។

"មើលទៅដូចជាពួកគេកំពុងលេងវេទមន្ត"

មហិច្ឆតារបស់អ្នកស្រាវជ្រាវលើសពីលក្ខណៈនៃសោភ័ណភាពអុក។ Servedio បានប្រាប់ Scientific American ថា "ប្រហែលជាក្រដាសរបស់យើងគឺនៅជិតបំផុតដើម្បីយល់ពីអ្វីដែលម៉ាស៊ីនទាំងនេះកំពុងធ្វើ" ។ "បើមិនដូច្នេះទេ វាហាក់ដូចជាពួកគេកំពុងលេងវេទមន្ត។"

ស៊ុមនោះ — ចាត់ទុកការលេងរបស់ម៉ាស៊ីនជាប្រព័ន្ធរាងកាយដែលត្រូវវាស់វែងជាជាងប្រអប់ខ្មៅដែលត្រូវសរសើរ — គឺជាអ្វីដែលសម្គាល់ការងារពីការវិភាគពីមុននៃអុកម៉ាស៊ីន។ ជាជាងសួរថាតើការផ្លាស់ទីរបស់ម៉ាស៊ីនគឺល្អបំផុតឬអត់ ក្រុមសួរថាតើស្ថិតិសរុបនៃការលេងម៉ាស៊ីនបង្ហាញអ្វីខ្លះអំពីប្រភេទនៃការស្វែងរក និងការវាយតម្លៃដែលម៉ាស៊ីនកំពុងដំណើរការ។

ការព្រមានលើសពីក្តារអុក

Servedio ក៏បានទាក់ទាញការជាប់ពាក់ព័ន្ធដែលមិនមានភាពស្ងប់ស្ងាត់សម្រាប់ដែនដែលនៅឆ្ងាយពី 64 ការ៉េ។ ប្រសិនបើប្រព័ន្ធ AI សម្រេចបានលទ្ធផលប្រសើរជាងមុននៅក្នុងការកំណត់គូបដិបក្ខដ៏ស្មុគស្មាញដោយការរក្សាភាពតានតឹងខ្ពស់ - រក្សាអន្តរកម្មដែលងាយនឹងបង្កជាហេតុជាច្រើនឱ្យនៅរស់ក្នុងពេលដំណាលគ្នា - បន្ទាប់មកការដាក់ពង្រាយវានៅក្នុងអ្វីមួយដូចជាការទូតអាចមានន័យថាជាយុទ្ធសាស្ត្រកែលំអដោយម៉ាស៊ីន ដែលមនុស្សរកឃើញថាមានភាពផុយស្រួយមិនអាចគ្រប់គ្រងបាន។ លោក​បាន​បន្ត​ថា​៖ «​វា​គ្រោះថ្នាក់​ណាស់​ព្រោះ​នៅ​ពេល​អ្នក​មាន​ភាព​តានតឹង​ខ្លាំង ប្រព័ន្ធ​មិន​ស្ថិតស្ថេរ​ខ្លាំង​ណាស់​»​។ "ដូច្នេះ​គ្រាន់តែ​កំហុស​តូច​មួយ​ពី​ភាគី​ម្ខាង​នឹង​បង្ក​ឱ្យ​មាន​គ្រោះមហន្តរាយ"។

ភាពស្រដៀងគ្នានេះគឺជាការប៉ាន់ស្មាន ហើយអ្នកនិពន្ធមិនអះអាងថាមានការវាស់វែងថាមវន្តការទូតនោះទេ។ ប៉ុន្តែវាចង្អុលបង្ហាញពីភាពតានតឹងពិតប្រាកដ (នៃប្រភេទអង្គការ) នៅក្នុងការដាក់ពង្រាយ AI៖ ទ្រព្យសម្បត្តិដូចគ្នាដែលអនុញ្ញាតឱ្យម៉ាស៊ីនលើសពីចៅហ្វាយនាយ - ការលួងលោមជាមួយនឹងភាពស្មុគស្មាញជានិរន្តរភាព - អាចជាទ្រព្យសម្បត្តិដែលធ្វើឱ្យយុទ្ធសាស្រ្តរបស់ខ្លួនប្រថុយប្រថានក្នុងការទទួលយកនៅក្នុងស្ថាប័នមនុស្សដែលមិនអាចរក្សាវាទុកបាន។

អ្វីដែលការសិក្សាមិនបង្ហាញ

ដែនកំណត់គឺមានតម្លៃបញ្ជាក់ឱ្យច្បាស់។ ការសិក្សាបង្កើតទំនាក់ទំនងរវាងភាពតានតឹង និងកម្លាំងលេង មិនមែនជាយន្តការមូលហេតុដែលភ្ជាប់ទំនាក់ទំនងទាំងពីរនោះទេ។ វាប្រៀបធៀបម៉ាស៊ីនមួយគូជាមួយនឹងចំនួនជាក់លាក់នៃហ្គេមរបស់មនុស្សពីមូលដ្ឋានទិន្នន័យអនឡាញ ហើយអុក — ជាមួយនឹងការផ្លាស់ប្តូរដាច់ដោយឡែក និងព័ត៌មានដ៏ល្អឥតខ្ចោះរបស់វា — នៅតែជាការកំណត់ករណីដ៏ល្អបំផុតសម្រាប់ការវិភាគប្រភេទនេះ។ ការពង្រីក "ភាពតានតឹងជាយុទ្ធសាស្ត្រ" ទៅកាន់ដែនរញ៉េរញ៉ៃ គឺជាសម្មតិកម្ម មិនមែនជាលទ្ធផលទេ។

ទោះជាយ៉ាងណាក៏ដោយ ក្រដាសនេះបន្ថែមនូវអ្វីដែលអក្សរសិល្ប៍អុក-AI ខ្វះខាត៖ ស្ថិតិដែលអាចគណនាបានយ៉ាងសាមញ្ញ ដែលបែងចែកយ៉ាងច្បាស់លាស់ពីរបៀបដែលមនុស្ស និងម៉ាស៊ីនគ្រប់គ្រងភាពស្មុគស្មាញក្នុងហ្គេម។ អុកបានបម្រើជាយូរមកហើយជាប្រព័ន្ធគំរូសម្រាប់ការសិក្សាការយល់ដឹងទាំងមនុស្ស និងម៉ាស៊ីន ហើយការទទួលជ័យជម្នះឆ្នាំ 1997 របស់ Deep Blue លើ Garry Kasparov បានកត់សម្គាល់ពេលដែលម៉ាស៊ីនដំបូងបង្ហាញថាពួកគេអាចគិតដល់ពួកយើងនៅក្នុងហ្គេមគណនារបស់យើង។ ជិត 30 ឆ្នាំមកនេះ សំណួរបានផ្លាស់ប្តូរពីថាតើម៉ាស៊ីនអាចឈ្នះ ហេតុអ្វីបានជាពួកគេឈ្នះ - ហើយកាន់តែខ្លាំងឡើងទៅថាតើវិធីនៃការឈ្នះរបស់ពួកគេអាចបង្រៀនយើងអំពីប្រព័ន្ធដែលយើងកំពុងផ្តល់ការសម្រេចចិត្តក្នុងពិភពពិតដែរឬទេ។

---

ស្នាក់នៅមុន AI

ទទួលបានព័ត៌មាន AI ការវិភាគ និងរបកគំហើញចុងក្រោយបំផុត — ទាំងអស់នៅកន្លែងតែមួយ។

អានព័ត៌មាន AI បន្ថែម →