10 лет AlphaGo: от победы в го к научным открытиям и пути к AGI

Десять лет назад мир искусственного интеллекта изменился навсегда. В 2016 году система AlphaGo от Google DeepMind обыграла Ли Седоля, одного из сильнейших игроков в го, в матче, который транслировался по всему миру. Эта победа стала не просто спортивным достижением — она продемонстрировала, что нейросети способны решать задачи, которые ранее считались недоступными для компьютеров из-за своей сложности и интуитивной природы. С тех пор технологии, заложенные в AlphaGo, эволюционировали в мощные инструменты для научных открытий, включая AlphaFold, предсказывающий структуры белков, и AlphaDev, оптимизирующий алгоритмы. Сегодня DeepMind подводит итоги десятилетия, подчеркивая, как путь от игры в го привел к созданию систем, приближающих нас к общему искусственному интеллекту (AGI).

Как AlphaGo изменила представление об искусственном интеллекте

До AlphaGo считалось, что го — это игра, в которой компьютер никогда не победит человека. Сложность го колоссальна: количество возможных позиций превышает число атомов во Вселенной, а интуиция и стратегическое мышление казались прерогативой человека. AlphaGo опровергла это, используя комбинацию глубоких нейронных сетей и обучения с подкреплением. Система обучалась на миллионах партий, сначала имитируя человеческую игру, а затем совершенствуясь через самосоревнование. Ключевым нововведением стало использование ценностной сети, которая оценивала позиции без полного перебора вариантов, и политической сети, которая выбирала наиболее перспективные ходы. Этот подход позволил AlphaGo принимать решения, которые часто удивляли экспертов своей креативностью. Например, знаменитый ход 37 во второй партии против Ли Седоля был назван «божественным» — человек бы его не сделал, но он оказался стратегически гениальным.

От AlphaGo к AlphaGo Zero: обучение без человека

Уже через год после победы над Ли Седолем DeepMind представила AlphaGo Zero — версию, которая обучалась исключительно через самосоревнование, без использования данных человеческих партий. Это был важный шаг к созданию ИИ, способного самостоятельно открывать новые знания. AlphaGo Zero за три дня достигла уровня, превосходящего оригинальную AlphaGo, а через 40 дней стала сильнее всех предыдущих версий. Этот прогресс показал, что обучение с подкреплением и древовидный поиск Монте-Карло могут быть масштабированы для решения задач без человеческой предвзятости. Принципы, заложенные в AlphaGo Zero, стали основой для последующих проектов DeepMind, включая AlphaFold и AlphaDev.

AlphaFold: революция в биологии

Одним из самых значимых применений технологий AlphaGo стал AlphaFold — система для предсказания трехмерных структур белков. Белки — это молекулярные машины, от формы которых зависит их функция. Задача предсказания структуры по аминокислотной последовательности десятилетиями считалась одной из сложнейших в биологии. AlphaFold использовал методы глубокого обучения, схожие с теми, что применялись в AlphaGo, но адаптированные для работы с биологическими данными. В 2020 году AlphaFold совершил прорыв: его предсказания по точности сравнялись с экспериментальными методами, такими как рентгеновская кристаллография. К 2024 году AlphaFold предсказал структуры более 200 миллионов белков, что ускорило исследования в фармацевтике, разработке ферментов и понимании заболеваний. Например, с помощью AlphaFold ученые смогли быстрее разработать вакцины и лекарства, включая препараты против COVID-19.

AlphaDev: ускорение вычислений

Еще одним наследником AlphaGo стал AlphaDev — система, оптимизирующая алгоритмы. AlphaDev использует обучение с подкреплением для поиска более эффективных способов сортировки данных. Сортировка — фундаментальная операция в программировании, и даже небольшие улучшения могут сэкономить миллиарды часов процессорного времени. AlphaDev нашел новые алгоритмы сортировки, которые на 20% быстрее существующих для коротких последовательностей. Эти алгоритмы были включены в библиотеку LLVM, используемую миллионами разработчиков. Принцип работы AlphaDev напоминает AlphaGo Zero: система «играет» в игру по созданию алгоритмов, пробуя различные комбинации инструкций и получая награду за скорость и корректность.

