Cinq leçons de la victoire historique d'AlphaGo

AlphaGo a facilement battu Lee Sedol, 18 fois champion du monde de Go, 4-1, et ce faisant, nous a appris plusieurs leçons intéressantes sur où en est la recherche sur l'IA aujourd'hui et vers où elle se dirige.

Il y a de la vie dans les anciennes approches d'IA

Une chose fascinante à propos d'AlphaGo est la façon inhabituelle dont il a été conçu. Le logiciel combinait l'apprentissage en profondeur - la technique d'IA la plus en vogue aujourd'hui - avec une approche beaucoup plus ancienne et beaucoup moins à la mode. L'apprentissage en profondeur implique l'utilisation de très grands réseaux de neurones simulés, et évite généralement la logique ou la manipulation de symboles du type mis au point par Marvin Minksy et John McCarthy. Mais AlphaGo combine l'apprentissage en profondeur avec quelque chose qui s'appelle arbre-recherche , une technique inventée par un des contemporains et collègues de Minksy, Claude Shannon. Peut-être alors verrons-nous de plus en plus l'IA connexionniste et symbolique se rejoindre à l'avenir.

Le paradoxe de Polanyi n'est pas un problème

Le jeu de Go, dans lequel les joueurs essaient de s'entourer et de capturer les pièces de l'autre sur un grand plateau, est un bel exemple du célèbre paradoxe de Polanyi : nous en savons plus que nous ne pouvons en dire.

Contrairement aux échecs, il n'y a pas de directives simples pour jouer au jeu ou mesurer les progrès, ce qui est l'une des raisons pour lesquelles Go a toujours été si difficile à jouer pour les ordinateurs. L'apprentissage automatique, où un ordinateur n'est pas programmé (au sens conventionnel) mais génère plutôt son propre algorithme pour apprendre à partir d'exemples, offre aux ordinateurs un moyen de naviguer dans le paradoxe de Polanyi. Beaucoup de choses que nous faisons, comme conduire une voiture ou reconnaître un visage, sont similaires. Certains économistes l'ont souligné comme un point important. Et comme un article dans le New York Times spectacles , certains voient même le triomphe d'AlphaGo comme une preuve irréfutable que les ordinateurs prendront en charge davantage de tâches (et d'emplois) à mesure que l'apprentissage automatique sera utilisé de plus en plus largement.

AlphaGo n'est pas vraiment IA

Pas si vite, cependant. Aussi incroyable qu'AlphaGo soit, il est encore loin d'être vraiment intelligent. En tant qu'expert en IA et entrepreneur en robotique Jean-Christophe Baillie fait remarquer , l'intelligence réelle exigera non seulement un apprentissage plus sophistiqué, mais aussi des choses comme l'incarnation et la capacité de communiquer. En effet, conduire une voiture dans une rue animée d'une ville ou interagir avec quelqu'un que vous reconnaissez est beaucoup plus complexe que nous ne le pensons. Ainsi, bien que l'apprentissage automatique puisse permettre aux ordinateurs d'effectuer plus de tâches, il faudra beaucoup de temps avant qu'ils ne puissent remplacer tout ce que les gens font.

AlphaGo est assez inefficace

Comparé à un humain, AlphaGo apprend rapidement, consommant des données sur les jeux précédents et jouant contre lui-même à la vitesse du silicium. Mais c'est beaucoup moins efficace qu'une personne à apprendre, dans la mesure où il faut beaucoup plus d'exemples de jeux de Go pour acquérir des techniques efficaces. C'est l'un des principaux problèmes de l'apprentissage en profondeur, que de nombreuses personnes tentent de résoudre, en trouvant des moyens d'apprendre soit à partir de nouveaux types de données, soit à partir de moins de données .

La commercialisation n'est pas évidente

Les compétences démontrées par AlphaGo - reconnaissance de formes subtiles, planification et prise de décision - sont évidemment importantes. Mais il est moins évident de savoir comment ils pourraient être transformés en un produit commercialement viable. Demis Hassabis, le fondateur de Google DeepMind, a déclaré que les techniques développées pour AlphaGo pourraient être utilisées pour construire un assistant personnel qui apprend plus efficacement les préférences et les habitudes de son maître. Mais le langage humain est beaucoup plus complexe qu'un jeu de société , et beaucoup plus difficile à apprendre. En d'autres termes, il pourrait être difficile d'appliquer les compétences spécifiques d'AlphaGo dans le monde réel désordonné.

(Lire la suite: New York Times , Spectre IEEE , La nature , Le chaînon manquant de l'intelligence artificielle , Cet homme peut-il rendre l'IA plus humaine ? )

cacher