Contra "Grandmaster-level Chess without Search" (2024)- အဘယ်ကြောင့် Pattern အသိအမှတ်ပြုမှု တစ်ခုတည်း တိုတောင်းပါသလဲ

Google DeepMind ၏ 2024 စာတမ်းတွင် သမားရိုးကျ ရှာဖွေမှု အယ်လဂိုရီသမ်များ မပါဘဲ မဟာမာစတာအဆင့် စစ်တုရင်ဟု ဆိုထားသော စာတမ်းသည် AI သုတေသနအသိုက်အဝန်းတွင် ချက်ချင်းနှင့် ကောင်းစွာအခြေခံထားသော သံသယစိတ်များကို ဖြစ်ပေါ်စေခဲ့သည်။ ဆန့်ကျင်ငြင်းခုံမှုများသည် စနစ်တကျခွဲခြမ်းစိတ်ဖြာမှုအတွက် ကုန်ကြမ်းပုံစံအသိအမှတ်ပြုမှုကို အစားထိုးရာ၌ အခြေခံကန့်သတ်ချက်များကို ဖော်ထုတ်ပြသသည် - လုပ်ငန်းအလိုအလျောက်လုပ်ဆောင်မှု၊ ဆုံးဖြတ်ချက်ချမှတ်မှုဘောင်များနှင့် Mewayz ဗိသုကာပညာရှင် 138,000 ကျော်အတွက် ဉာဏ်ရည်ထက်မြက်သောလုပ်ငန်းအသွားအလာများကဲ့သို့သော ပလပ်ဖောင်းများသည် စစ်တုရင်ထက်ကျော်လွန်သော သင်ခန်းစာများဖြစ်သည်။

မူရင်းစာရွက်က ဘာကို အမှန်တကယ် တောင်းဆိုတာလဲ။

Aram Ebrahimi နှင့် Google DeepMind မှ လုပ်ဖော်ကိုင်ဖက်များက ဦးဆောင်သော မူရင်းသုတေသနက minimax သို့မဟုတ် Monte Carlo သစ်ပင်ရှာဖွေမှုကဲ့သို့သော တိကျရှင်းလင်းသော ရှာဖွေမှု အယ်လဂိုရီသမ်များကို အသုံးမပြုဘဲ လုံလောက်သောကြီးမားသော transformer ပုံစံတစ်ခုအား စစ်တုရင်နေရာများတွင် လေ့ကျင့်ပေးပြီး ၎င်းတို့၏ အကဲဖြတ်ချက်များကို Grandmaster Strength ဖြင့် ကစားနိုင်ကြောင်း အဆိုပြုခဲ့သည်။ Stockfish သို့မဟုတ် AlphaZero ကဲ့သို့သော အင်ဂျင်များသည် အပြောင်းအရွှေ့တစ်ခုကို မရွေးချယ်မီ ထောင်နှင့်ချီသော အနာဂတ်ရာထူးများကို ရှာဖွေသည့် အင်ဂျင်များနှင့် မတူဘဲ၊ ဤချဉ်းကပ်မှုသည် single-pass ခန့်မှန်းချက်များကို ပြုလုပ်သည့် neural network ကို အားကိုးသည် — အခြေခံအားဖြင့် ပုံစံအသိအမှတ်ပြုမှုတစ်ခုတည်းမှ အကောင်းဆုံးရွေ့လျားမှုကို "intuing" ပြုလုပ်ခြင်းဖြစ်သည်။

တောင်းဆိုချက်သည် ရဲရင့်သည်- မော်ဒယ်တစ်ခုသည် လေ့ကျင့်ရေးဒေတာမှ လုံလောက်သော အနေအထားဆိုင်ရာ နားလည်မှုကို စုပ်ယူနိုင်လျှင် brute-force တွက်ချက်မှုသည် မလိုအပ်တော့ပါ။ မော်ဒယ်သည် အထူးစမ်းသပ်မှုအခြေအနေများအောက်တွင် Grandmaster အပိုင်းအခြားရှိ Elo အဆင့်သတ်မှတ်ချက်များရရှိသဖြင့် ကနဦးစံရလဒ်များသည် အလားအလာကောင်းနေပါသည်။

