Αρκετές φορές έχουμε δει συστήματα τεχνητής νοημοσύνης να κερδίζουν κορυφαίους παίκτες σε παιχνίδια όπως το Σκάκι και το Jeopardy.
Εντούτοις, το αρχαίο Κινεζικό παιχνίδι Go αποτελούσε ένα από τα δυσκολότερα παιχνίδια, όσον αφορά τη μηχανική μάθηση ενός συστήματος τεχνητής νοημοσύνης.

Ο βασικότερος λόγος που καθιστά δύσκολο το Go είναι η πολυπλοκότητά του, καθώς ο αριθμός των διαφορετικών κατευθύνσεων που μπορεί να ακολουθήσει μια παρτίδα του παιχνιδιού είναι μεγαλύτερος από τον αριθμό των ατόμων που υπάρχουν στο σύμπαν. Επομένως, δεν είναι δυνατή η εισαγωγή όλων των πιθανών κινήσεων σε ένα σύστημα τεχνητής νοημοσύνης. Για τον λόγο αυτό, ορισμένοι θεωρούν την επίδοση στο Go βασικό κριτήριο για ένα σύστημα τεχνητής νοημοσύνης.

Το Deepmind όμως, το τμήμα τεχνητής νοημοσύνης της Google, φαίνεται να έχει σημειώσει σημαντική πρόοδο, καθώς, χρησιμοποιώντας νευρωνικά δίκτυα, κατάφερε να κερδίσει τον πρωταθλητή Ευρώπης στο Go. Για την ακρίβεια, το σύστημα τεχνητής νοημοσύνης AlphaGo κέρδισε τον πρωταθλητή Ευρώπης Fan Hui σε 5 συνεχόμενες παρτίδες.

Μάλιστα, τον ερχόμενο Μάρτιο, το AlphaGo θα παίξει με τον Lee Sedol, τον παγκόσμιο πρωταθλητή του Go. Στο παρελθόν, η ομάδα του Deepmind είχε βάλει ένα νευρωνικό δίκτυο να παίζει το κλασικό παιχνίδι Breakout, χωρίς ωστόσο να το έχει προγραμματίσει με συγκεκριμένες παραμέτρους για το εν λόγω παιχνίδι. Αντιθέτως, χρησιμοποιήθηκε ένας γενικής χρήσης αλγόριθμος τεχνητής νοημοσύνης και το σύστημα κατέληξε να παίζει το παιχνίδι καλύτερα από κάθε άλλον παίκτη.

Παρόμοια τακτική ακολούθησαν και με το AlphaGo, με όλες τις διεργασίες να τρέχουν στην cloud πλατφόρμα της Google. Σκοπός της ομάδας είναι η αξιοποίηση τέτοιων συστημάτων μελλοντικά για την επίλυση σημαντικών προβλημάτων, παρέχοντας διαδικασίες όπως, λόγου χάρη, ανάλυση περίπλοκων ασθενειών.

 [Πρέπει να είστε εγγεγραμμένοι και συνδεδεμένοι για να δείτε αυτόν το σύνδεσμο.]

 [Πρέπει να είστε εγγεγραμμένοι και συνδεδεμένοι για να δείτε αυτόν το σύνδεσμο.]