AlphaZero-algoritmen, uden en menneskelig lærer, mestrede skak og spillet af shogi på 24 timer, så det slog andre mestreprogrammer, der tidligere ubetinget besejrede mennesker.
Deep Mind, et firma, der udvikler algoritmer til kunstig intelligens (AI), har offentliggjort data om resultaterne af omskolering af AlphaGo-algoritmen til at spille skak og shogi. Tidligere var AlphaGo i stand til at slå verdensmestrene i spillet. Kunstig intelligens formåede at mestre nye spil endnu hurtigere. Det tilsvarende arbejde er placeret på Cornell University-fortryksserveren.
AlphaZero brugte en forstærkningslæringsmetode. Det er en undertype af dyb maskinlæring, der ikke bruger en menneskelig lærer, men udelukkende spil mellem to AI'er. Selvom begge AI'er i starten spiller meget svagt, kan de på grund af deres høje hastighed (i sammenligning med en menneskelig lærer) spille et stort antal spil på kort tid og vælge velprøvede træk og deres sekvenser i bestemte positioner på tavlen, hvilket giver muligheden for algoritmer at øge deres niveau ekstremt hurtigt.
I dette tilfælde opnåede AlphaZero et spilniveau, der var højere end nogen menneskelig spiller på kun 24 timer. Derefter fik hun lov til at lege med Stockfish, den bedste tilgængelige skakspiller, og Elmo, den bedste shogi-spiller (et meget modificeret skakssæt i det tidlige middelalderlige Japan).
På trods af en meget kort træningsperiode, slog AlphaZero Stockfish 28 gange og trak 72 flere gange. Hun formåede at vinde mod Elmo 90 gange, tabe 8 gange og uafgjort 2 gange. Dette er usædvanligt høje resultater. Både skak og shogi er meget forskellige fra det farten, som AlphaGo oprindeligt blev oprettet, såvel som fra hinanden. For eksempel indebærer "japansk skak" ekstremt eksotiske muligheder, såsom at spille nogen af de "spiste" stykker af fjenden. Sejren for en algoritme oprettet til Go kun ved at spille med en helt identisk algoritme af sin egen måde, som en menneskelig lærer kan opnå
IVAN ORTEGA