Deep mind искусственный интеллект

DeepMind Technologies Limited
Тип	дочернее общество
Основание	2010
Прежние названия	DeepMind Technologies, Google DeepMind
Основатели	Шейн Легг[d] , Демис Хассабис и Мустафа Сулейман[d]
Расположение	5 New Street Square, London EC4A 3TW, UK
Отрасль	искусственный интеллект
Число сотрудников	700 чел. [1]
Материнская компания	Alphabet
Сайт	deepmind.com

DeepMind Technologies Limited, или DeepMind, — британская компания, занимающаяся искусственным интеллектом. Основана в 2010 году в Лондоне под названием DeepMind Technologies. В 2014 году была приобретена Google.

Компания получила известность благодаря разработке компьютерной системы AlphaGo, победившей профессионального игрока в го [2] . DeepMind создала нейронную сеть способную научиться играть в видеоигры на уровне человека [3] .

Содержание

История [ править | править код ]

В 2010 году Демис Хассабис, Шейн Легг, Мустафа Сулейман основали стартап DeepMind Technologies [4] . До того Хассабис и Легг уже были знакомы по Университетскому Колледжу Лондона, где работали в подразделении вычислительной нейробиологии Gatsby (Gatsby Computational Neuroscience Unit, www.gatsby.ucl.ac.uk) [5] .

В компанию вложились большие венчурные фонды Horizons Ventures, Founders Fund [6] , а также предприниматели Скотт Банистер [7] и Илон Маск [8] . Ян Таллинн был одним из ранних инвесторов и советников компании [9] .

В 2014 DeepMind получила награду «Компания года» от Компьютерной лаборатории Кембриджского университета [10] .

26 января 2014 года Google объявил о приобретении DeepMind Technologies [11] . По разным сообщениям сумма сделки составила от 400 до 650 миллионов долларов [12] [13] [14] [15] . Сообщается, что сделка состоялась после того, как Facebook прекратил переговоры о покупке DeepMind Technologies в 2013 году [16] . Одним из условий сделки DeepMind с Google было создание последней коллегии по этическим проблемам искусственного интеллекта [17] .

После покупки Google компания стала называться Google DeepMind.

В начале сентября 2016 года компания перешла в родительскую компанию Google — Alphabet, а из её названия исчезло упоминание Google, теперь она известна как DeepMind Technologies Limited или же DeepMind. Также веб-сайт компании сменил дизайн.

Направление исследований [ править | править код ]

Цель компании — «решить проблему интеллекта» [18] . Для этого они используют «лучшие технологии, начиная от машинного обучения и заканчивая системной психофизиологией, чтобы создать в итоге обучающиеся алгоритмы общего назначения» [18] . Также они работают над формализацией интеллекта [19] для того, чтобы не только реализовать его в машинах, но и чтобы понять, как работает мозг человека. По словам Демиса Хассабиса [20] :

. попытка извлечь сущность интеллекта в виде алгоритмической конструкции может оказаться наилучшим способом понять самые глубокие тайны нашего ума.

Решение проблемы интеллекта DeepMind видит в создании универсальных самообучающихся интеллектуальных агентов, которые были бы способны автономно обучаться на необработанных входных данных и были бы пригодны для решения любых задач в отличие от «ограниченных ИИ», таких как Deep Blue или IBM Watson, решающих только одну предопределённую задачу. В качестве основного подхода к построению интеллектуальных агентов выбрано обучение с подкреплением [21] .

В настоящий момент компания занимается исследованиями в области компьютерных систем, которые умеют играть в различные игры — от стратегических игр вроде го до компьютерных аркад. Шейн Легг утверждает, что искусственный интеллект сможет достичь уровня человека, «когда машина научится играть в широкий класс игр, используя только входной и выходной сигналы потока восприятия, и переносить понимание из игры в игру. » [22] . Демис Хассабис объясняет фокус на играх, а не на более традиционной робототехнике, тем, что «роботы — дорогие, медленные и часто ломаются. исследователь отвлекается на починку механических деталей робота. » [21] . Сообщается, что Google купил компанию именно после публикации исследования об ИИ, успешно играющего в семь различных Atari-игр (Pong, Breakout, Space Invaders, Seaquest, Beamr >[3] .

