AlphaGo Zero, последнее поколение искусственного интеллекта компании DeepMind, может наконец перейти от игр в го и покер к решению практических задач. Демис Хассабис, глава DeepMind, хочет, чтобы ИИ принялся за изучение взаимодействий белков в теле человека или законов физики для создания какого-нибудь супераккумулятора или другого полезного устройства.
«Разработка лекарств, белков, квантовая химия, новые материалы — только подумайте, возможно, не за горами появление сверхпроводника, работающего при комнатной температуре, — говорит Хассабис. — Я мечтал о таком детства, когда читал книги по физике».
Недавно AlphaGo Zero, новая версия алгоритма AlphaGo, победившего чемпиона мира по игре в го Лю Седоля, смогла без помощи человека научиться игре и за три дня с нуля стать гроссмейстером. Отсюда и новое название ИИ — Zero, нулевое вмешательство человека. По мнению Хассабиса, это критически важная характеристика, способная вывести AlphaGo Zero за пределы лаборатории и доски для го. Алгоритм, который может обучаться самостоятельно, в скором времени начнет решать проблемы реального мира.
Хассабис, который, правда, пока не раскрывает конкретных планов DeepMind, подчеркнул два критерия эффективности AlphaGo Zero в выполнении поставленных задач.
- Во-первых, Zero нуждается в реалистичном симуляторе окружающей действительности (в случае с игрой в го это была имитация игровой доски). Симуляция важна, потому что позволяет ИИ проводить тесты быстрее, чем в реальности — нет нужды двигать фишки пять миллионов раз, можно сыграть множество виртуальных партий одновременно.
- Во-вторых, требуется «целевая функция». В информатике — это число, которое нужно оптимизировать, то есть уменьшить или увеличить. В го — количество побед. В случае материаловедения этим числом может быть, например, электропроводность.
Вместе с тем, оптимизм Хассабиса разделяют не все ученые. По мнению скептиков, ИИ-технологии еще только развиваются, и тормозит их прогресс дефицит данных. Симуляторы, необходимые для того же Zero, требуют огромного количества информации для предсказания результатов экспериментов. Однако, у ученых нет данных в необходимом количестве, поскольку они попросту еще не провели достаточное число опытов в реальном мире. И даже если бы такие данные были, молекулярный мир все же намного сложнее, чем доска для го, считает Эван Рид, ученый-материаловед из Стэнфорда.
«Вы, конечно, можете попытаться написать программный код на основе физических законов, но проблема в том, что физика не построена на программном коде — мы не можем, например, предсказать критическую температуру для высокотемпературного сверхпроводника», — говорит Рид.
Ученый объясняет, что материал, из которого состоит, скажем, типичный металлический сверхпроводник, насчитывает около 10^23 атомов. Таким образом, существует практически бесчисленное число конфигураций этих атомов, а ведь они время от времени еще и перестраиваются, и каждая новая конфигурация наделяет материал новыми свойствами. Следовательно, программистам необходимо сначала смоделировать это бессчетное множество конфигураций при помощи расчетов на основе квантовой физики, а затем натренировать Zero на этом громадном массиве данных, прежде чем он поймет, как это работает.
«На сегодняшний день это совершенно неразрешимая проблема», — заключает эксперт.
Валентин Станев, исследователь в области материаловедения из Университета Мэриленда, также полагает, что ни один существующий компьютер не способен обработать такое количество данных. По мнению ученого, говорить о прорывах в этой области можно будет только после того, как человечество перейдет к полноценным квантовым вычислениям.
«В случае материаловедения компьютер, играющий в го, вместо одного хода за раз должен будет каждый раз делать все ходы одновременно, с разными вероятностями, — говорит Станев. — Эта бесконечно сложная проблема нерешаема без квантовых вычислений».
Гербранд Сидер, материаловед из Университета Беркли, считает, что единственный способ получить искомые данные для Zero — автоматизировать все научные эксперименты в реальном мире, что на сегодняшний день невозможно реализовать на практике.
«Можем ли мы сделать машину, которая берет разные материалы, создает нечто, измеряет его свойства, а затем начинает заново? — задается вопросом Сидер. — Пришлось бы автоматизировать все этапы эксперимента. Вот почему материаловедение по-прежнему живет в каменном веке. Вот почему оно так медленно развивается».
Похожего мнения придерживается Александр Леви, соучредитель стартапа Atomwise, который занимается разработкой новых лекарств при помощи ИИ-технологий виртуального синтеза.
«К сожалению, не существует некоего магического метода, который позволит ИИ перейти от игры в Го к синтезу лекарств, — утверждает Леви. — На практике в этой сфере существует огромное множество ограничений».
Источники: Quartz, hightech.fm