Как AlphaGo приближает нас к AGI

Общий искусственный интеллект (AGI) — это ИИ, способный выполнять любые интеллектуальные задачи на уровне человека или выше. AlphaGo и ее преемники демонстрируют ключевые свойства, необходимые для AGI: способность обучаться с нуля, обобщать знания и находить творческие решения. DeepMind видит путь к AGI через создание систем, которые могут работать в разных областях, используя единые принципы. Например, архитектура, лежащая в основе AlphaGo, была адаптирована для биологии (AlphaFold) и программирования (AlphaDev). Однако до AGI еще далеко: современные ИИ-системы остаются узкоспециализированными. Для создания AGI потребуются прорывы в понимании сознания, обучении с минимальным количеством данных и способности к рассуждению. Тем не менее, опыт AlphaGo показал, что обучение с подкреплением и нейросети могут быть масштабированы до решения очень сложных задач, что вселяет оптимизм.

Какие уроки мы извлекли из десятилетия AlphaGo

Первый урок: ИИ может превзойти человеческую интуицию в задачах, которые считались «человеческими». Второй: методы, разработанные для игр, могут быть перенесены в науку и инженерию. Третий: открытость и сотрудничество ускоряют прогресс. DeepMind публикует многие свои результаты, позволяя другим исследователям развивать идеи. Например, AlphaFold был сделан доступным через открытую базу данных, что привело к тысячам научных работ. Наконец, этические вопросы становятся все более важными: по мере того как ИИ проникает в науку и повседневную жизнь, необходимо обеспечить его безопасность и справедливость.

Что дальше: от AlphaGo к AGI

DeepMind продолжает работать над созданием более общих ИИ-систем. Среди текущих проектов — Gemini, мультимодальная модель, способная работать с текстом, изображениями и видео, а также исследования в области обучения с подкреплением без модели. Ожидается, что следующие пять лет принесут новые прорывы, возможно, в области робототехники или автоматизации научных экспериментов. Однако точные сроки появления AGI остаются неопределенными. Большинство экспертов сходятся во мнении, что это произойдет не ранее 2030-х годов. Тем не менее, путь, начатый AlphaGo, уже привел к практическим результатам, которые меняют мир. Десять лет назад мы увидели, как ИИ обыграл человека в го; сегодня он помогает лечить болезни и оптимизировать код. Завтра он может стать нашим партнером в решении самых сложных проблем человечества.

Какие конкретные технологии AlphaGo используются сегодня

Современные системы ИИ, такие как AlphaFold и AlphaDev, напрямую наследуют архитектуру AlphaGo. В основе лежат сверточные нейронные сети для обработки пространственных данных (например, доски го или структуры белка) и обучение с подкреплением для поиска оптимальных стратегий. В AlphaFold используется модифицированная версия трансформеров — архитектуры, ставшей стандартом для обработки последовательностей. AlphaDev применяет древовидный поиск, аналогичный тому, что использовался в AlphaGo, но для пространства программ. Эти технологии уже интегрированы в коммерческие продукты: например, Google использует AlphaDev для оптимизации своих серверов, а фармацевтические компании применяют AlphaFold для разработки лекарств.

В чем отличие AlphaGo от современных больших языковых моделей

AlphaGo и большие языковые модели (LLM), такие как GPT-4, решают разные задачи. AlphaGo специализируется на задачах с четкими правилами и обратной связью (выигрыш/проигрыш), используя обучение с подкреплением. LLM обучаются на огромных текстовых корпусах и генерируют текст, но не имеют встроенной способности к планированию или рассуждению. Однако гибридные подходы, сочетающие сильные стороны обоих методов, становятся все популярнее. Например, DeepMind исследует использование LLM для генерации гипотез, которые затем проверяются с помощью AlphaFold. Это может ускорить научные открытия еще больше.

Заключение

Десятилетие AlphaGo — это история о том, как одна технология изменила не только игры, но и науку, и наше представление о возможностях ИИ. От победы над чемпионом по го до предсказания белков и оптимизации алгоритмов — наследие AlphaGo продолжает жить. Путь к AGI еще долог, но каждый шаг, сделанный благодаря AlphaGo, приближает нас к этому будущему. Для исследователей, разработчиков и всех, кто интересуется ИИ, опыт AlphaGo служит напоминанием: смелые идеи и настойчивость могут привести к революционным открытиям.