В начале 2018 года исследователи из DeepMind обучили одну из своих систем играть в компьютерную игру Quake III Arena. Через некоторое время, потраченное на тренировки, по уровню игры эта система сначала догнала, а затем и перегнала людей, являющихся сильными игроками [23] [24] .

Нейронная машина Тьюринга [ править | править код ]

В 2014 году DeepMind опубликовал архитектуру гибридной нейронной сети, состоящую из рекуррентной нейросети и внешней памяти [25] [26] . Нейросеть использует внешнюю память для записи и последующего чтения информации так же, как это делает машина Тьюринга, по этой причине архитектуре дали название «Нейронная машина Тьюринга» (Neural Turing Machine). По замыслу исследователей Нейронная машина Тьюринга имитирует кратковременную память человека и позволяет понять принципы её работы. В экспериментах нейросеть успешно обучалась простым алгоритмам: копирование, сортировка, ассоциативная память.

Глубинное обучение с подкреплением в видеоиграх [ править | править код ]

DeepMind представил систему ИИ, которая способна обучиться играть в классические игры 70-80-х гг. для игровой консоли Atari 2600 [27] [28] [29] [30] [31] . В исследовании ИИ обучался игре в 49 видеоигр. В результате был достигнут уровень игры сравнимый с уровнем человека, а в 22 играх система смогла превзойти человека. ИИ DeepMind не запрограммирован жестко под конкретную игру. В начале обучения система ничего не знает о правилах игры и учится играть самостоятельно, используя на входе только пиксельное изображение игры и информацию об очках, получаемых в ходе игры.

В основе ИИ лежит подход, который DeepMind называет глубинным обучением с подкреплением, или deep Q-network (DQN) [27] [29] . Это вариация обучения с подкреплением без модели с применением Q-обучения, в котором функция полезности моделируется с помощью глубинной нейронной сети. В качестве архитектуры нейросети выбрана свёрточная нейронная сеть, в настоящее время эта архитектура эффективно применяется для распознавания изображений.

В планах DeepMind научить ИИ, построенного на тех же принципах, играть в более сложные 3D игры 90-ых, такие как Doom и гоночные симуляторы [21] . В феврале 2016 были представлены первые результаты обучения ИИ 3D играм [32] [33] . ИИ смог обучиться управлению машиной в 3D гоночном симуляторе TORCS [34] , поиску выхода и призов в Doom-подобном 3D лабиринте Labyrinth [35] , выполнению простых задач (локомоция, поддержание равновесия, манипуляция предметами) в физическом симуляторе MuJoCo (www.mujoco.org) [36] . Как и прежде на вход ИИ подавалось только пиксельное изображение «мира». Архитектура нейросети была расширена добавлением LSTM, разновидности рекуррентной нейронной сети.

AlphaStar [ править | править код ]

На ежегодном фестивале Blizzcon 2016 компания Blizzard, которая является инициатором данного мероприятия, объявила о своем сотрудничестве с компанией DeepMind. Затем об этом событии была опубликована статья на официальных блогах обеих компаний [37] [38] . Целью данного сотрудничества является внедрение и обучение ИИ в игре Starcraft II. По мнению разработчиков игры — Starcraft II является идеальной средой для обучения искусственного интеллекта, поскольку сложные правила игры достаточно отражают сложность и многогранность реального мира. К тому же, само коммьюнити считало эту игру самой большой проблемой для ИИ, сумевшего победить человека в игре в го, шахматы и покер [39] .

StarCraft II — идеальная среда, которая позволит вывести исследования, связанные с созданием искусственного интеллекта, на новый уровень. Сложные правила игры в достаточной мере отражают многогранность и хаотичность реального мира. Сначала вы учитесь добывать ресурсы, затем возводить простые строения, исследовать карту и искать противника. Стоит производить больше боевых единиц или лучше будет укрепить оборонительный рубеж? Будете вы совершать атаки на раннем этапе или сосредоточитесь на развитии?

В данный момент ведется работа над «Starcraft 2 API», которая позволяет ИИ полностью взаимодействовать с интерфейсом игры, принять участие в разработке может любой желающий, для таковых были опубликованы технические задачи [40] , которые планируется реализовать в первом квартале 2017 года. Сам ИИ будет обучаться, просматривая повторы других игроков, которые принимали участие в рейтинговых играх.

