Júniusban rendeztük meg 13. Qubit Live estünket, amelyen meghívott előadóinkkal az AI korlátaival és a körülötte kialakult hype-pal, valamint az általános mesterséges intelligencia (AGI) ígéretével foglalkoztunk. A napokban megosztjuk az eseményen elhangzott előadásokat, a kerekasztal-beszélgetést és a nézői kérdésekre adott válaszokat is, hogy az is megnézhesse őket, aki nem tudott részt venni a Qubit+ előfizetőinek meghirdetett rendezvényünkön.

Kocsis Levente matematikus, a HUN-REN SZTAKI tudományos főmunkatársa olyan pólóban lépett a 13. Qubit Live színpadára, amelynek az elején go-tábla, a hátán sakktábla látható. Rögtön meg is magyarázta, miért: az ezredforduló környékén sakkban már profik voltak a gépek, tehát a hátuk mögött volt, a go viszont még hatalmas kihívást jelentett nekik.

Az első nagy gépi győzelmet a sakkban az IBM szuperszámítógépe, a Deep Blue aratta 1997-ben, 3,5–2,5-re legyőzve Garri Kaszparovot. Ehhez három dolog kellett: kifejezetten sakkra írt algoritmusok, célhardver az állások gyors elemzéséhez, valamint egy keresőalgoritmus, amely minden lehetséges változatot végignézett – ez utóbbi a sakknál jóval összetettebb góban csődöt mondott volna. Kocsis 2004-ben került a SZTAKI-ba, és 2006-ban Szepesvári Csaba kollégájával közösen dolgozta ki az UCT algoritmust, amely mélyebb és szelektívebb fát épített, és több energiát fektetett azokba az elágazásokba, amelyek korábban ígéretesnek bizonyultak. A konzisztenciát is bebizonyították, vagyis azt, hogy elég hosszú futás után az algoritmus biztosan megtalálja a legjobb lépést. A felfedezést bemutató cikkük szeptemberben jelent meg, és az év végére már minden jó go-program ezt az algoritmust használta.

A következő ugrást az AlphaGo hozta, amely ugyanezt a Monte-Carlo-fakeresést kombinálta a mélytanulással. A módszer négy lépést ismételget: kiválaszt egy útvonalat a fában, kibővíti egy új levéllel, kiértékeli az így kapott állást, majd az eredményt visszaterjeszti, frissítve a statisztikákat. A DeepMind ehhez két, több millió paraméteres neurális hálót tanított be: a policy háló azt mondja meg, hogy melyik lépés ígéretes, a value háló pedig azt, hogy mennyire jó egy adott állás. Így már nem kell minden levélnél végigszimulálni egy egész partit, a keresés pedig sokkal hatékonyabbá válik. Mindehhez persze olyan erős hardverek is kellettek, amilyenek Kocsisék kutatócsoportjának nem álltak a rendelkezésére. Amint a Google-nél ez a technológiai háttér biztosítottá vált, a fejlődés már gyorsan zajlott: az AlphaGo 2015-ben legyőzte az Európa-bajnok Fan Hujt, 2016-ban 4–1-re I Szedolt, egy évvel később pedig az AlphaGo Master 3–0-ra az akkori világelső Ko Csiét is.

Húsz évvel az UCT megszületése után ugyanez a keresés köszön vissza a nagy nyelvi modellekben. Az alapmodellek ugyanis sokat hibáznak, ha azonnal rávágják a választ egy kérdésre, márpedig rengeteg feladatnál előre kell gondolkodni: egy sakklépésnél, egy matematikai bizonyításnál vagy akár egy finom paprikás elkészítésénél is ki kell találnunk a lépések sorozatát, mielőtt belefognánk. A modell ezért gondolatfát épít a lehetséges gondolati lépésekből, és Monte-Carlo-módszerrek keres benne jó megoldást, akárcsak a góban a lehetséges táblaállások között. A módszernek azonban megvannak a korlátai, amit Kocsis egy szabálytalan sakkállással szemléltetett: olyan felállással, amely a szabályok szerint nem jöhetett volna létre. Bár a feladvány még a sakkozók számára sem triviális, az emberi logikával – akár külső rávezetéssel – megoldható. A Gemini és a ChatGPT tökéletesen ismerte a játék szabályait, és értette is a feladatot, de amikor el kellett dönteniük, hogy szabályos-e az állás, csődöt mondtak: a Geminit csak erős rávezetéssel lehetett elvezetni a jó válaszig, a ChatGPT pedig még így sem boldogult. Hihetetlen, hogy mekkora tudásuk van, de ezt a tudást közben nem tudják jól használni – mondta Kocsis.

Szerinte ha a jelenlegi AI-modelleknek nincs jó belső kiértékelésük arról, hogy a gondolatmenet jó irányba halad-e, eltévednek a hatalmas lehetőséghálóban. A valós környezettel történő interakcióhoz egy belső szimulátorra is szükség lenne, de amíg a sakk zárt világában ez működik, a kiszámíthatatlan fizikai valóságban (például az önvezető autók esetében) rendkívül nehéz felépíteni, mert a külső környezetet nem lehet úgy felgyorsítani és tesztelni, mint egy sakkpartit.

Az előadás most videó formájában is elérhető. Nézd meg itt:

Ha a következő tudományos estünkről te sem szeretnél lemaradni, lépj be mielőbb a Qubit+-ba!

A Qubit Live #13-at a Concorde Értékpapír Zrt. támogatta.