Πριν από δέκα χρόνια, ένα σύστημα τεχνητής νοημοσύνης κατάφερε κάτι που πολλοί ειδικοί θεωρούσαν ότι θα αργούσε δεκαετίες να συμβεί. Το πρόγραμμα AlphaGo έγινε το πρώτο σύστημα που νίκησε έναν παγκόσμιο πρωταθλητή στο σύνθετο παιχνίδι Go, σηματοδοτώντας μια ιστορική στιγμή για την τεχνητή νοημοσύνη. Η αναμέτρηση με τον Νοτιοκορεάτη πρωταθλητή Lee Sae Dol το 2016 παρακολουθήθηκε από περισσότερους από 200 εκατομμύρια ανθρώπους σε όλο τον κόσμο. Εκείνη η νίκη δεν αποτέλεσε απλώς ένα επίτευγμα στον χώρο των παιχνιδιών στρατηγικής. Αντίθετα, αποτέλεσε το σημείο εκκίνησης για τη σύγχρονη εποχή της τεχνητής νοημοσύνης, ανοίγοντας τον δρόμο για την εφαρμογή της σε πραγματικά επιστημονικά προβλήματα. 

Διαβάστε: Θύμα απάτης η Καίτη Γαρμπή: Βίντεο τεχνητής νοημοσύνης την εμφανίζει να μιλά για τον διαβήτη

Η αναμέτρηση έμεινε στην ιστορία κυρίως για τη διάσημη «Κίνηση 37» στο δεύτερο παιχνίδι της σειράς. Η συγκεκριμένη κίνηση θεωρήθηκε αρχικά λάθος ακόμη και από έμπειρους σχολιαστές του παιχνιδιού. Ωστόσο, αποδείχθηκε στρατηγικά ιδιοφυής. Περίπου εκατό κινήσεις αργότερα, το αποτέλεσμα δικαίωσε το σύστημα τεχνητής νοημοσύνης, αποδεικνύοντας ότι μπορούσε να αναπτύσσει στρατηγικές πέρα από τα όρια της ανθρώπινης εμπειρίας.

AlphaGo: Πώς η τεχνητή νοημοσύνη έμαθε να σκέφτεται

Το παιχνίδι Go θεωρείται ένα από τα πιο πολύπλοκα στρατηγικά παιχνίδια που έχουν δημιουργηθεί. Ο αριθμός των πιθανών θέσεων στο ταμπλό είναι ασύλληπτος και ξεπερνά κατά πολύ τον αριθμό των ατόμων στο ορατό σύμπαν. Αυτή η πολυπλοκότητα το καθιστούσε για δεκαετίες ένα από τα μεγαλύτερα τεστ για τα συστήματα τεχνητής νοημοσύνης. Για να μπορέσει να ανταποκριθεί σε αυτή την πρόκληση, το AlphaGo χρησιμοποίησε βαθιά νευρωνικά δίκτυα σε συνδυασμό με τεχνικές αναζήτησης και ενισχυτικής μάθησης. Αρχικά εκπαιδεύτηκε μελετώντας παρτίδες κορυφαίων παικτών, ώστε να αναπτύξει ένα μοντέλο πιθανών κινήσεων. Στη συνέχεια έπαιξε εκατοντάδες χιλιάδες παιχνίδια εναντίον του εαυτού του, βελτιώνοντας συνεχώς τις στρατηγικές του.

Η διαδικασία αυτή επέτρεψε στο σύστημα να εντοπίζει τις πιο υποσχόμενες στρατηγικές επιλογές και να επιλέγει εκείνη που είχε τη μεγαλύτερη πιθανότητα να οδηγήσει στη νίκη.

Από το AlphaGo στο AlphaZero

Μετά την επιτυχία του AlphaGo, η DeepMind ανέπτυξε νέες εκδόσεις του συστήματος. Το AlphaGo Zero έμαθε το παιχνίδι ξεκινώντας από εντελώς τυχαίες κινήσεις, χωρίς να βασίζεται σε ανθρώπινα δεδομένα. Στη συνέχεια δημιουργήθηκε το AlphaZero, ένα σύστημα που μπορούσε να μάθει από το μηδέν οποιοδήποτε παιχνίδι δύο παικτών με πλήρη πληροφόρηση, όπως το Go, το σκάκι και το shogi. Το AlphaZero κατάφερε μέσα σε λίγες ώρες να γίνει κυρίαρχο στο σκάκι, κερδίζοντας τόσο κορυφαίους ανθρώπινους παίκτες όσο και τα ισχυρότερα εξειδικευμένα προγράμματα της εποχής.

Από τα παιχνίδια στην επιστήμη

Η μεγαλύτερη όμως σημασία του AlphaGo δεν βρίσκεται στα παιχνίδια, αλλά στις επιστημονικές εφαρμογές που ακολούθησαν. Η ίδια τεχνολογική προσέγγιση χρησιμοποιήθηκε για την επίλυση ενός από τα μεγαλύτερα προβλήματα της βιολογίας: την πρόβλεψη της τρισδιάστατης δομής των πρωτεϊνών. Το 2020 το σύστημα AlphaFold κατάφερε να λύσει αυτό το πρόβλημα που απασχολούσε τους επιστήμονες για περισσότερα από 50 χρόνια. Σήμερα οι δομές περισσότερων από 200 εκατομμυρίων πρωτεϊνών έχουν καταγραφεί σε μια ανοικτή βάση δεδομένων που χρησιμοποιείται από εκατομμύρια ερευνητές παγκοσμίως.

Το μέλλον της τεχνητής νοημοσύνης

Δέκα χρόνια μετά τη νίκη του AlphaGo, η τεχνητή νοημοσύνη συνεχίζει να εξελίσσεται και να επηρεάζει ολοένα και περισσότερους τομείς της επιστήμης. Από τη βιολογία και τη χημεία μέχρι τα μαθηματικά και την κβαντική υπολογιστική, οι τεχνικές που αναπτύχθηκαν μέσα από το AlphaGo χρησιμοποιούνται για την επίλυση σύνθετων προβλημάτων. Η εξέλιξη αυτή θεωρείται ότι μπορεί να οδηγήσει στο μέλλον στη δημιουργία της Τεχνητής Γενικής Νοημοσύνης, ενός συστήματος που θα μπορεί να σκέφτεται και να επιλύει προβλήματα σε πολλούς διαφορετικούς τομείς, όπως ένας ανθρώπινος επιστήμονας.