Deep Blue သည် စစ်တုရင်လောကကို အံ့အားသင့်စေပြီးနောက် ဆယ်စုနှစ် သုံးခုနီးပါးခန့်တွင် သုတေသီများသည် လိမ်ညာလွယ်သောမေးခွန်းတစ်ခုကို ဖြေရန်ကြိုးစားဆဲဖြစ်သည်- AI သည် စစ်တုရင်တွင် အဘယ်အရာက အလွန်ကောင်းမွန်စေသနည်း။ နိုဝင်ဘာလ 15 ရက်နေ့တွင် Scientific American မှ မီးမောင်းထိုးပြထားသော APS Open Science တွင် မကြာသေးမီက စာတမ်းတစ်ခုသည် တိုင်းတာနိုင်သော သဲလွန်စတစ်ခုကို ပေးဆောင်သည် — နှင့် ၎င်းကို စာရေးသူက "ဗျူဟာမြောက် တင်းမာမှု" ဟုခေါ်သော ပိုင်ဆိုင်မှုတစ်ခုဆီသို့ ဆင်းသက်လာသည်။
စစ်တုရင်အင်ဂျင်များသည် လူသားများကို တွက်ချက်နိုင်စွမ်းမရှိသည်မှာ ကြာမြင့်နေပြီဖြစ်ပြီး၊ သစ်ပင်ရှာဖွေမှုမှတစ်ဆင့် များပြားလှသော ယှဉ်ပြိုင်သူအများအပြားကို ရက်စက်ကြမ်းကြုတ်စွာ တွန်းလှန်နိုင်ခဲ့သည်။ Stockfish နှင့် Leela Layers ကဲ့သို့သော ခေတ်မီအာရုံကြောကွန်ရက်အင်ဂျင်များ သည် ထိုရှာဖွေမှုကို လမ်းညွှန်ရန် လေ့ကျင့်ထားသော ကွန်ရက်များကို အသုံးပြုကာ ၎င်းတို့၏ ကစားကွက်သည် ပိုမို ကြောက်မက်ဖွယ်ကောင်းလာပါသည်။ လေ့လာမှုအသစ်တွင် ထပ်လောင်းထည့်ထားသည်မှာ ၎င်းတို့၏ကစားပုံသည် ကျွန်ုပ်တို့နှင့်ကွာခြားသည် — ဘယ်သူအနိုင်ရသည်သာမက၊ ဂိမ်းပေါ်လာသည်နှင့် ဘုတ်အဖွဲ့ကိုယ်တိုင်က မည်သို့ကွာခြားသည်ကို ကိန်းဂဏန်းပုံတူတစ်ခုဖြစ်သည်။ AI သုတေသနသတင်း ကို လိုက်ကြည့်နေသည့် စာဖတ်သူများအတွက် အဆိုပါအလုပ်သည် စစ်တုရင်ကဲ့သို့သော "ခံစားချက်များ" ဒိုမိန်းများပင်လျှင် စက်များ အမှန်တကယ်တွေးတောပုံနှင့် ပတ်သက်၍ မေးခွန်းများဖွင့်ထားဆဲဖြစ်ကြောင်း သတိပေးချက်တစ်ခုဖြစ်သည်။
Board ပေါ်ရှိ Tension ကို တိုင်းတာခြင်း။
လေ့လာမှုအား Vito D. P. Servedio မှ အကြီးတန်းစာရေးဆရာ Vito D. P. Servedio နှင့်အတူ Vienna ရှိ Complexity Science Hub မှ ရူပဗေဒပညာရှင်များက ဦးဆောင်ခဲ့သည်။ အဖွဲ့သည် အွန်လိုင်းဒေတာဘေ့စ်များမှ လူသားနှင့် လူသားဂိမ်းများနှင့် Stockfish-versus-Leela ဂိမ်းများကို စုဆောင်းကာ အနေအထားတိုင်းတွင် ဗျူဟာမြောက် တင်းမာမှုဟုခေါ်သော အရေအတွက်ကို တိုင်းတာသည်- အဓိကအားဖြင့်၊ ဆန့်ကျင်ဘက်အပိုင်းများကြား ဖြစ်နိုင်ချေရှိသော အပြန်အလှန်တုံ့ပြန်မှုအရေအတွက်ကို အဖွဲ့သည် တိုင်းတာသည်။ တင်းမာမှု မြင့်မားသော ရာထူးများသည် တစ်ခုနှင့်တစ်ခု အပြိုင်အဆိုင် ကွဲထွက်နေသည့် နေရာများဖြစ်သည် — ငုပ်လျှိုးနေသော ဖမ်းယူမှုများ၊ ခြိမ်းခြောက်မှုများနှင့် တန်ပြန်ခြိမ်းခြောက်မှုများ ကြွယ်ဝသော နေရာများသည် တစ်ချက်ရွှေ့ရုံဖြင့် လွတ်မြောက်သွားနိုင်သည်။
Tension သည် ရူပဗေဒပညာရှင်များအတွက် သဘာဝအတိုင်း ပမာဏတစ်ခုဖြစ်သည်။ ၎င်းသည် နံပါတ်တစ်ခုတည်းတွင်၊ အနေအထားတစ်ခုတွင် မည်မျှရှုပ်ထွေးမှု ငုပ်လျှိုးနေသည်ကို ဖမ်းယူနိုင်သည် — ကစားသမားတစ်ဦးဦးက ဘုတ်အား အစွန်းကိုကျော်ကာ လဲလှယ်မှုတစ်ခုထဲသို့ တွန်းပို့ပါက ဂိမ်းအခြေအနေမည်မျှပြောင်းလဲသွားမည်ဖြစ်သည်။
လူသားများကို ရိုးရှင်းအောင်ပြုလုပ်ပါ။ အင်ဂျင်များသည် Board ကို Edge ပေါ်တွင်ထားပါ။
ဗဟိုရှာဖွေတွေ့ရှိချက်သည် တင်းမာမှု မည်ကဲ့သို့ ပြောင်းလဲလာသည်ကို ကွဲပြားစေသည်။ လူ့ဂိမ်းများတွင်၊ ပျမ်းမျှ တင်းအားသည် ပထမအကြိမ် 20 ရွေ့လျားစဉ်အတွင်း AI ဂိမ်းများထက် ပိုများသည် — လူများက အလွတ်ကျက်ထားသော အဖွင့်များနှင့် ကောင်းစွာတူးထားသော နည်းဗျူဟာများကို အားကိုးသည့်အဆင့်ဖြစ်ပြီး ရှုပ်ထွေးမှုသည် ပြိုင်ဘက်ကို နောက်ဆုံးတွင် ချော်ရန်တွန်းအားပေးလိမ့်မည်ဟု မျှော်လင့်ပါသည်။
ဒါပေမယ့် အဲဒီ့နောက်မှာတော့ မျဉ်းကြောင်းတွေက ဖြတ်ကျော်သွားတယ်။ အလယ်ဂိမ်းတွင် နက်ရှိုင်းစွာ မြင့်မားနေဆဲဖြစ်သော AI ဂိမ်းများ၏ အောက်သို့ ကျဆင်းသွားပါသည်။ သုတေသီများ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်- ရာထူးများ ရင်းနှီးမှုမရှိလာသည်နှင့်အမျှ၊ လူ့ကစားသမားများသည် အပိုင်းပိုင်းများကို ရိုးရှင်းစွာ ရောင်းဝယ်ဖောက်ကားကြပြီး ပိုမိုရှုပ်ထွေးသော အစိတ်အပိုင်းများစွာ၏ ရှုပ်ထွေးနက်နဲမှုနှင့် ရွေးချယ်စရာများစွာကို တစ်ပြိုင်နက်တည်း