24 января 2019 года была представлена программа AlphaStar, специализирующаяся на игре StarCraft II в жанре стратегии в реальном времени. AlphaStar сначала учило программу на записях игр людей, затем включило в «лигу AlphaStar», где ИИ играл не только против себя, но и «эксплуататорских» агентов, которые являлись версиями ИИ, специально нацеленными на слабые места AlphaStar и представлявших каждую из трёх рас [39] . Обучение гарантировало, что AlphaStar станет грозным противником всех трёх рас и каждой игровой стратегии. На момент презентации у AlphaStar были знания, эквивалентные 200 годам игрового времени. [41] . При этом разработчики ограничили возможности ИИ, например лишив возможности действовать на сверхчеловеческой скорости, из-за чего программа была вынуждена учиться выигрывать долгосрочной стратегией [39] .

На турнире 19 декабря 2018 года между AlphaStar и двумя профессиональными игроками, входящими в сотню сильнейших TLO и MaNa, AlphaStar выиграла со счётом 10:0. При этом MaNa удалось победить в одной внезачётной игре [42] [43] [44]

К концу октября 2019 года ИИ стал гроссмейстером игры, сумев обыграть 99,8 % зарегистрированных в Starcraft II игроков-людей. На это достижение AlphaStar понадобилось 44 дня тренировок. [39] .

Игра в го [ править | править код ]

В октябре 2015 программа для игры в го AlphaGo [45] , разработанная DeepMind, победила чемпиона Европы по го Фань Хуэя (2-ой дан) со счётом 5—0 [2] . О новости было объявлено только 27 января 2016 года одновременно с публикацией статьи в журнале Nature [2] .

Это первый в истории случай, когда ИИ выиграл в го у профессионала [46] , до AlphaGo все известные ИИ играли в го только на любительском уровне. Го считается игрой, в которую компьютеру выиграть достаточно тяжело (в сравнении с аналогичными играми, например, c шахматами) в виду большого количества вариантов ходов, из-за этого традиционный для ИИ метод перебора ходов практически неприменим [2] [47] . В марте 2016 года программа выиграла матч у одного из сильнейших гоистов мира Ли Седоля со счетом 4-1.

Другие направления [ править | править код ]

Публикации DeepMind затрагивают следующие темы [48] : понимание естественного языка машинами [49] , генерация изображений по шаблону с помощью нейронных сетей [50] , распознавание речи, алгоритмы обучения нейронных сетей.

DeepMind Health [ править | править код ]

DeepMind Health — подразделение DeepMind, работающее в области искусственного интеллекта в медицине [51] [52] [53] . О его открытии было объявлено 24 февраля 2016 года на веб-сайте компании. Подразделение возглавляет Мустафа Сулейман.

В своей работе DeepMind Health будет сотрудничать с Национальной службой здравоохранения Великобритании. DeepMind Health планирует предоставлять врачам техническую экспертизу для разработки и совершенствования технологий по уходу за пациентами. Особое внимание будет уделяться безопасности данных пациентов и конфиденциальности. Деятельность подразделения будет проверяться советом из независимых экспертов, в число которых входит Ричард Хортон (англ.) русск. , редактор авторитетного журнала по медицине The Lancet.

В настоящее время DeepMind Health работает над созданием электронных инструментов, упрощающих работу врача. Было представлено приложение для смартфона, позволяющее более точно диагностировать острую почечную недостаточность. Также DeepMind купил медицинское приложение, таск-менеджер для врачей. Команда врачей из Имперского колледжа Лондона, создавшая его, присоединяется к DeepMind Health. Сумма сделки не разглашается.

Сотрудничество с университетами [ править | править код ]

В 2014 году DeepMind начинает сотрудничество с Оксфордским университетом [54] [55] . DeepMind нанимает две передовые команды из Оксфорда, работающих в области искусственного интеллекта. Это команда ведущих экспертов мира по применению глубинного обучения в области понимания естественного языка машинами: профессора Нандо Де Фрейтас и Фил Блансом, доктора Эдвард Грефенстетт и Карл Мориц. И команда одних из ведущих экспертов мира в области машинного зрения: доктора Карэн Симоньян и Макс Яденберг, профессор Эндрю Зиссерман. В рамках сотрудничества факультет компьютерных наук и факультет инженерных наук получат существенное финансирование от Google. Также DeepMind планирует программу студенческих стажировок, чтение лекций и проведение семинаров для студентов.

