AlphaGo: AI, která porazila špičkového hráče hry Go

AlphaGo se proslavila vítězstvím nad profesionálním hráčem strategické deskové hry Go. Její úspěch ukázal, že kombinace neuronových sítí, strojového učení a pokročilého plánování dokáže zvládnout i úlohu, kterou dlouho považovali za mimořádně obtížnou pro počítače.

Proč je Go pro umělou inteligenci náročné

Go vzniklo před tisíci lety a pravidla hry jsou poměrně jednoduchá: dva hráči střídavě pokládají kameny na hrací plochu a snaží se obsadit co největší území. Přesto jde o hru s obrovským množstvím možných tahů a herních pozic. Počítač preto nemůže v každé situaci jednoduše prohledat všechny varianty a vybrat tu nejlepší.

Na rozdíl od šachu se v Go obtížněji uplatňují pevně dané strategie a přesné vyhodnocování jednotlivých pozic. O výsledku často rozhoduje intuice, dlouhodobý plán a schopnost odhadnout, jak se bude měnit rozložení sil na celé desce.

Jak AlphaGo hledala nejlepší tahy

AlphaGo spojila neuronové sítě s metodami plánování. Neuronové sítě jí pomáhaly odhadovat, které tahy jsou v dané pozici slibné, a posuzovat, jak výhodně si hráč stojí. Tím se systém mohl soustředit na perspektivní možnosti místo toho, aby bez rozdílu zkoumal každou dostupnou variantu.

Významnou úlohu sehrálo aj strojové učení. AlphaGo sa najprv učila z partií odohraných ľudskými hráčmi a následne svoje schopnosti rozvíjala prostredníctvom hry sama proti sebe. Tento postup jej umožnil objavovať nové stratégie a zlepšovať rozhodovanie bez toho, aby sa spoliehala iba na napodobňovanie ľudských ťahov.

Vítězství, které změnilo pohled na AI

AlphaGo na sebe výrazně upozornila v roce 2016, kdy porazila jihokorejského profesionálního hráče Lee Sedola, jednoho z nejlepších hráčů Go své doby. Zápas sledovala široká veřejnost i odborníci na umělou inteligenci. Výsledek ukázal, že moderní systémy mohou uspět i v úlohách, v nichž se schopnost plánovat a posuzovat složité situace zdála být výhradně lidskou doménou.

Úspěch AlphaGo neznamenal, že umělá inteligence „rozumí“ hře stejně jako člověk. Ukázal však, jak účinné může být propojení hlubokého učení s vyhledáváním a plánováním. Přístup použitý při vývoji systému ovlivnil další výzkum AI a podnítil zájem o využití podobných metod v dalších oblastech.