စိတ်ထဲမှာ မထိန်းထားနိုင်သောကြောင့် ပိုမိုတည်ငြိမ်သော အဆောက်အဦများဆီသို့ ဦးတည်မောင်းနှင်လာကြသည်။ အင်ဂျင်များသည် ထိုကဲ့သို့ အတားအဆီးမရှိဟု ခံစားရသည်။ ၎င်းတို့သည် လူသားကစားသမားအများစု သွားလာရန် သည်းမခံနိုင်သည့် အပြန်အလှန်ခြိမ်းခြောက်မှုများဖြင့် ထူထပ်သော ရာထူးများကို ထိန်းသိမ်းထားကာ — အတိအကျအားဖြင့် အဆိုပါ ရာထူးများသည် လူသားများ၏ တိကျမှု ကျဆင်းသွားသည့် နေရာဖြစ်ကြောင်း လေ့လာမှုက အကြံပြုထားသည်။
ကျွမ်းကျင်မှု၊ အချိန်ထိန်းချုပ်မှုများနှင့် ရှာဖွေမှုအတိမ်အနက်
တင်းမာမှုသည် လူသားများနှင့် စက်များ နှစ်ခုစလုံးတွင် စွမ်းရည်နှင့် ဆင်ခြင်နိုင်စွမ်းတို့ကို ခြေရာခံကြောင်းလည်း အချက်အလက်များက ပြသခဲ့သည်။ အဆင့်သတ်မှတ်ခံရသော လူသားကစားသမားများသည် ၎င်းတို့၏ ဂိမ်းတစ်လျှောက်လုံးတွင် အဆင့်နိမ့်သူများထက် ပိုမိုတင်းမာမှုကို ထိန်းသိမ်းထားသည်။ တွေးခေါ်ချိန်ပိုရသော ဂိမ်းများသည် - ဂန္တဝင်စစ်တုရင်တွင် အမြင့်ဆုံး၊ လျင်မြန်မှုအနိမ့်ဆုံးနှင့် blitz တွင် အနိမ့်ဆုံး-- တွေးခေါ်မှုဆိုင်ရာအားထုတ်မှုတွင် ရှုပ်ထွေးမှုမှာ စျေးကြီးသည်ဟူသော အယူအဆနှင့် ကိုက်ညီသည် ။ စက်ဘက်တွင်၊ Stockfish သည် ဖြစ်နိုင်ခြေရှိသော နောက်ထပ်သစ်ပင်များကို ရှာဖွေသောအခါတွင် တင်းမာမှုများ တိုးလာသည်ကို တွေ့ရှိခဲ့သည်။
စာရေးဆရာများ သည် အကြောင်းရင်းကို သတိထားပါ။ မြင့်မားသော တင်းမာမှုသည် လူသားများနှင့် AI နှစ်ခုလုံးတွင် စွမ်းရည်ပိုကြီးမှုနှင့် ဆက်နွယ်နေသော်လည်း လေ့လာမှုက တင်းမာမှုသည် ထိုစွမ်းရည်ကို ထုတ်ပေးသည်— သို့မဟုတ် ယင်းမှ စီးဆင်းသွားကြောင်း မပြသခဲ့ပေ။ ၎င်းသည် သရုပ်ပြ ယန္တရားတစ်ခုမဟုတ်သေးသော ပြင်းထန်သောကစားနည်း၏ လက်ဗွေရာတစ်ခုဖြစ်သည်။
"သူတို့က မှော်ပညာတွေ ကစားနေပုံပဲ"
သုတေသီများ၏ ရည်မှန်းချက်သည် စစ်တုရင်အလှကို ပုံဖော်ခြင်းထက် ကျော်လွန်ပါသည်။ "ကျွန်ုပ်တို့၏စာရွက်သည် ဤစက်များလုပ်ဆောင်နေသည်ကို နားလည်ရန် အနီးစပ်ဆုံးဖြစ်နိုင်သည်" ဟု Servedio မှ Scientific American သို့ပြောကြားခဲ့သည်။ "မဟုတ်ရင် သူတို့က မှော်ပညာကစားနေပုံပဲ။"
