Série AI společnosti DeepMind Alpha poskytla několik světových prvenství, například AlphaGo porazila světového šampiona v Go. Nyní jsou tyto umělé inteligence původně vycvičené v hraní her použity na jiné úkoly a ukazují pro ně překvapivé schopnosti.
Původně byl AlphaGo trénován pomocí lidské hry, pak se AlphaGo Zero učil pouze tím, že hrál sám proti sobě, pak AlphaZero udělal totéž, ale také zvládl šachy a Shogi. MuZero to všechno a ještě mnohem víc dokázalo, aniž by mu byla sdělena pravidla hry, což, pokud se nad tím zamyslíte, může omezit způsob, jakým „přemýšlí“ o tom, jak splnit svůj úkol.
Ve společnosti Google spravuje systém nazvaný Borg přidělování úkolů v datových centrech – v podstatě analyzuje požadavky a přiděluje zdroje rychlostí světla, takže obrovská technologická společnost může dělat práci a výzkum ve velkém. Ale Borg „používá ručně kódovaná pravidla pro plánování úloh ke správě této zátěže. V měřítku Google nemohou tato ručně kódovaná pravidla zohlednit rozmanitost neustále se měnícího rozložení pracovní zátěže, což vytváří neefektivitu, která je stejně logicky nevyhnutelná, jako je obtížné je sledovat.
Ale AlphaZero, vystavená Borgovým datům, začala identifikovat vzorce ve využívání datových center a příchozích úlohách a vytvořila nové způsoby, jak tuto zátěž předvídat a řídit. Při aplikaci ve výrobě „sníží[d] množství nevyužitého hardwaru až o 19 %“, což zní trochu jako třešeň, ale i když je to napůl pravda, je to obrovské zlepšení „v měřítku Google“.
Podobně se MuZero věnovalo sledování streamů YouTube, aby zjistilo, zda by mohlo pomoci s kompresí, což je komplexní softwarová doména, která přináší velké výsledky při malých optimalizacích. Údajně dokázala snížit datový tok videí o 4 %, což je opět v měřítku YouTube docela zásadní. MuZero se dokonce dostává do plevele komprese, jako je seskupování rámů.
AlphaDev – nějaký příbuzný AlphaZero – rovněž zlepšil třídicí algoritmy ve srovnání se standardními v knihovně, kterou Google používal. A vytvořil lepší hašovací funkci pro malé rozsahy bajtů (9-16), čímž se zátěž snížila o 30 %.
Tato vylepšení sama o sobě nezmění svět; neustále se provádějí postupné změny vývojářských systémů. Zajímavé je, že AI, která vyvinula metodu řešení problémů zaměřenou na vyhrávání her, se dokázala naučit a zobecnit svůj přístup v naprosto nesouvisejících oblastech, jako je komprese.
Je před námi ještě dlouhá, dlouhá cesta, než budeme mít „univerzální umělou inteligenci“, ať už to skutečně znamená cokoliv, ale je příslibem, že v těch, které jsme již vytvořili, existuje určitá míra flexibility. Nejen proto, že je můžeme aplikovat na různé oblasti, ale protože to naznačuje flexibilitu a robustnost v oblastech, ve kterých již pracují.