AlphaGoは火曜日、イ・セドル氏に4対1で勝利した。最終局で序盤にミスを犯したものの、そこから挽回し、世界最強の囲碁棋士の一人を打ち負かしたこの対局は、現代の機械学習の可能性と、それを独創的な人間の対戦相手に晒すことの価値の両方を示した。.

GoogleのDeepMind部門が開発したプログラムは、最初の3局を連勝し、シリーズ優勝を決めた。しかし、李氏は驚異的な第4局で勝利を収め、AlphaGoを連続ミスに追い込んだ後、緊迫した第5局でAlphaGoが巻き返し勝利を収めた。この結果は、全勝よりも多くのことを物語っている。AlphaGoは様々な局面で優位性を示したが、決して無敵ではなかったのだ。.

ロイター通信による と、最終スコアは第5局で決定した。この局では李氏が序盤のミスに乗じて優勢に立ったものの、その後AlphaGoが主導権を取り戻した。全5局はソウルでプロの条件下で行われ、賞金総額は100万ドル、世界中に生中継された。

4勝は戦術的な強さ以上のものを証明する

囲碁は、徹底的な計算が困難なため、長らく人工知能の最前線と見なされてきた。19×19の盤面からは、高性能なコンピューターでさえ列挙できないほど多くの可能性のある手が生まれ、局面を評価するには、駒の数を数えるだけでは済まない、影響力、陣地、生死といった要素に関する判断が必要となる。.

AlphaGoは、どの局面や手が注目に値するかを学習することで、これらの制約に対処しています。DeepMind がNature誌に発表した研究論文 、有望な手をランク付けするポリシーネットワークと、局面が勝利をもたらす可能性を推定するバリューネットワークを組み合わせたものです。モンテカルロ木探索では、すべてを計算しようとするのではなく、選択された変化を検証します。

このネットワークは、まず熟練した人間の対局から学習し、その後、繰り返し自己対局を行うことで性能を向上させた。この第2段階が重要なのは、ソフトウェアが慣例を模倣するだけにとどまらないためである。プロがめったに選択しない手を発見し、シミュレーションによる経験を通してその結果を評価し、勝利の確率を高める戦略を保持することができる。.

この対局は、様々なテストにおいてこの手法が有効であることを示した。AlphaGoは、戦略的な局面では安定した勝利を収め、戦術的な難局にも対応し、最終局では劣勢から挽回した。Nature 誌に掲載されたこの対局に関するレポートでは、 4勝1敗という結果は、欧州チャンピオンの范慧に対する以前の勝利がこのシステムの強さの限界ではなかったことの証明として扱われた。

リーの4ゲーム勝利が診断イベントとなる

李氏は3連敗の後、日曜日の第4局で白番で勝利を収めた。彼の78手目――AlphaGoの陣地中央への楔形――は、当初解説者を驚かせ、プログラムの評価を混乱させたようだ。AlphaGoは拙い対応をし、問題をさらに悪化させ、最終的に投了した。.

タイム誌はリーの勝利について、 試合開始時には明確な勝利を予想していたものの、予想以上に強く、奇妙なプレーに直面したチャンピオンの正当性が証明されたと報じた。研究者にとって重要なのは、人間のスコアを復元することよりも、システムの学習された判断が破綻した局面を見つけることである。

機械学習システムは、従来のソフトウェアとは異なる形で障害を起こす可能性があります。手書きのプログラムは通常、ルールや実装の誤りによって誤動作を起こします。一方、ニューラルネットワークは、馴染みのある事例の分布に対しては優れた性能を発揮するものの、通常とは異なるパターンを与えられた際には誤った判断を下すことがあります。その内部表現は多くの学習済みパラメータに分散しているため、エラーの正確な原因を特定することは困難です。.

