人工智慧”MuZero”超強大,下棋.玩遊戲樣樣精!(下)

人工智慧"MuZero"超強大,下棋.玩遊戲樣樣精!(下)
人工智慧”MuZero”超強大,下棋.玩遊戲樣樣精!(下)

最新的人工智慧”MuZero”超厲害的,不僅能陪你下棋還能陪你玩遊戲?!(下)

本系列文章為【終極版AlphaGo-MuZero 】的下篇,MuZero竟然不用靠人類訓練,就可以自我摸索出西洋棋規則?請點此看上篇閱讀了解

除了下棋⋯⋯人工智慧 MuZero 還可壓縮影片!有望降低 YouTube 成本

除了下棋玩遊戲之外,MuZero 也可以被投入商業用途。

David Silver 表示,DeepMind 正嘗試用 MuZero 來開發新型的影片壓縮技術:「如果查看整個網路世界的資料流量,會發現影片占了很大的比例,如果可以更有效地壓縮影片的大小,可以省下大量資金、縮減經營成本。」

「初步實驗顯示,只是單純壓縮影片能取得的收益也非常可觀,我們對此感到很興奮。」

▲ 思科(Cisco)預估 2022 年時,影片將佔據全球 82 %的網路流量。來源:CardMapr on Unsplash

 

由於同為 Alphabet 旗下的 Google 握有世界上最大的影音平台 YouTube,因此 YouTube 很有可能會成為最大獲益者。然而 David Silver 拒絕透露 Google 將在何時、何地使用 MuZero的功能,只表示未來一年內將會公布更多細節。

此外,MuZero 也計畫被用於解決化學或量子物理等問題,潛在應用領域也包括新一代虛擬助理、個人化醫療與搜索救援技術等。

AI 人工智慧更像人了

DeepMind 的核心理念是利用人工智慧為世界做出貢獻,MuZero 的能力與多種實際應用的可能,是 AI 走出理論的象牙塔、更貼近現實的重要里程碑。

但是突破性的進步往往也伴隨著隱憂。南安普敦大學電腦科學教授、人工智慧委員會成員 Wendy Hall 認為,DeepMind 一心追求提升 AI 性能,但對於可能造成無法預料的嚴重後果:「就像是噴射機的發明者可能沒考慮過汙染問題。人們必須要在發展與風險中取得平衡。」

MuZero 可以歸納實際情況與當下的行動,不需要通曉所有的可能性,也能表現出色。這個特色非常人性化,也很接近人類處事的模樣。但這是會讓人工智慧 成為更出色的虛擬助理呢?還是會讓 AI 離取代人類越來越接近?只能拭目以待了。

人工智慧「AlphaFold」解決困擾人類半世紀的「蛋白質」難題

全世界最知名的人工智慧公司 DeepMind 除了曾經研發過擊敗人類棋王的 AlphaGo、它的進階版 AlphaZero 以及它的終極版 MuZero 之外,還曾經開發出名叫「AlphaFold」的 AI,解決了困擾生物學界超過 50 年的「蛋白質折疊」難題!在過去如果要精確得知一個蛋白質的完整結構,需要數月、數年甚至數十年的實驗研究,而這個人工智慧只要花費幾小時就能完成。詳細資訊請看本篇文章:「生物學最大謎團被人工智慧 破解!DeepMind 攻克「蛋白質折疊」奧秘

▲ DeepMind 的科學家與工程師的幕後故事,談論他們如何創建出 AlphaFold和心路歷程。

 

 

 

 

 

 

推薦文章:
測試員”微痛”轉職前端工程師,現在切版和網站開發一把罩!


秀程式設計也能交女友!工程師專屬交友App:VSinder


生物學最大謎團被人工智慧 破解!DeepMind 攻克「蛋白質折疊」奧秘


外貌影響面試?新人工智慧機器人 Tengai 面試不再以貌取人


人工智慧新系統,助視障人士參加路跑不是夢!


只要動口就能寫程式?原來靠的是人工智慧新發明!


人臉貓臉辨識不夠看!人工智慧現在還能辨識熊臉?!

人工智慧”MuZero”超強大,下棋.玩遊戲樣樣精!(上)

人工智慧"MuZero"超強大,下棋.玩遊戲樣樣精!(上)
人工智慧”MuZero”超強大,下棋.玩遊戲樣樣精!(上)

最新的人工智慧”MuZero”超厲害的,不僅能陪你下棋還能陪你玩遊戲?!(上)

比打敗人類棋王的AlphaGo更強!無師自通的人工智慧MuZero誕生

2016 年,DeepMind 開發的人工智慧圍棋軟體 AlphaGo 打敗了韓國棋王李世乭,成為第一個擊敗人類棋手的 AI。2018 年,它的繼任者 AlphaZero 從零開始,靠自學學會西洋棋、將棋、圍棋

