alphago
Kastar in handduken. Lee Sedol fick se sig besegrad även i den femte Go-matchen mot AlphaGo. Foto: Google

Kommentatorer och entusiaster har förbryllats över elegansen och finessen hos Googles AI AlphaGo. Drag som inte passar in i det mänskliga sättet att spela har lämnat experterna häpna. Men de visar också på styrkan hos det neurala nätverket, förmågan att lära sig från tidigare erfarenheter. AlphaGo har visat upp egenskaper som inte kan programmeras in, att den kan lära sig och att den kan lägga upp strategier.

Läs också: Aj aj – Googles AI vann även andra Go-matchen mot mänskliga mästaren

Den femte ronden inleddes vid femtiden i morse svensk tid, och var liksom de tidigare omgångarna mycket spännande. Båda spelarna kämpade hårt in i det sista och det var först på övertid som matchen fick sitt avgörande. Den historiska segern hade redan tillfallit AlphaGo, eftersom datorn tog hem de tre första ronderna, som nu blivit den första datorn att slå en topprankad Go-spelare.

Länge balanserade spelet på en knivsegg, för att citera en av kommentatorerna. Efter ett misstag tidigt i spelet hade AlphaGo svårt att komma tillbaka. Så med fyra förluster och en vinst visade det sig att sydkoreanen Lee Sedol funnit sin överman. En milstolpe i utvecklingen av artificiell intelligens.

Men poängen och det som gör algoritmen så speciell är att datorn kan ta den informationen och värdera den på en djupare nivå och på sätt göra sitt eget drag. Till skillnad från en människa satsar den på att maximera sannolikheten för en vinst, istället för att optimera marginalerna. Vilket förklarar varför datorn gör val som en människa inte gjort.

I Go turas spelarna om att placera svart och vita stenar på ett bräde med 19 gånger 19 linjer. Reglerna är enkla, men strategierna och möjligheten enorma. Målet är att kontrollera en större del av spelplanen är motståndaren, genom att omringa dennes stenar och fånga in fler tomma ytor.

Spelarna ställs inför många strategiska val, som till exempel vilket slag de ska spela, eller vilket område de ska kontrollera. De måste alltså fokusera på flera val samtidigt, där varje steg har ett stort antal alternativ. Detta trodde experterna skulle dröja flera år innan en dator skulle klara av. Men nu är den dagen alltså här. Men frågan om det ändå inte finns en bugg i systemet har börjat cirkulera, något Lee Sedol själv misstänker.

AlphaGo:s framgångar har skapat en hel del uppmärksamhet. Men hur fascinerande man än tycker att det är så är det ett spel. Den verkliga betydelsen kommer på andra områden, som inom robotiken. Stefan Carlsson är professor i datavetenskap vid KTH i Stockholm och följer utvecklingen med stort intresse.

– Det kan tillämpas när en robot ska lära sig att plocka upp saker. Gick det bra? Ja, då ska den göra så här i nästa steg. Metodiken för inlärning kallas deep learning och kan också tillämpas på självkörande bilar, säger han.

Läs också: Googles AI har slagit spelet ingen dator skulle kunna klara av

Mjukvaran som ligger till grund för Google AI togs fram av forskare vid New York University och University of Toronto. När den släpptes fri började forskare världen runt titta på vad de kunde bidra med. Inte minst Stefan Carlsson och hans studenter.

– Mina studenter kunde visa att algoritmen som tagits fram var mycket kraftfullare än forskarna vid NYU själva trodde. De testade på olika problem som algoritmen inte var konstruerad för och visade att det var en slags universell algoritm för bildigenkänning, säger han.

Och det är just det universella, eller snarare generella, som gör algoritmen så kraftfull och unik.

Nya rön eller nya verktyg är ofta ett resultat av år av forskning, något som forskarna själva kan se i en nära eller avlägsen framtid. Men ibland slås världen med häpnad.

– Hela den här grejen, den här algoritmen, kom som en blixt från klar himmel. Idéen har funnits, men resultaten har inte varit dramatiskt mycket bättre än andra algoritmer, säger Stefan Carlsson.

AlphaGo, och andra AI-algoritmer som bygger på samma grunder, har gjorts möjliga främst på grund av tre faktorer säger Stefan Carlsson: större databaser, uppskalade algoritmer och kraftfullare grafikprocessorer.

– Själva algoritmerna, de som strukturerar det neurala nätverket, har man gjort avsevärt mycket mer komplexa. Och att man överhuvudtaget nu kan skapa så här stora databaser är en förutsättning för att man ska kunna få deep learning att fungera, säger han.

Läs också: Här är roboten som kan skriva en ny säsong av Vänner

Flera gånger under spelets gång har Lee Sedol sett påtagligt nervös ut, vilket inte behöver vara en nackdel. Stefan Carlsson ser dock ingen större skillnad mellan de två spelarna, det är ungefär samma processer som pågår i bägge och de åstadkommer i stort sett samma resultat. De bygger sina drag på erfarenhet och lär känna varandra allt eftersom. Det är kärnan i Googles AI, den lär sig på samma sätt som ett barn lär sig nya saker.

– Men man ska inte dra på för stora växlar. De här spelen handlar om syntetiska problem till skillnad från de som möter en människa i vardagen. Och datorer har alltid varit bättre på det syntetiska, säger han.