10 лет AlphaGo: как победа над чемпионом изменила науку и наше понимание ИИ

В марте 2016 года программа AlphaGo от DeepMind победила Ли Седоля – одного из сильнейших игроков мира в го – со счётом 4:1. Это был не просто турнирный результат. Это был момент, после которого разговоры об искусственном интеллекте перестали быть разговорами о будущем.

Го долго считалось игрой, недоступной для машин. Не потому что правила сложные – они как раз просты. А потому что количество возможных ходов на доске настолько велико, что перебрать их все не смог бы никакой компьютер. Считалось, что здесь нужна интуиция. Оказалось – нет. Точнее, оказалось, что интуицию можно воспроизвести, если учиться на достаточно большом числе примеров и при этом играть против самого себя миллионы раз.

Ход 37 AlphaGo: неожиданный гений машины

Ход 37, который никто не ожидал

Во второй партии AlphaGo сделал ход, который профессиональные комментаторы сочли ошибкой. Ли Седоль вышел из-за стола – ему понадобилось время, чтобы осмыслить увиденное. Позже выяснилось: этот ход был гениальным. Вероятность того, что человек сыграл бы так же, оценивалась как один к десяти тысячам.

Этот момент стал символом чего-то большего, чем победа в игре. Машина не просто воспроизвела человеческий стиль игры – она нашла подход, до которого люди не додумывались за тысячелетия существования го. Это был сигнал: ИИ способен не только учиться у людей, но и выходить за пределы того, что люди уже знают.

Как AlphaGo перешел от игры к реальным научным задачам

От игровой доски – к реальному миру

После AlphaGo команда DeepMind начала применять тот же подход к задачам, которые казались куда более сложными, чем любая настольная игра.

Первым громким результатом стал AlphaFold. Го имеет чёткие правила и понятный критерий победы. Биология устроена иначе. Но принцип оказался похожим: дать системе достаточно данных и возможность самостоятельно нащупывать решения – и она справится с задачей, над которой учёные бились десятилетиями.

AlphaFold решил проблему предсказания структуры белков. Проще говоря: каждый белок в нашем теле – это длинная цепочка молекул, которая сворачивается определённым образом. От того, как именно она сворачивается, зависит, как белок работает. Понять это вручную – годы исследований для одного белка. AlphaFold научился делать это за минуты. Сегодня его база данных охватывает более 200 миллионов белковых структур – фактически весь известный науке белковый мир.

Это изменило биологию радикально. Исследователи по всему миру получили инструмент, который ускорил работу в области разработки лекарств, изучения болезней и понимания живых организмов на молекулярном уровне.

Проекты DeepMind после AlphaGo: от биологии до математики

Это не остановилось на биологии

AlphaFold – самый известный пример, но не единственный. За прошедшие годы подход, заложенный в AlphaGo, нашёл применение в самых разных областях.

• Математика. AlphaProof и AlphaGeometry показали, что ИИ способен не просто считать, а доказывать теоремы – и делать это на уровне, сопоставимом с участниками Международной математической олимпиады.
• Управление термоядерной плазмой. AlphaGo породил подходы к обучению с подкреплением, которые применяются в управлении токамаками – установками для удержания плазмы при термоядерном синтезе. Задача там похожа: огромное пространство возможных состояний, нет готового решения, нужно нащупывать стратегию.
• Оптимизация вычислений. AlphaDev нашёл новые алгоритмы сортировки данных – более эффективные, чем те, что люди использовали десятилетиями. Эти алгоритмы уже встроены в широко используемые программные инструменты.
• Погода и климат. GraphCast, разработанный с использованием похожих идей, делает прогнозы погоды точнее и быстрее традиционных методов.

Во всех этих случаях прослеживается одна и та же логика: не кодировать знания вручную, а дать системе возможность учиться – на данных, на собственном опыте, на обратной связи от результатов.

Влияние AlphaGo: не просто победа, но и новые вопросы об ИИ

Почему AlphaGo – это не просто история успеха

Легко рассказать эту историю как череду побед. Но честнее сказать, что AlphaGo поставил и несколько неудобных вопросов.

Один из них – о границах понимания. AlphaGo делает ходы, которые побеждают. Но объяснить, почему именно этот ход правильный, система не может. Это работает в го. В медицине или праве – уже не так просто принять.

Другой вопрос – о том, где заканчивается инструмент и начинается нечто большее. После AlphaGo в DeepMind явно начали думать не только о конкретных задачах, но и о более общем ИИ – системах, которые могут переносить опыт из одной области в другую. Это направление сегодня обозначается как AGI, или сильный искусственный интеллект. AlphaGo не был AGI. Но он показал, что обучение без жёстко заданных правил может работать – и работать лучше, чем ожидалось.

Прогресс ИИ за 10 лет с момента AlphaGo

Что изменилось за десять лет

В 2016 году многие эксперты давали ИИ ещё лет десять до того, как он сможет победить лучших игроков в го. AlphaGo сделал это раньше. Это само по себе было уроком – наши интуитивные оценки прогресса в ИИ систематически оказываются заниженными.

С тех пор прошло десять лет, и ИИ проник в области, о которых в 2016 году говорили лишь как о далёких перспективах. Языковые модели, которые ведут осмысленные диалоги. Системы, которые генерируют изображения и видео. Инструменты, которые помогают учёным в реальных исследованиях. Всё это – часть одной волны, которую AlphaGo помог поднять.

Интересно, что сам Ли Седоль после серии матчей с AlphaGo продолжил играть в го – и, по его словам, игра стала для него другой. Он начал смотреть на доску иначе, замечать ходы, которые раньше не рассматривал. Машина изменила то, как человек думает об игре, которой посвятил жизнь.

В каком-то смысле это и есть лучшее описание того, что происходит с наукой в целом. ИИ не заменяет исследователей – он меняет то, как они смотрят на задачи. Открывает углы зрения, до которых люди не додумались бы самостоятельно или додумались бы гораздо позже.

Будущее ИИ после AlphaGo: честный взгляд

Что дальше – честный ответ

Никто не знает точно, куда это движется. DeepMind открыто говорит о том, что конечная цель – создание систем, способных решать широкий спектр задач так же гибко, как это делает человек. Но между нынешними системами и этой целью – огромная дистанция, природа которой до конца не понятна.

Что понятно точно: AlphaGo оказался не финальной точкой, а точкой отсчёта. Он показал, что ИИ может находить решения там, где человеческое мышление упирается в потолок собственного опыта. И это, пожалуй, важнее любого счёта на доске.