李氏の一手は、まさにそのような驚きを生み出したようだ。AlphaGoの局面が悪化すると、その後の選択は専門家から見て一貫性を欠いており、探索を導く価値評価が信頼できなくなっていることを示唆していた。Wired 誌の第4局の分析で は、予想外の楔形の後、機械が一連のミスを犯したことが指摘されており、創造的なプレイによって機械が適切に調整された判断から逸脱する可能性があることを、この対局で最も明確に示している。

最終戦は回復力を試す

火曜日の対局は、補足的な教訓を与えてくれた。AlphaGoは序盤に目立つミスを犯し、劣勢に立たされたものの、崩壊することはなかった。中央で影響力を高め、李氏の攻撃を防ぎ、徐々に挽回し、約5時間後に李氏が投了した。.

Wired 誌の最終対局に関する記事 は、逆転劇を強調していた。勝率を最大化するように訓練されたシステムは、完璧なプレイをする必要はない。実際に直面する局面から、進むべき道筋を見つけ出すことが重要なのだ。エリートレベルの対戦相手を相手に逆転勝利を収めたことは、AlphaGoの強みが、序盤の優位性を活かして好ましいパターンを実行することだけに限定されないことを示唆している。

同時に、この結果を人間的な意味での対局中の適応と混同してはならない。DeepMindは、李氏が示した内容を取り入れるために、対局の合間にAlphaGoを再学習させたわけではない。火曜日に対局したバージョンは、基本的に同じシステムだった。一方、李氏はプログラムの傾向を研究し、アプローチを変え、決勝戦ではより難しい挑戦だと考え、黒番を希望した。.

ガーディアン紙の最終記事は、 李氏の好調な序盤の後、僅差で勝利したことを報じた。この接戦は、より重要な点を裏付けている。すなわち、5回の対局を通して見ると、AlphaGoは圧倒的に強かったものの、個々の対局は、斬新さ、ミス、そして戦略的な選択によって結果が大きく左右されるということだ。

取締役会以外で移転するもの

AlphaGoの背後にある技術は、広大な探索空間と、手作業では指定するには複雑すぎるパターンが関わるあらゆる意思決定の分野で可能性を秘めている。ニューラルネットワークは既に音声認識や画像認識に役立っている。強化学習は、構造化されたフィードバックを通じてシステムを改善させることで、ロボット工学、資源管理、科学的発見に貢献できる可能性がある。.

しかし、囲碁は非常に整然とした環境です。すべての合法的な行動が定義され、関連する盤面情報がすべて表示され、成功の基準も明確です。現実のシステムは、データの欠落、相反する目標、人間の価値観、そして変化する状況に対処しなければなりません。医療的な推奨事項や自律型機械は、何百万回もの結果を伴わない自己対局の試行を通して間違いを検証するだけでは済まされないのです。.

Googleが 報じているこの挑戦に関する記事では 、かつては人間の直感に頼らざるを得なかった問題に学習システムが挑む様子が紹介されている。試合結果はその主張を裏付けるものだが、同時に、テストには敵対的で特殊な状況を含める必要がある理由も示している。平均的なパフォーマンスでは、創造的な対戦相手だけが発見できるような脆弱な部分が隠されてしまう可能性があるのだ。

李氏はまさにその役割を果たした。彼の唯一の勝利は4対1という結果を損なうものではなく、むしろ科学的にその成果をより豊かなものにする。AlphaGoは、これまでのゲームプログラムを超える戦略的判断能力を示し、第4局では、開発者が単なる憶測ではなく分析できるような失敗が露呈した。.

したがって、この対局は、人間の知能と機械の計算能力との単純な勝負にはなりませんでした。AlphaGoは人間の対局から学び、自己対局を通して能力を向上させ、プロ棋士に新たな可能性を教える手を生み出しました。李登輝は機械に適応し、機械自身が気づいていなかった弱点を発見しました。最も実りある遺産は、おそらくこの交流でしょう。つまり、強力な学習システムが、それを驚かせることのできる人間によって挑戦されるという交流です。.