近日,DeepMind 發表超越 AlphaGo、AlphaZero 的人工智慧系統 MuZero,就算不知道規則也能精通西洋棋、圍棋、將棋,以及 57 款雅達利(Atari)遊戲,甚至還能用來壓縮影片。

▲ 來源:DeepMind 官網。

AlphaGo還需靠真人來訓練,MuZero卻能自我摸索出規則

DeepMind 過去研發出的幾款人工智慧,都在各種棋類遊戲上展現出壓倒性的優勢。但不管是 AlphaGo、AlphaGo Zero 或 AlphaZero,都是基於已知規則,再加上人類資料訓練或是自我學習訓練而成。

而最新登場的 MuZero 與其他的 AI「前輩」們最大的不同在於,它在事先並未輸入任何的已知規則,在未知的動態環境下能自行摸索出規則,並作出最佳的判斷。ˋ

MuZero 的拿手範圍不只圍棋、西洋棋和將棋等棋類遊戲,其中還包含經典電腦遊戲公司雅達利(Atari)出品的 57 款遊戲,而且都拿出了亮眼的表現。

跟人類一樣的「規劃能力」 MuZero 以有限資訊做出最佳決策

2019 年 DeepMind 就曾透露過 MuZero 的存在,但直到 2020 年底才正式於《自然》期刊發表論文,詳細介紹它的能力與原理。DeepMind 表示,MuZero 最大的突破在於表現了「對未知環境的掌握能力」。

「我們只是告訴人工智慧:用你自己建構的認知,去了解這個世界怎麼運作。」曾任 AlphaGo 與 AlphaZero 首席研究科學家、現正領導 DeepMind 強化學習研究小組的 David Silver 表示,「只要內部的理解成功對上了某個現實事物,那我們就滿意了。」

▲ MuZero 不需要先備知識與規則,就能精通更多的領域。來源:DeepMind 官網。

與 AlphaGo、AlphaZero 相似,MuZero 也使用蒙地卡羅樹搜尋法(Monte Carlo tree search,MCTS),匯總神經網路的預測,並選擇適合當前環境的動作。

MCTS 是一種「最佳優先」的樹狀搜尋演算法,與傳統方法(如廣度、深度優先)相比,最佳優先搜尋利用啟發式估算法,使其在未知的搜索空間中也可以找到有效的解決方案。簡單來說,該演算法不使用學習模型,而是找出「最好的下一步是什麼」。

MCTS 的每個迴圈包括四個步驟:選擇(Selection)、擴充(Expansion)、仿真(Simulation)和反向傳播(Backpropagation)。通過重覆執行這些步驟逐步建構出樹狀圖。

 

▲ 蒙地卡羅樹搜尋法應用於 MuZero 的示意圖。來源:DeepMind 官網

更簡單地來說,MuZero 會對依照三種要素建立樹狀模型:1. 當前位置、狀況的好壞;2. 最好的下一步是什麼,3. 最後會有怎樣的結果。

DeepMind 比喻,MuZero 的運作邏輯就像是「知道雨傘能讓人不被淋濕,比對雨滴建模更有用」,它只對重要的資訊進行建模,不但讓 MuZero 不懂規則也能掌握遊戲,也讓它能保持高效率、高性能。MuZero 在棋類遊戲的性能與 AlphaZero 匹敵,在雅達利遊戲上的表現更大幅超越現有的最佳系統 DQN、R2D2 與 Agent57。

▲ 雅達利曾視為家用遊戲主機的代表。來源:Lorenzo Herrera on Unsplash

 

其實人類生活在真實世界時,也常要解決沒有規則可循、沒有指南可看的問題,但人類有規劃能力,能在混沌又複雜的世界制定出下一步該怎麼走。當你看到天空烏雲密布,於是決定攜帶雨具出門,這就是一種規劃能力,因為你預測到了可能會下雨。

David Silver 說:「這是我們第一次打造這種系統,它能建立對世界如何運作的理解,並用這種理解做複雜的規劃,例如下西洋棋。」

在下棋時,MuZero 也可以用較少的運算量,達到與 AlphaZero 同樣甚至更好的結果;在需當機立斷、可以立即做出行動的遊戲像是小精靈(Pac-Man)中,MuZero 不需要算出所有可能性才能行動,如果限制它的每個行動只能選擇 6、7 個規畫模擬,依舊能取得亮眼的成績。

 

除了下棋⋯⋯人工智慧 MuZero 還可以做什麼來降低 YouTube 成本?下集請點此接續看下去!

 

 

 

推薦文章:
測試員”微痛”轉職前端工程師,現在切版和網站開發一把罩!