С DeepMind работают учёные и из других университетов. Дэвид Сильвер, соавтор статьи о AlphaGo [56] и еще многих публикаций DeepMind об обучении с подкреплением, читает лекции в Университетском Колледже Лондона [57] . Некоторые публикации DeepMind написаны в соавторстве с учёными из следующих организаций [48] : Торонтский университет, Монреальский университет, Австралийский национальный университет, Амстердамский университет, Калифорнийский университет в Беркли, INRIA.

Вашему вниманию представлен перевод статьи DeepMind’s Losses and the Future of Artificial Intelligence за авторством Гэри Маркуса (Gary Marcus), вышедшей 14 августа на wired.com

Гэри Маркус является основателем и генеральным директором Robust.AI, а так же профессором психологии и нейробиологии в Нью-Йоркском университете. Вместе с Эрнестом Дэвисом он является автором готовящейся к изданию книги «Перезагрузка ИИ: создание искусственного интеллекта, которому мы можем доверять».

DeepMind, принадлежащий Alphabet, потратил 572 млн долларов в прошлом году. Что это может означать?

Что ещё за Alphabet?

Холдинг, владеющий Google и смежными проектами, про которые обычно говорят, что они принадлежат Google, — прим. ИА Красная Весна

DeepMind, вероятно, крупнейшая в мире научно-исследовательская затея в области искусственного интеллекта, быстро тратящая много денег: более 1 млрд долларов за последние три года. У DeepMind также имеется задолженность в размере более 1 млрд долларов, которая должна быть погашена в течение ближайших 12 месяцев.

Значит ли это, что ИИ разваливается?

Ничуть. Исследования стоят денег, и DeepMind наращивает исследования с каждым годом. Долларов привлечено уйма, возможно, больше, чем в любой предыдущий исследовательский проект по искусственному интеллекту, но далеко не беспрецедентно по сравнению с суммами, потраченными на некоторые из крупнейших научных проектов. Большой Адронный Коллайдер стоит около 1 млрд долларов в год, а общая стоимость открытия бозона Хиггса оценивается более чем в 10 млрд долларов. Конечно, подлинный машинный интеллект (также известный как общий искусственный интеллект), который мог бы привести в действие компьютер, подобный показанному в Star Trek, способный анализировать всевозможные запросы, заданные на обычном английском языке, стоил бы гораздо больше.

Всё же рост величины затрат DeepMind стоит учитывать: 154 млн в 2016 году, 341 млн в 2017 году, 572 млн в 2018 году. На мой взгляд, есть три основных вопроса: находится ли DeepMind на правильном пути с научной точки зрения? Являются ли инвестиции такого масштаба разумными с точки зрения Alphabet? И как эти траты повлияют на ИИ в целом?

По первому вопросу есть основания для скептицизма. DeepMind кладет большую часть своих яиц в одну корзину: в метод, известный как глубокое обучение с подкреплением. Этот метод сочетает в себе глубокое обучение, в основном используемое для распознавания шаблонов, и обучение с подкреплением, строящееся на сигналах вознаграждения, таких как набранные очки в игре, победа или поражение в игре вроде шахмат.

DeepMind дал методу свое название в 2013 году в захватывающей статье, в которой было показано, как одна нейронно-сетевая система может быть обучена играть в разные игры Atari, такие как Breakout и Space Invaders, так же или лучше, чем люди. Публикация продемонстрировала инженерное мастерство и, по-видимому, стала ключевым фактором в приобретении DeepMind в январе 2014 года Google. Дальнейшее развитие метода подпитывалось впечатляющими победами DeepMind в Го и компьютерной игре StarCraft.

Что ещё за Atari?

