Základní formy umělé inteligence – jak řeší složité problémy?

Základní formy AI – OBSAH

1. Šachy jako nečekaný oříšek
2. Jak může AI řešit složité problémy?
3. Neuronová síť na domácím PC? Vážně?

Šachy jako nečekaný oříšek

Velkému zájmu o AI se těší hlavně šachy – už proto, že jde o hru, která poprvé představila lidstvu koncept kombinatorické exploze. Kombinatorickou explozi popisuje už pojednání Tomáše Štítného ze Štítného. Ten ve svém traktátu o šachové hře zmiňuje, že tvůrce hry žádal jedno zrno na prvním poli, dvojnásobek na dalším, pak na dalším – a i když se zpočátku zdá, že jde o velmi malou cenu, ve skutečnosti by ji vládce nikdy nedokázal zaplatit.

Kombinatorická exploze je obrovský problém pro klasické algoritmy, které se mohou velmi rychle utopit v problému, jehož složitost přesahuje existenci vesmíru – a proto se do umělé inteligence začaly rychle přidávat metody pro sofistikované odhady, které problém radikálně zjednodušují. Jde například o učení, tedy o hledání opakujících se vzorců, které se dají využít. Dále jde o problémy klasifikace, kdy jsme schopni odhadovat šance podle stávající situace, nebo o koncept orákula, což je svého druhu forma intuice, která napomáhá se orientovat ve vysoce komplexních situacích.

Jak může AI řešit složité problémy?

Z technického hlediska rozlišujeme mezi exaktními a stochastickými (pravděpodobnostními) metodami. Mezi exaktní metody patří expertní systémy, tedy systémy pro odvozování vztahů ze zadaných pravidel a dat – a ty se vyznačují tím, že jsou schopné přesně doložit, jak se dopracovaly od zadání ke svým závěrům.

Stochastické metody o poznání více hádají, což vede k výsledkům, které nemusí být nutně ideální, ale zase zvládají ještě složitější problémy, které se jen těžko popisují. Patří mezi ně například evoluční algoritmy, které pracují jako evoluce sama: Vezmou výchozí stav, ten randomizují a následně zkoušejí, jestli je výsledek po znáhodnění lepší, nebo horší. Aby mohly fungovat, musíme rozeznat „lepší“ a „horší“ za pomoci něčeho, čemu se říká kriteriální funkce. Ta nám musí říct, zda je výsledek lepší nebo horší – ne nutně o kolik, ale alespoň zda vůbec.

Evoluční algoritmus pak vezme nejúspěšnější výsledky a opět je randomizuje, obvykle o něco méně. Potom je znovu vyhodnotíme a pak znovu a znovu. Velmi rychle se tak dostaneme k dostatečně vyhovujícím řešením, i když nemusí být nutně zcela ideální – to nám evoluční algoritmy ani neslibují. Slibují pouze to, že pokud nějaké optimum je, tak se k němu dostaneme, i když, pokud jich je třeba víc, nemusíme nutně najít to nejlepší. Pomocí tohoto postupu například v roce 2006 NASA vyvinula „evoluční anténu“ ST5, která při minimálních rozměrech nabízí nejlepší vyzařovací výkon.

Neuronová síť na domácím PC? Vážně?

Největší úspěchy dnes slaví neuronové sítě – a to hlavně díky tomu, že s rostoucím výpočetním výkonem zvládají stále složitější a složitější úkoly. Práce s neuronovou sítí se dělí na učení, které je výpočetně náročnější a dělá se dnes typicky na superpočítačích nebo jejich clusterech, a na naučenou síť, která je schopná běžet i na domácím hardware, jako je PC s dostatečně výkonnou grafickou kartou nebo s AI akcelerací.

Takto funguje například Stable Diffusion – neuronová síť zodpovědná za kompresi a analýzu tvarů. Učí se z obřích databází na superpočítačích, její naučený model je ale schopen fungovat na každém domácím PC, které má alespoň 8 GB RAM. To, co generuje klientská část na vašem PC, je podmíněno učením na superpočítačích. Aplikační část Stable Diffusion rozhodně není celá, výkon domácího PC na celou tvorbu nestačí, jenom na její generování.

Model, kdy se neuronová síť učí na vysoce výkonném hardwaru a na počítačích se pouze aktivuje, znamená, že jde stále o narrow AI. Je to ale velice praktická umělá inteligence, se kterou se budeme setkávat u automatického překladu, strojového čtení, u technologií vylepšování obrazu, jako je DLSS od NVIDIE, u vylepšování fotek či videí v reálném čase a podobně.

V současnosti se experimentuje s dalšími inovativními formami umělé inteligence, jako je one shot learning (učení z jednoho příkladu), biočipy, které kombinují živou tkáň a lidské neurony s elektronikou, nebo kvantové a fotonické čipy, které nabízí zvýšení výkonu a expanzi výpočetní síly o nové možnosti.

Která z výše zmíněných cest se ukáže nejlepší, je stále otázka – výborné je ale to, že výzkum a vývoj se rozhodně nezastavuje.

Michal Rybka

Michal Rybka je publicista a nadšenec s 20 lety zkušeností v IT a gamingu. Je kurátorem AlzaMuzea a YouTube kanálu AlzaTech. Napsal několik fantasy a sci-fi povídek, které vyšly v knižní podobě, a pravidelně pokrývá páteční obsah na internetovém magazínu PCTuning.