အဆိုပါဘောင်- အင်ဂျင်ကစားခြင်းကို သဘောကျနှစ်သက်ရမည့် black box ထက် တိုင်းတာရမည့် ရုပ်ပိုင်းဆိုင်ရာစနစ်အဖြစ် ဆက်ဆံခြင်း- သည် အစောပိုင်းစက်စစ်တုရင်ခွဲခြမ်းစိတ်ဖြာမှုများနှင့် အလုပ်ကို ပိုင်းခြားစေသည်။ အင်ဂျင်၏ ရွေ့လျားမှုသည် အကောင်းဆုံးလားဟု မေးမည့်အစား၊ အင်ဂျင်ကစားခြင်း၏ စုစည်းကိန်းဂဏန်း အချက်အလက်များသည် စက်၏ လုပ်ဆောင်နေသည့် ရှာဖွေမှုနှင့် အကဲဖြတ်မှု အမျိုးအစားအကြောင်း ဖော်ပြသည့် အမျိုးအစားကို မေးမြန်းသည်။
စစ်တုရင်ခုံထက်မှ သတိပေးချက်
Servedio သည် 64 စတုရန်းနှင့်ဝေးသောဒိုမိန်းများအတွက်မငြိမ်မသက်သောသက်ရောက်မှုကိုဆွဲဆောင်ခဲ့သည်။ အကယ်၍ AI စနစ်များသည် မြင့်မားသောတင်းမာမှုကို ထိန်းထားခြင်းဖြင့် ရှုပ်ထွေးသော၊ ရန်ဘက်ဆက်တင်များတွင် ပိုမိုကောင်းမွန်သော ရလဒ်များရရှိနိုင်သည် — မတည်ငြိမ်သော အပြန်အလှန်တုံ့ပြန်မှုများကို တစ်ပြိုင်နက်ရှင်သန်စေခြင်းဖြင့် — ထို့နောက် ၎င်းတို့အား သံခင်းတမန်ခင်းကဲ့သို့သော အရာတစ်ခုတွင် အသုံးချခြင်းသည် လူသားများ စီမံခန့်ခွဲ၍မရသော ပျက်စီးလွယ်သော စက်ဖြင့် အကောင်းဆုံးပြင်ဆင်ထားသော ဗျူဟာများကို ဆိုလိုခြင်းဖြစ်သည်။ "သင့်မှာ တင်းမာမှု မြင့်မားလာတဲ့အခါ၊ စနစ်တွေက အရမ်းမတည်မငြိမ်ဖြစ်တာကြောင့် ဒါဟာ အလွန်အန္တရာယ်များပါတယ်" ဟု ၎င်းက ပြောကြားခဲ့သည်။ "ဒါဆို တစ်ဖက်က အမှားလေးတစ်ခုက ဘေးဥပဒ်ဖြစ်စေလိမ့်မယ်။"
နှိုင်းယှဉ်မှုမှာ မှန်းဆချက်ဖြစ်ပြီး စာရေးဆရာများသည် သံတမန်ရေးအရ ရွေ့လျားမှုကို တိုင်းတာသည်ဟု မယူဆပါ။ သို့သော် AI ဖြန့်ကျက်မှုတွင် စစ်မှန်သောတင်းမာမှုတစ်ရပ်ကို ညွှန်ပြသည်- အင်ဂျင်တစ်လုံးသည် ကြီးမားသောမာစတာကို ကျော်လွန်နိုင်စေသည့် တူညီသောပိုင်ဆိုင်မှု — စဉ်ဆက်မပြတ်ရှုပ်ထွေးမှုများနှင့်အတူ နှစ်သိမ့်မှု— ၎င်းတို့အား ယုံကြည်စိတ်ချစွာမထိန်းသိမ်းနိုင်သော လူ့အဖွဲ့အစည်းများတွင် ချမှတ်ရန် ၎င်း၏ဗျူဟာများကို အန္တရာယ်ဖြစ်စေသည့် ပိုင်ဆိုင်မှုဖြစ်နိုင်သည်။