Компания, производившая и издававшая компьютерные игры. В 70-е и 80-е годы на рынке видеоигр Atari занимала лидирующее положение, — прим. ИА Красная Весна

Неприятность в том, что метод очень чувствителен к конкретным условиям. В игре Breakout, например, крошечные изменения, такие как перемещение весла вверх на несколько пикселей — могут вызвать резкое снижение эффективности. В StarCraft у DeepMind результаты имели похожую ограниченность. С лучшими, чем у человека результатами при игре на одной карте с одной «расой», но более скромными итогами на разных картах и с разными расами. Чтобы сменить расу, вам нужно переобучить систему с нуля.

В каком-то смысле глубокое обучение с подкреплением является чем-то вроде прокачанной зубрежки. Системы, которые используют его, способны на удивительные подвиги, но они имеют только поверхностное понимание того, что они делают. Как следствие, нынешним системам не хватает гибкости, и поэтому они не могут компенсировать изменения в мире, порой даже незначительные. (Недавние результаты DeepMind с болезнью почек были подвергнуты сомнению похожим образом.)

Глубокое обучение с подкреплением также требует огромного количества данных — например, миллионы самостоятельных игр в Го. Это гораздо больше, чем человеку потребовалось бы для достижения мирового класса игры в Го, и зачастую сложно или дорого. Это приводит к необходимости использования компьютерных ресурсов масштаба Google, из чего следует, что во многих реальных проблемах одно лишь компьютерное время уже будет слишком дорогостоящим для большинства пользователей. По имеющейся оценке, время обучения для AlphaGo обошлось в 35 млн долларов; по той же оценке, количество потребляемой энергии сравнивалось с энергией, потребляемой 12760 человеческими мозгами, работающими непрерывно в течение трех дней без сна.

Что ещё за AlphaGo?

Искусственный интеллект от DeepMind, специально натренированный на игру в Го. Имеется аналог для игры в StarCraft, который так и называется — AlphaStar, — прим. ИА Красная Весна

Но это всего лишь экономика. Реальная проблема, как мы с Эрнестом Дэвисом утверждаем в нашей готовящейся книге «Перезагрузка ИИ», — это доверие. На данный момент глубокому обучению с подкреплением можно с некоторыми оговорками доверять только в хорошо контролируемой среде. Это отлично работает для Го — ни доска, ни правила не изменились за 2000 лет, но вам бы не захотелось полагаться на него во многих реальных ситуациях.

Скромный коммерческий успех
Отчасти из-за того, что немногие реальные проблемы так ограничены, как игры, на которых сосредоточился DeepMind, DeepMind еще не нашел крупномасштабного коммерческого применения глубокого обучения с подкреплением. До сих пор Alphabet инвестировала около 2 млрд (включая заявленную цену покупки в размере 650 млн в 2014 году). Прямая финансовая отдача, не считая рекламы, была скромной по сравнению с прошлым годом: около 125 миллионов долларов дохода, частично полученные от применения глубокого обучения с подкреплением в Alphabet для снижения затрат на питание для охлаждения серверов Google.

То, что работает для Го, может не работать для сложных проблем, которые DeepMind стремится решить с помощью ИИ, таких как рак и чистая энергетика. IBM узнала об этом на собственном горьком опыте, когда она попыталась взять программу Watson, которая выиграла в игре «Jeopardy!», и с некоторым успехом применить её к медицинской диагностике. Watson прекрасно справлялся с некоторыми случаями и терпел неудачу в других, иногда пропуская диагнозы, такие как сердечные приступы, которые были бы очевидны для студентов-медиков первого курса.

Что ещё за «Jeopardy!»?

Американская теле-викторина, российским аналогом которой является «Своя игра», — прим. ИА Красная Весна

Конечно, это может быть просто вопросом времени. DeepMind работает над глубоким обучением с подкреплением по крайней мере с 2013 года, возможно, дольше, но научные достижения редко превращаются в продукт в одночасье. DeepMind или другие могут в конечном итоге найти способ получить более глубокие, более стабильные результаты с глубоким обучением с подкреплением, возможно, объединив его с другими методами, или не смогут. Глубокое обучение с подкреплением может в конечном итоге оказаться похожим на транзистор, исследовательское изобретение из корпоративной лаборатории, которое полностью изменило мир, или это может быть своего рода академическим любопытством, которое Джон Мейнард Смит однажды описал как «решение в поисках проблемы». Лично я предполагаю, что он окажется где-то посередине, полезным и широко распространенным инструментом, но не изменяющим мир.