生物學最大謎團被人工智慧 破解!DeepMind 攻克「蛋白質折疊」奧秘


秀程式設計也能交女友!工程師專屬交友App:VSinder


外貌影響面試?新人工智慧機器人 Tengai 面試不再以貌取人


敗血症黃金搶救期就靠人工智慧即時預測!


塗鴉變成大師級怪物插畫?竟是靠人工智慧?!


栩栩如生風景圖竟是靠人工智慧生成?到底是怎麼辦到的?!

揭開蛋白質折疊神秘面紗?!推手竟是人工智慧?!(下)

揭開蛋白質折疊神秘面紗?!推手竟是人工智慧?!(下)
揭開蛋白質折疊神秘面紗?!推手竟是人工智慧?!(下)

蛋白質折疊這其中的奧秘竟在人工智慧面前,也無所遁形?!(下)

本系列文章為【生物學最大謎團被人工智慧 破解!DeepMind 攻克「蛋白質折疊」奧秘 】的下篇,請點此看上篇閱讀了解。

人工智慧 AlphaFold 有望突破現有生物.醫學瓶頸

《MIT 科技評論》報導表示,DeepMind 未來希望能夠將 AlphaFold 投入疾病研究,像是瘧疾、嗜睡病、利什曼病等,這些寄生蟲引發的疾病都牽涉到許多未知的蛋白質結構;亦有傳統方法難以辨別的蛋白質,用 AlphaFold 預測可能都會特別有效,例如因不容易結晶而很難透過實驗來判斷的膜蛋白。

 

▲ DeepMind 的科學家與工程師的幕後故事,談論他們如何創建出 AlphaFold。

 

蛋白質可以成為催發化學反應的酵素、抗擊疾病的抗體或是胰島素等等,美國馬里蘭大學生物科學與生物技術研究所的約翰‧莫爾特博士(John Moult)表示:「蛋白質分子哪怕是微小的重新組合排列,都會對人們的健康產生災難性的影響。因此,要了解疾病和找到新治療手段就要研究蛋白質。」

假設 AlphaFold 的預測精準度未來可以再升級,不僅可以突破現階段的醫療瓶頸,還能讓人類更能應對新病毒、新疾病,亦能加快新藥開發時程。

AlphaFold 的不足與未來展望

AlphaFold 的確可以協助預測蛋白質折疊的結構,但想準確預測,仍然有諸多限制。

中央研究院生物醫學科學研究所研究員黃明經表示,人工智慧預測的是最終蛋白質摺疊的結果,和自然界蛋白質折疊的軌跡有差異。換句話說,AlphaFold 並不是因為理解過程而解碼這個問題,是靠電腦分析大量資料的技術;AlphaFold 雖然可以預測單一蛋白質結構,但仍無法精準預測較複雜的蛋白質複合體。

故即使 AlphaFold 在 CASP14 中表現驚人,但競賽中仍有約 1/3 的蛋白質是 AlphaFold 尚無法精準預測的。

得知蛋白質的結構只是第一步,目前人工智慧還尚未能準確地預測蛋白質摺疊後的功能,亦無法完全取代傳統的實驗方法,但絕對可以協助科學家在複雜的實驗數據中縮小找尋結構的範圍,從中幫助解出困難的結構;AI 也可以透過學習到更多的結構、得到更準確的預測,所以 AI 和傳統方法絕對是相輔相成的。

未來,有更多重要的問題等著人工智慧與人類一起攜手突破。

 

 

 

 

 

推薦文章:
【轉職前端工程師】測試工程師的微痛學習歷程,現在切版、網站開發一把罩!


外貌影響面試?放心!新世代人工智慧Tengai面試不再以貌取人


人工智慧協助設計新食譜!Sony 將研發超越廚師的美食 AI


人工智慧幫你挑結婚對象?日本政府推「AI 婚仲」對抗少子化


靠人工智慧合成貓星人?!網友看完大笑,果然貓咪是液體!


你的用藥安全,就交給人工智慧守護!(上)


人工智慧親手操刀心靈雞湯,竟還勇奪排行榜冠軍?!(上)

揭開蛋白質折疊神秘面紗?!推手竟是人工智慧?!(上)

揭開蛋白質折疊神秘面紗?!推手竟是人工智慧?!(上)
揭開蛋白質折疊神秘面紗?!推手竟是人工智慧?!(上)

蛋白質折疊這其中的奧秘竟在人工智慧面前,也無所遁形?!(上)

因為開發出橫掃棋壇的圍棋 AI「AlphaGo」而廣受世人所知的人工智慧實驗室 DeepMind 日前又傳出捷報──這次他們開發出名叫「AlphaFold」的 AI,解決了困擾生物學界超過 50 年的「蛋白質折疊」難題,以往要精確得知一個蛋白質的完整結構,往往需要數月、數年甚至數十年的實驗研究,而人工智慧竟只要花費幾小時就能完成。

推薦閱讀:

而且由於蛋白質的結構影響它的 功能,許多疾病又和蛋白質的功能有關,如果能夠解決這個難題,就表示醫療領域可以再進一大步,未來人類將能更了解包括新型冠狀肺炎等疾病,亦能加速新藥物的開發。

蛋白質折疊:生物學最大謎團之一

胺基酸是構成蛋白質的基本單位,蛋白質是由一條氨基酸鏈摺疊成特定三維結構所構成,而蛋白質的功能就取決於這個三維結構,甚至被稱為「理解生命的密碼」。這半個世紀以來,科學家一直試圖掌握不同蛋白質的形狀,希望能夠深入理解它們的作用及引起疾病的方式。然而因為氨基酸鏈摺疊的可能性太多,「蛋白質摺疊」(Protein folding)難題便成為生物學最重大的挑戰之一。

 

▲ DeepMind 上傳說明影片,解釋何謂「蛋白質折疊」。

 

自 1972 年,諾貝爾化學獎得主克里斯蒂安.安芬森(Christian Anfinsen)就表示:若要從胺基酸序列預測蛋白質架構,折疊的可能方式會多到無法估計;生物學家塞瑞斯.列文塔爾(Cyrus Levinthal)具體指出,蛋白質折疊有「10 的 300 次方」種可能方式,想靠人工計算來暴力破解,花費時間可能比宇宙存在的時間都長。

這也是為什麼 DeepMind 開發出可以預測蛋白質最終結構的 AlphaFold,會讓全世界震驚於 AI 的突破。

能預測蛋白質結構的 AI 系統「AlphaFold」

DeepMind 表示,AlphaFold 可以藉由胺基酸序列,快速且準確預測蛋白質的三維立體結構。

AlphaFold 的神經網路上添加了注意力機制(Attention Mechanism),並且用資料庫中 17 萬種已知蛋白質結構、6 千萬筆胺基酸序列來訓練,它分析目前已知蛋白質形狀後,就能預測其他蛋白質的形狀,前後只需要花費幾小時、甚至幾分鐘內的時間。

▲ AlphaFold 主要神經網絡模型架構。 圖片來源:DeepMind 官網。

 

DeepMind 團隊表示,可以將蛋白質折疊看作一個「空間圖」(spatial graph),節點表示殘基(residue),邊緣將殘基緊密連接起來。這個空間圖對於理解蛋白質內部的物理交互至關重要。

團隊使用深度學習的端對端(End-to-End)進行訓練,以理解空間圖的結構,並使用進化相關序列、多重序列比對(MSA)和氨基酸殘基的表示等方法來細空間圖。

已於 CASP 大賽中二次奪冠的 AlphaFold

從 1994 年起,John Moult 教授和 Krzysztof Fidelis 教授創立了蛋白質結構預測關鍵評估實驗(Critical Assessment of Structure Prediction,CASP)。CASP 的競賽模式為:主辦單位會選擇近期才經過實驗確認的蛋白質結構,讓參賽團隊測試自己的蛋白質結構預測方法,最後將預測結果與實驗數據進行比對。

因為嚴苛的評比規則,CASP 一直被稱為預測技術評估的「黃金標準」,CASP 也是期望能透過兩年一次的競賽,來廣邀各方投入相關研究,但都沒有找到成效顯著的方法。

直到 AlphaFold 於 2018 的 CASP13 亮相,首次參加國際比賽就已達到有史以來最高精準度,而且第二名的準確率與 AlphaFold 相差甚遠;並且,在近日舉辦的 CASP14 中,AlphaFold 更上一層樓,中位分數為 92.4(滿分100分),而在 AlphaFold 之前的參賽者,中位分數從未超過50。

「這是該研究領域激動人心的一刻。」DeepMind 聯合創始人兼執行長傑米斯‧哈薩比斯(Demis Hassabis)表示。「人工智慧今天已經足夠成熟強大,足以被應用於真正具有挑戰性的科學問題上了。」

同時他也表示,DeepMind 可能要等到明年才能公開詳細實驗內容,團隊也正在準備相關論文,以適時提交給同行進行評審。

 

人工智慧 AlphaFold 如何突破現有生物、醫學瓶頸?請點此接續看下去!

 

 

 

 

推薦文章:
【轉職前端工程師】測試工程師的微痛學習歷程,現在切版、網站開發一把罩!


外貌影響面試?放心!新世代人工智慧Tengai面試不再以貌取人


人工智慧協助設計新食譜!Sony 將研發超越廚師的美食 AI


人工智慧幫你挑結婚對象?日本政府推「AI 婚仲」對抗少子化


上班心煩意亂?人工智慧造的喵星人,絕對讓你笑不停!


人工智慧自駕車也搞駕訓班?讓你安全上路有保障!


人工智慧釀造”人生啤酒”,為你帶來不同世代風味!(上)