Τεχνητή νοημοσύνη: Γιατί λύνει «άλυτους» μαθηματικούς γρίφους και δεν έχει ακόμη «λύσει» το σκάκι

Καθώς η τεχνητή νοημοσύνη εντυπωσιάζει με τις δυνατότητές της σε ολοένα περισσότερους τομείς, από τα μαθηματικά έως την επιστημονική έρευνα, ένα ερώτημα παραμένει ιδιαίτερα ενδιαφέρον: γιατί δεν έχει καταφέρει ακόμη να «λύσει» το σκάκι;

Το σκάκι μοιάζει, εκ πρώτης όψεως, ιδανικό για τους υπολογιστές. Οι κανόνες είναι απολύτως καθορισμένοι, οι δύο παίκτες έχουν πλήρη εικόνα της σκακιέρας και δεν υπάρχει το στοιχείο της μπλόφας ή της κρυφής πληροφορίας. Ωστόσο, ο αριθμός των πιθανών κινήσεων και θέσεων είναι τόσο τεράστιος, ώστε η πλήρης μαθηματική επίλυση του παιχνιδιού παραμένει πρακτικά απρόσιτη, αναφέρει η Wall Street Journal.

Η διαφορά με άλλα παιχνίδια είναι χαρακτηριστική. Στη ντάμα, οι υπολογιστές έχουν αποδείξει ότι με τέλειο παιχνίδι και από τις δύο πλευρές το αποτέλεσμα είναι ισοπαλία. Στο σκάκι, αντίθετα, δεν έχει αποδειχθεί ακόμη ποιο είναι το θεωρητικά τέλειο αποτέλεσμα. Η πολυπλοκότητα της σκακιέρας είναι τέτοια ώστε, όπως επισημαίνουν ερευνητές, η διαφορά ανάμεσα στον αριθμό των πιθανών θέσεων και σε έναν αριθμό όπως το ένα δισεκατομμύριο είναι συγκρίσιμη με τη διαφορά ανάμεσα σε ένα δευτερόλεπτο και την ηλικία του σύμπαντος.

Κι όμως, οι υπολογιστές έχουν ήδη ξεπεράσει κατά πολύ τους ανθρώπους στο πρακτικό παιχνίδι. Το 1997, ο Deep Blue της IBM νίκησε τον τότε παγκόσμιο πρωταθλητή Γκάρι Κασπάροφ, σε μια αναμέτρηση που αποτέλεσε ορόσημο στην ιστορία της σχέσης ανθρώπου και μηχανής. Για πολλούς, εκείνη ήταν η στιγμή που έγινε σαφές ότι οι υπολογιστές μπορούσαν να υπερτερούν ακόμη και στις πιο σύνθετες πνευματικές δραστηριότητες.

Η τεχνητή νοημοσύνη εκτοξεύει την συλλογιστική του υπολογιστή

Η πρώτη γενιά σκακιστικών υπολογιστών βασιζόταν κυρίως σε τεράστιες βάσεις δεδομένων και σε ανθρώπινα σχεδιασμένους κανόνες. Η νέα γενιά τεχνητής νοημοσύνης ακολούθησε διαφορετικό δρόμο. Το χαρακτηριστικό παράδειγμα είναι το AlphaZero και η ανοιχτού κώδικα Leela Chess Zero, τα οποία έμαθαν το παιχνίδι σε μεγάλο βαθμό από μηδενική βάση, παίζοντας τεράστιο αριθμό παρτίδων και ανακαλύπτοντας μόνα τους στρατηγικές και τακτικές.

Το εντυπωσιακό είναι ότι η AI δεν έκανε το σκάκι πιο «κλειστό». Αντί να περιορίσει το παιχνίδι σε μια μικρή συλλογή βέλτιστων κινήσεων, αποκάλυψε ότι υπάρχουν πολύ περισσότεροι τρόποι για να παιχτεί σωστά. Ανοίγματα και άμυνες που για δεκαετίες θεωρούνταν αδύναμα επανεξετάστηκαν, καθώς οι μηχανές εντόπισαν ακολουθίες κινήσεων που οι άνθρωποι δεν είχαν αντιληφθεί.

Έτσι, η τεχνητή νοημοσύνη λειτουργεί περισσότερο ως εργαλείο ανακάλυψης παρά ως μηχανή που απλώς παρέχει τη «σωστή απάντηση». Οι σκακιστές χρησιμοποιούν πλέον τις μηχανές για να εξερευνούν στρατηγικές, να αναλύουν θέσεις και να δοκιμάζουν ιδέες που θα ήταν εξαιρετικά δύσκολο να εντοπίσει ένας άνθρωπος μόνος του.

Το παράδοξο είναι ότι όσο ισχυρότερες γίνονται οι μηχανές, τόσο περισσότερο φαίνεται να διευρύνεται και το άγνωστο. Η σκακιέρα, αντί να αποκαλύπτει ένα μοναδικό μυστικό, αποδεικνύεται ένας τεράστιος χώρος δυνατοτήτων που μόλις αρχίζουμε να εξερευνούμε.

Αυτοδίδακτες μηχανές βρίσκουν νέες λύσεις σε παλιά προβλήματα

Αυτός είναι και ο λόγος για τον οποίο το σκάκι εξακολουθεί να ενδιαφέρει τους ίδιους τους ερευνητές της AI. Για τον Μπόρις Πάουερ, ερευνητή της OpenAI, το παιχνίδι αποτελεί ένα χρήσιμο εργαστήριο για τη μέτρηση της ικανότητας των μοντέλων να σκέφτονται και να επιλύουν σύνθετα προβλήματα. Τα νεότερα μοντέλα μπορούν, εφόσον τους δοθεί αρκετός χρόνος, να δημιουργήσουν ακόμη και από μόνα τους μια μηχανή σκακιού επιπέδου γκρανμέτρ. Ωστόσο, όταν πρέπει να υπολογίσουν τις κινήσεις χωρίς τη βοήθεια ειδικά σχεδιασμένου σκακιστικού λογισμικού, οι επιδόσεις τους είναι πολύ χαμηλότερες.

Το ερώτημα, επομένως, δεν είναι μόνο αν η AI θα μπορέσει κάποτε να λύσει το σκάκι. Είναι αν μπορεί να μάθει να σκέφτεται με τρόπο που να μοιάζει περισσότερο με την ανθρώπινη λογική: να αφιερώνει περισσότερο χρόνο στην ανάλυση, να κατανοεί το πλαίσιο και να καταλήγει σε καλύτερες λύσεις.

Ίσως τελικά το μεγαλύτερο μάθημα του σκακιού για την εποχή της AI να είναι διαφορετικό. Η μεγαλύτερη υπολογιστική ισχύς δεν σημαίνει απαραίτητα ότι το άγνωστο μικραίνει. Μπορεί να σημαίνει ότι ανακαλύπτουμε πόσο μεγαλύτερο είναι απ’ όσο πιστεύαμε.