ဝေဖန်ရေးသမားများက ရှာဖွေမှုကို အမှန်တကယ် ဘယ်တော့မှ မဖယ်ရှားခဲ့ကြောင်း အဘယ်ကြောင့် ငြင်းခုံကြသနည်း။

ဆွဲဆောင်မှုအရှိဆုံးသော ဆန့်ကျင်ငြင်းခုံချက်သည် စာရွက်၏ဗဟိုအကျဉ်းချုပ်ကို ဦးတည်သည်။ ထရန်စဖော်မာကို Stockfish မှ အကဲဖြတ်သည့် ရာထူးသန်းပေါင်းများစွာအပေါ် လေ့ကျင့်သင်ကြားထားခြင်းဖြစ်သည် — နက်နဲသောရှာဖွေမှုအပေါ် ကြီးမားစွာမှီခိုရသောအင်ဂျင်ဖြစ်သည်။ မော်ဒယ်သည် ရှာဖွေမှုကို ဖယ်ရှားခြင်းမဟုတ်ကြောင်း ဝေဖန်သူများက ငြင်းခုံကြသည်။ ၎င်းကို ရေစက် ပြုလုပ်ခဲ့သည်။ ရှာဖွေမှုသည် ကောက်ချက်ချသည့်အချိန်တွင် လုပ်ဆောင်မည့်အစား လေ့ကျင့်ရေးဒေတာထဲသို့ ရိုးရိုးရှင်းရှင်း ထည့်သွင်းထားသည်။

"မော်ဒယ်တစ်ဦးကို ရှာဖွေခြင်းမရှိဘဲ စစ်တုရင်ကစားရခြင်းသည် ရှာဖွေမှုအခြေခံသည့်အင်ဂျင်၏ ရလဒ်များကို လေ့ကျင့်ပေးနေစဉ် မြေပုံမပါဘဲ ဝင်္ကပါတစ်ခုကို သင်ဖြေရှင်းခဲ့သည်—မြေပုံကိုအသုံးပြု၍ အခြားသူတစ်ဦးဦးမှ တွေ့ရှိသည့်အဖြေကို အလွတ်ကျက်ပြီးသည့်နောက်တွင် တောင်းဆိုခြင်းနှင့် တူသည်။"

ဤကွဲပြားမှုသည် အလွန်အရေးကြီးပါသည်။ မော်ဒယ်သည် အမှီအခိုကင်းသော နေရာယူနားလည်မှုမဟုတ်ဘဲ ရှာဖွေမှုရလဒ်များ၏ ဖိသိပ်ထားသော ကိုယ်စားပြုမှုများကို သင်ယူခဲ့သည်။ ရှာဖွေမှုမှရရှိသည့် လေ့ကျင့်မှုအချက်ပြမှုကို ဖယ်ရှားပြီး စွမ်းဆောင်ရည် ကျဆင်းသွားပါသည်။ ၎င်းသည် လုပ်ငန်းထောက်လှမ်းရေးတွင် တိုက်ရိုက်အပြိုင်အဆိုင်ရှိသည်- မည်သည့် AI-မောင်းနှင်သည့် ဆုံးဖြတ်ချက်ကိရိယာသည် ၎င်း၏လေ့ကျင့်ရေးပိုက်လိုင်းတွင် ထည့်သွင်းထားသော စနစ်တကျခွဲခြမ်းစိတ်ဖြာမှုကဲ့သို့သာ ကောင်းမွန်ပါသည်။

လက်တွေ့တွင် သန့်စင်သောပုံစံအသိအမှတ်ပြုမှု ပျက်ပြားသွားသည့်နေရာတွင် ပျက်ပြားသွားပါသလား။