လေ့လာမှုက မပြဘူး။
ကန့်သတ်ချက်များသည် ရှင်းရှင်းလင်းလင်း ဖော်ပြသင့်သည်။ လေ့လာမှုသည် တင်းအားနှင့် ကစားခြင်း ခွန်အားကြား ဆက်စပ်မှုကို တည်ဆောက်ထားပြီး ၎င်းတို့နှစ်ခုကို ဆက်စပ်နေသည့် အကြောင်းရင်းခံ ယန္တရားတစ်ခု မဟုတ်ပါ။ ၎င်းသည် အွန်လိုင်းဒေတာဘေ့စ်များမှ လူသားဂိမ်းများ၏ သီးခြားလူဦးရေနှင့် အင်ဂျင်တစ်စုံကို နှိုင်းယှဉ်ကာ — ၎င်း၏ သီးခြားရွေ့လျားမှုများနှင့် ပြီးပြည့်စုံသော အချက်အလက်များဖြင့် — စစ်တုရင်သည် ဤခွဲခြမ်းစိတ်ဖြာမှုအတွက် အကောင်းဆုံးကိစ္စရပ်တစ်ခုအဖြစ် ကျန်ရှိနေဆဲဖြစ်သည်။ ပိုဆိုးသောဒိုမိန်းများသို့ "မဟာဗျူဟာတင်းမာမှု" တိုးချဲ့ခြင်းသည် ရလဒ်မဟုတ်ဘဲ အယူအဆတစ်ခုဖြစ်သည်။
သို့တိုင်၊ စာရွက်တွင် စစ်တုရင်-AI စာပေတွင် ချို့တဲ့သည့်အရာတစ်ခုကို ထပ်လောင်းထည့်သွင်းထားသည်- ရိုးရှင်းပြီး တွက်ချက်နိုင်သော ကိန်းဂဏာန်းတစ်ခုသည် ဂိမ်းတစ်ခု၏တစ်လျှောက်တွင် လူသားများနှင့် စက်ယန္တရားများက ရှုပ်ထွေးမှုကို စီမံခန့်ခွဲပုံအား ရှင်းရှင်းလင်းလင်း ပိုင်းခြားထားသည်။ Chess သည် လူသားများနှင့် စက်များ နှစ်ခုစလုံးတွင် သိမြင်နားလည်မှုကို လေ့လာခြင်းအတွက် စံပြစနစ်အဖြစ် ကြာရှည်စွာ လုပ်ဆောင်ခဲ့ပြီး Deep Blue ၏ 1997 ခုနှစ်တွင် Garry Kasparov အောင်ပွဲသည် ကျွန်ုပ်တို့၏ကိုယ်ပိုင် တွက်ချက်မှုဂိမ်းတွင် ကျွန်ုပ်တို့ကို တွေးခေါ်နိုင်စွမ်းရှိကြောင်း စက်ယန္တရားများက ပထမဆုံး သက်သေပြခဲ့သည့် အခိုက်အတန့်ဖြစ်သည်။ အနှစ် 30 နီးပါးကြာလာသောအခါတွင် စက်များသည် အဘယ်ကြောင့် အနိုင်ရနိုင်သနည်းဆိုသည့် မေးခွန်းဆီသို့ ရွေ့လျားလာခဲ့ပြီး၊ ၎င်းတို့ အနိုင်ရသည့်နည်းလမ်းက ကျွန်ုပ်တို့ကို ယခုကျွန်ုပ်တို့ လက်တွေ့ကမ္ဘာမှ ဆုံးဖြတ်ချက်များချပေးနေသည့် စနစ်များအကြောင်း တိုးများလာသည်နှင့်အမျှ၊
---
AI ၏ရှေ့တွင်နေရန်နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။
AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →
