AlphaZero blesti v šahu, šogiju in goju
Začelo se je z AlphaGojem, ki je pred dvema letoma in pol premagal aktualnega prvaka v antični kitajski igri go. AlphaGo je bil izdelek podjetja DeepMind, ki je danes že Googlova podružnica. Go velja za bistveno zahtevnejšo igro od šaha, kjer je človek primat izgubil že pred dvajsetimi leti, ko je Deep Blue premagal Garryja Kasparova. Ker imamo danes že v mobilnih telefonih več računske moči, kot jo je imel Deep Blue, ni presenetljivo, da so sčasoma padle tudi druge igre.
Naslednik AlphaGo je AlphaZero, ki se je naučil igrati šah, šogi in go. Novi program se je sposoben učiti sam, saj ne potrebuje človeškega mentorstva. Ko mu razložimo pravila igre, se izboljšuje in uči sam. To počne tako, da igra sam s seboj in v vsakih igri napreduje. V samo treh dneh se je AlphaZero naučil igrati go bolje od AlphaGo, čeprav pri tem ni imel nobene pomoči. Potreboval je 4,9 milijona partij, da je postal najboljši na svetu – ne pozabimo, da je AlphaGo boljši od kateregakoli človeka.
Temu postopku se pravi učenje z okrepitvijo (reinforcement learning). Konceptualna razlika je pomembna. AlphaGo se je izmojstril tako, da se je naučil vseh trikov in potez, ki so se jih v dolgi zgodovini igre naučili ljudje. AlphaZero je trike odkrival sam.
AlphaZero sedaj obvlada tri kompleksne igre, ki so bile še nedavno rezervirane za ljudi. Šah od leta 1997 računalniki igrajo bolje, go od leta 2016, šogi pa od pojava AlphaZero. Vseeno pa to ne pomeni, da bodo računalniki zavzeli svet. Omenjene igre predstavljajo svet, ki je zelo natančno določen, saj ima stroga in omejena pravila, zato jih algoritmi lahko izpilijo do obisti. Resničnost ima neprimerno več odtenkov.