အမှီအခိုကင်းသော သုတေသီများ၏ ပင်ကိုယ်စမ်းသပ်စစ်ဆေးမှုသည် မူလစံနှုန်းများကို ဖုံးကွယ်ထားသည့် အရေးကြီးသောကျရှုံးမှုပုံစံများကို ဖော်ထုတ်ပြသခဲ့သည်-

• နက်နဲသော နည်းဗျူဟာဆိုင်ရာ အနေအထားများ- မော်ဒယ်သည် 4-5 ရွေ့လျားမှုထက် ကျော်လွန်၍ တွက်ချက်ရန် လိုအပ်သော ပေါင်းစပ်မှုများကို စဉ်ဆက်မပြတ် လွတ်သွားသည်၊၊ သမားရိုးကျ အင်ဂျင်များသည် တိကျပြတ်သားသော ရှာဖွေရေးသစ်ပင်များမှတစ်ဆင့် သာလွန်ကောင်းမွန်ပါသည်။
• Novel endgame ဇာတ်လမ်းများ- လေ့ကျင့်ရေးဖြန့်ချီမှုပြင်ပ ရာထူးများသည် မော်ဒယ်၏ ပထမမူများမှ အကြောင်းပြချက်မတတ်နိုင်သည်ကို ထင်ရှားစေပြီး၊ လူသားကြီးးမားမဖြစ်စေသော မူလအမှားများဆီသို့ ဦးတည်စေသည်။
• ဆန့်ကျင်ဘက် ကြံ့ခိုင်မှု- ပြိုင်ဘက်များသည် ဂိမ်းများကို ပုံမှန်မဟုတ်သော အနေအထားသို့ တမင်တကာ ပဲ့ကိုင်သောအခါ၊ မော်ဒယ်၏ Elo သည် သိသိသာသာ ကျဆင်းသွားသည် — စစ်မှန်သော နားလည်မှုထက် အလွတ်ကျက်ခြင်းကို အကြံပြုသည်။
• ဖိအားအောက်တွင် လိုက်လျောညီထွေရှိမှု- ပျမ်းမျှစွမ်းဆောင်ရည်သည် ဂရိတ်မာစတာအဆင့်တွင် ထင်ရှားနေသော်လည်း၊ ကွဲပြားမှုသည် လူသားမဟာမာစတာများ သို့မဟုတ် ရှာဖွေမှုအခြေခံသည့် အင်ဂျင်များထက် အဆပေါင်းများစွာ မြင့်မားနေပြီး စစ်မှန်သောမဟာမာစတာကစားနည်းနှင့် မကိုက်ညီသည့်နှုန်းများဖြင့် ကပ်ဆိုးကြီးအမှားများ ဖြစ်ပေါ်နေသည်။
• ရာထူးဆိုင်ရာ ရှုပ်ထွေးမှု အတိုင်းအတာ- ဘုတ်အဖွဲ့၏ ရှုပ်ထွေးမှု တိုးလာသည်နှင့်အမျှ၊ ရှာဖွေမှုကင်းစင်သော မော်ဒယ်နှင့် ရှာဖွေမှုအခြေခံသည့် အင်ဂျင်များကြား ကွာဟချက်သည် မျဉ်းကြောင်းထက် အဆပိုကျယ်လာသည်။

ဤစကားစစ်ထိုးမှုသည် AI-မောင်းနှင်သော စီးပွားရေးစနစ်များအတွက် ဘာကိုဆိုလိုသနည်း။

စစ်တုရင်-ရှာဖွေခြင်းမပြုဘဲ အငြင်းပွားမှုသည် ခေတ်မီ AI ဖြန့်ကျက်မှု၏ ဗဟိုချက်တွင် တင်းမာမှုကို တောက်ပစေသည်။ ပုံစံအသိအမှတ်ပြုမှုနှင့် စနစ်ကျသောခွဲခြမ်းစိတ်ဖြာခြင်းတို့သည် လဲလှယ်၍မရပါ - ၎င်းတို့သည် ဖြည့်စွက်ထားပါသည်။ အထိရောက်ဆုံးစနစ်များသည် လောင်းကြေးများမြင့်သည့်နေရာတွင် လျင်မြန်သောအလိုလိုသိသောတုံ့ပြန်မှုများကို ဖွဲ့စည်းတည်ဆောက်ထားသော ကျိုးကြောင်းဆင်ခြင်ခြင်းနှင့် ပေါင်းစပ်ထားသည်။

၎င်းသည် Mewayz ၏ 207-module လုပ်ငန်းလည်ပတ်မှုစနစ်နောက်ကွယ်ရှိ ဗိသုကာလက်ရာဖြစ်သည်။ စံနမူနာနှင့်ကိုက်ညီသော heuristics သို့မဟုတ် စည်းကမ်းအခြေခံသော ယုတ္တိသက်သက်အပေါ်သာ အားကိုးရမည့်အစား၊ ပလပ်ဖောင်းသည် ၎င်း၏အလုပ်အသွားအလာကို အလိုအလျောက်စနစ်၊ CRM၊ ပရောဂျက်စီမံခန့်ခွဲမှုနှင့် ငွေကြေးဆိုင်ရာ မော်ဂျူးများတစ်လျှောက် ချဉ်းကပ်မှုနှစ်ခုလုံးကို ပေါင်းစပ်ထားသည်။ လျင်မြန်သောပုံစံ-အခြေခံအကြံပြုချက်များသည် ပုံမှန်ဆုံးဖြတ်ချက်များကို ကိုင်တွယ်ဖြေရှင်းပေးသည်၊ ဖွဲ့စည်းတည်ဆောက်ထားသော ခွဲခြမ်းစိတ်ဖြာမှုမူဘောင်များသည် ရှုပ်ထွေးသောအခြေအနေများအတွက် ပါဝင်နေချိန်တွင် — အပြင်းထန်ဆုံး စစ်တုရင်အင်ဂျင်များသည် ပစ်မှတ်ရှာဖွေမှုဖြင့် အာရုံကြောကွန်ရက်အကဲဖြတ်ခြင်းကို မည်သို့တွဲဖက်ကြောင်း ထင်ဟပ်စေသည်။

ဆန့်ကျင်ဘက်ခွဲခြမ်းစိတ်ဖြာမှုမှ သင်ခန်းစာသည် ရှင်းရှင်းလင်းလင်းဖြစ်သည်- စင်ကြယ်သော ပင်ကိုယ်သဘောကို ထောက်ခံသည့်စနစ်တကျ ကျိုးကြောင်းဆင်ခြင်မှုကို ဖယ်ရှားပစ်သည့် စနစ်များသည် စွမ်းဆောင်ရည်မျက်နှာကျက်များကို မလွှဲမရှောင်သာ ထိမှန်စေပါသည်။ စစ်တုရင်ရာထူး သို့မဟုတ် စီးပွားရေးပိုက်လိုင်းကို စီမံခန့်ခွဲသည်ဖြစ်စေ၊ တမင်ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် လျင်မြန်သောပုံစံအသိအမှတ်ပြုမှု ပေါင်းစပ်မှုသည် သီးခြားခွဲထားမှုတွင် ချဉ်းကပ်မှုတစ်ခုခုကို တသမတ်တည်း ပိုမိုကောင်းမွန်စေပါသည်။

ရှေ့ဆက်သွားမည့် AI တောင်းဆိုချက်များကို ကျွန်ုပ်တို့ မည်သို့အကဲဖြတ်သင့်သနည်း။

ဆန့်ကျင်ဘက်အငြင်းအခုံများသည် ရည်မှန်းချက်ကြီးမားသော AI သုတေသနတောင်းဆိုချက်များကို ပြင်းပြင်းထန်ထန်အကဲဖြတ်ရန်အတွက် အသုံးဝင်သောမူဘောင်တစ်ခုကို ဖန်တီးပေးပါသည်။ ပထမဦးစွာ၊ တောင်းဆိုထားသောစွမ်းရည်ကို အမှန်တကယ်အောင်မြင်ခဲ့သည် သို့မဟုတ် ပြန်လည်ဖြန့်ဝေခြင်းမျှသာရှိ၊ ဒုတိယ၊ နှစ်သက်ဖွယ်စံနှုန်းများသာမက၊ ပြိုင်ဘက်ကင်းသော ဖြန့်ဖြူးမှုဆိုင်ရာ သွင်းအားစုများပေါ်တွင် စွမ်းဆောင်ရည်ကို စမ်းသပ်ပါ။ တတိယ၊ အချိန်၏ 90% ထက်မြက်စွာကစားသော်လည်း အချိန်၏ 10% ကို ဘေးဥပဒ်ဖြစ်စေသောစနစ်သည် အဓိပ္ပာယ်ပြည့်ဝသောအဓိပ္ပာယ်ဖြင့် မဟာမာစတာအဆင့်မဟုတ်ပါ။

စီးပွားရေးလုပ်ငန်းများသည် ၎င်းတို့၏လုပ်ငန်းဆောင်ရွက်မှုများအတွက် AI စွမ်းအင်သုံးကိရိယာများကို အကဲဖြတ်သည့်အခါ ဤအကဲဖြတ်မူများသည် တူညီပါသည်။ မျက်နှာပြင်အဆင့် စံညွှန်းများသည် လက်တွေ့ကမ္ဘာအခြေအနေများအောက်တွင် ပေါ်ထွက်လာသည့် အရေးကြီးသော အားနည်းချက်များကို ဖုံးကွယ်ထားနိုင်သည် — ၎င်း၏ module ဂေဟစနစ်တစ်ခုလုံးတွင် ယုံကြည်စိတ်ချရမှုကို တည်ဆောက်ရန် Mewayz ၏ ချဉ်းကပ်မှုကို အသိပေးသည့်အဖြစ်မှန်။

အမေးများသောမေးခွန်းများ

ရှာဖွေမှုမပါဘဲ စစ်တုရင်ပုံစံသည် ဂရိတ်မာစတာအဆင့်သို့ အမှန်တကယ်ရောက်ရှိခဲ့ပါသလား။

ထိန်းချုပ်ထားသော စံချိန်စံညွှန်းအခြေအနေများအောက်တွင်၊ မော်ဒယ်သည် Grandmaster အကွာအဝေးတွင် Elo အဆင့်သတ်မှတ်ချက်များ ရရှိခဲ့သည်။ သို့သော် လွတ်လပ်သောစမ်းသပ်မှုတွင် ရှေ့နောက်မညီမှုများ၊ ရန်ဘက်အားနည်းချက်များနှင့် မဟာမာစတာအမျိုးအစားခွဲခြားမှုကို ထိခိုက်စေသည့် နက်နဲသောနည်းဗျူဟာဆိုင်ရာ ကန်းကွက်များကို ဖော်ပြသည်။ စစ်မှန်သော grandmaster play သည် မော်ဒယ်က တသမတ်တည်း မပြသခဲ့သော ယုံကြည်စိတ်ချရမှုနှင့် နက်ရှိုင်းမှု လိုအပ်ပြီး တောင်းဆိုချက်ကို ကျယ်ပြန့်စွာ တရားဝင်သည်ထက် နည်းပညာပိုင်းအရ ကျဉ်းမြောင်းစေသည်။

ဤဝေဖန်မှုများကြားမှ ရှာဖွေမှုကင်းသော AI စစ်တုရင်သုတေသနသည် အဖိုးတန်သေးပါသလား။

လုံးဝ။ Transformer Architecture များသည် ကြီးမားသော စစ်တုရင်အသိပညာ ပမာဏကို လျင်မြန်သော single-pass အကဲဖြတ်ခြင်းအဖြစ်သို့ ချုံ့နိုင်သည်ဟု သုတေသနက သက်သေပြခဲ့သည်။ ၎င်းတွင် လျင်မြန်သော အနီးစပ်ဆုံး အကဲဖြတ်မှုများ၊ လေ့ကျင့်ရေးအကူအညီနှင့် ပေါင်းစပ်စနစ်များအတွက် လက်တွေ့ကျသော အသုံးချပရိုဂရမ်များ ပါရှိသည်။ ဆန့်ကျင်သော ငြင်းခုံချက်များသည် သုတေသနကို အကျုံးမဝင်ပေ — ၎င်းတို့သည် ၎င်း၏ ကန့်သတ်ချက်များကို မှန်ကန်စွာ ဆက်စပ်ဖော်ပြပြီး အလွန်အကျွံ ကောက်ချက်ဆွဲခြင်းကို စိန်ခေါ်သည်။

ဤဆွေးနွေးငြင်းခုံမှုသည် လုပ်ငန်းအလိုအလျောက်စနစ်သုံးကိရိယာများရွေးချယ်ခြင်းနှင့် မည်သို့သက်ဆိုင်သနည်း။

အဓိကသင်ခန်းစာမှာ ထိရောက်သော အလိုအလျောက်စနစ်သည် အလုပ်အမျိုးအစားတစ်ခုစီအတွက် မှန်ကန်သော ကျိုးကြောင်းဆင်ခြင်ချဉ်းကပ်နည်းကို ကိုက်ညီမှုရှိရန် လိုအပ်ပါသည်။ ရိုးရှင်းသော၊ ထပ်တလဲလဲ ဆုံးဖြတ်ချက်များသည် လျင်မြန်သောပုံစံ အသိအမှတ်ပြုခြင်းမှ အကျိုးရှိသည်။ ရှုပ်ထွေးသော၊ လောင်းကြေးမြင့်မားသော ဆုံးဖြတ်ချက်များသည် စနစ်တကျ ခွဲခြမ်းစိတ်ဖြာရန် လိုအပ်သည်။ Mewayz ၏ ပေါင်းစပ်လုပ်ငန်း OS ကဲ့သို့ အကောင်းဆုံး ပလပ်ဖောင်းများ — နှစ်ခုလုံးကို ပေါင်းစပ်ပြီး သင့်လုပ်ငန်းဆောင်ရွက်မှုများတွင် တစ်ဆို့စရာ သို့မဟုတ် ပျက်ကွက်သည့်အချက်မဖြစ်စေရန် သေချာစေပါသည်။

အမြန်နှုန်းနှင့် အတိမ်အနက် နှစ်မျိုးလုံးအတွက် တည်ဆောက်ထားသော စနစ်တစ်ခုတွင် သင့်လုပ်ငန်းကို လည်ပတ်ရန် အဆင်သင့်ဖြစ်ပြီလား။ Mewayz သည် လက်တွေ့ကမ္ဘာ၏ ရှုပ်ထွေးမှုအတွက် ဒီဇိုင်းထုတ်ထားသော ဉာဏ်ရည်ထက်မြက်သော အလိုအလျောက်စနစ်ဖြင့် ပေါင်းစပ်ထားသော 207 မော်ဂျူးများကို ပေါင်းစပ်ထားသည်။ အဆင့်တိုင်းတွင် ယုံကြည်စိတ်ချရမှုကို တောင်းဆိုသော အသင်းများအတွက် အစီအစဉ်များသည် $19/လ မှ စတင်ပါသည်။ app.mewayz.com တွင် သင်၏ အခမဲ့ အစမ်းသုံးမှုကို စတင်ပြီး စစ်မှန်သော လုပ်ငန်းလည်ပတ်မှုစနစ်၏ ခံစားချက်ကို ခံစားလိုက်ပါ။