På denne tiden har vi utviklet oss så mye at vi ikke en gang trenger kroppen vår for å gjøre noen jobber ved hjelp av kunstig intelligens. Spesielt innen informatikk.
Vi ser allerede forskjellige bransjer som bruker AI i mange typer applikasjoner; for eksempel bemerket Abrams at innen det medisinske feltet kan en datamaskin umiddelbart gi en onkologlege en pasient som nylig presenterer hele sykehistorien, symptomer og foreslåtte diagnoser. I tillegg kan AI-programmet skanne tusenvis av nye sider med medisinske journalartikler som utgis hver dag og foreslå ny informasjon som kan være relevant. I et annet eksempel kan AI lage en prediktiv modell for vannbruk i områder som lider tørke, og basere modellen på visuell gjenkjenning av trær, bassenger og taklekkasjer, og la byplanleggere vurdere anbefalinger eller forskrifter som retter forbrukerens vannforbruk.
AI kan også i stor grad hjelpe overvåking og vedlikehold av oljerigger, som kan ha så mange som tusenvis av sensorer, selv om ingeniører vanligvis ser på mindre enn 1% av tilgjengelige data. Men AI kan innta en riggs designdokumentasjon og mange års vedlikeholdslogger og problemer med billetter, så en ingeniør som undersøker et problem, har bedre informasjon for å vurdere problemet. “Når mennesker får bedre svar, har vi funnet ut at de kan stille flere og bedre spørsmål,” sa Abrams.
Og hvis vi ser på sjakk, kan vi se Alpha Zero. Den ultimate mesteren av alle sjakkmotorer.
Det er her nevrale nettverk kommer inn. AlphaZeros nevrale nettverk mottar, som input, oppsettet til brettet for de siste trekkene i spillet. Som produksjon estimerer den hvor sannsynlig den nåværende spilleren er å vinne og forutsier hvilke av de tilgjengelige trekkene som sannsynligvis vil fungere best. M.C.T.S. algoritmen bruker disse spådommene for å bestemme hvor de skal fokusere i treet. Hvis nettverket gjetter at ‘ridder-tar-biskop’ sannsynligvis vil være et godt trekk, for eksempel, så vil M.C.T.S. vil bruke mer av tiden sin på å utforske konsekvensene av dette trekket. Men det balanserer denne “utnyttelsen” av lovende trekk med en liten “utforskning”: den plukker noen ganger trekk som den tror er usannsynlig å bære frukt, bare i tilfelle de gjør det.
Da AlphaGo Zero og AlphaZero-papirene ble publisert, begynte en liten hær av entusiaster å beskrive systemene i blogginnlegg og YouTube-videoer og bygge sine egne kopieringsversjoner. Det meste av dette arbeidet var forklarende – det strømmet fra amatørtrangen til å lære og dele som ga opphav til nettet i utgangspunktet. Men et par anstrengelser dukket også opp for å replikere arbeidet i stor skala. DeepMind-avisene hadde tross alt bare beskrevet de største Go- og sjakkspillprogrammene i verden – de hadde ikke inneholdt kildekoden, og selskapet hadde ikke gjort programmene tilgjengelige for spillere. Etter å ha erklært seier hadde ingeniørene forlatt banen.
Kilder: legalexecutiveinstitute.com, newyorker.com