Никто не должен сбрасывать DeepMind со счетов, даже если его текущая стратегия окажется менее плодотворной, чем многие надеялись. Глубокое обучение с подкреплением не может быть «королевской дорогой» к общему искусственному интеллекту, но сам DeepMind — это грозное начинание, плотно управляемое и хорошо финансируемое, с сотнями докторов наук. Публичность, порожденная успехами в Го, Atari и StarCraft, привлекает все больше талантов. Если ветры в ИИ смещаются, DeepMind может оказаться в хорошем положении, чтобы переключиться на другое направление. Едва ли кто-то может сравниться с ним.

Между тем в более широком контексте для Alphabet 500 миллионов долларов в год — это не огромная ставка. Alphabet (мудро) сделал другие ставки на ИИ, такие как Google Brain, который сам быстро растет. Alphabet может изменить баланс своего портфеля ИИ различными способами. Но для компании с доходом в 100 миллиардов долларов в год, которая зависит от ИИ во всем — от системы поисковых запросов до рекламных рекомендаций, это не безумие — сделать несколько значительных инвестиций.

Обеспокоенность чрезмерными обещаниями
На последний вопрос о том, как экономическое положение DeepMind повлияет на ИИ в целом, ответить трудно. Если ажиотаж превышает выхлоп, это может привести к «зиме ИИ», при которой даже сторонники не захотят инвестировать. Инвестиционное сообщество фиксирует значительные потери; если траты DeepMind будут продолжать удваиваться каждый год, даже Alphabet может в конечном итоге почувствовать необходимость отступить. И дело не только в деньгах. Ощутимые финансовые результаты также отсутствуют до сих пор. В какой-то момент инвесторы могут оказаться вынуждены пересмотреть свой энтузиазм на счет ИИ.

Тут не только DeepMind. Многие достижения, обещанные всего несколько лет назад, такие как автомобили, способные ездить сами по себе, или чат-боты, которые могут понимать разговоры, — так и не воплощены. Обещания Марка Цукерберга в апреле 2018 года Конгрессу, что ИИ скоро решит проблему фэйковых новостей, уже были смягчены, как и предсказывали Дэвис и я. Разговоры дешевы; конечная степень энтузиазма к ИИ будет зависеть от того, каким будет выхлоп.

Пока что подлинный машинный интеллект было легче рекламировать, чем строить. Хотя в таких ограниченных областях, как реклама и распознавание речи, были достигнуты большие успехи, но ИИ, несомненно, еще предстоит пройти длинный путь. Нельзя отрицать преимущества рационального анализа больших массивов данных. Даже в ограниченной форме ИИ уже является мощным инструментом. Корпоративный мир может стать менее оптимистичным в отношении ИИ, но он не может позволить себе полностью отказаться от него.

Мое собственное предположение?

Через десять лет мы придем к выводу, что в конце 2010-х годов глубокое обучение с подкреплением было переоценено, и что многие другие важные направления исследований игнорировались. Каждый доллар, вложенный в обучение с подкреплением, — это доллар, не вложенный где-то еще, в то время как, например, идеи из когнитивных наук о человеке могут дать ценные подсказки. Исследователи машинного обучения теперь часто спрашивают: «Как машины могут оптимизировать сложные проблемы, используя огромные объемы данных?» Мы могли бы также спросить: «Как дети приобретают язык и приходят к пониманию мира, используя меньше энергии и данных, чем современные системы ИИ?» Если бы мы потратили больше времени, денег и энергии на последний вопрос, чем на первый, мы могли бы добраться до искусственного общего интеллекта намного раньше.

Искусственный интеллект DeepMind победил профессиональных киберспортсменов в игре Quake III Arena, где в режиме «Захват флага» нужно было донести знамя в свою точку. Отчет об этом опубликован на сайте журнала Science.

Для тренировки нейросеть провела 450 тыс. матчей, играя в тысячах карт одновременно. Единственным условием для матча был режим два на два — один человек в группе охраняет флаг, а другой должен захватить чужой флаг.

При этом реакцию искусственного интеллекта снизили до средних человеческих, иначе бы он смог делать выстрелы мгновенно.

При этом эксперты раскритиковали подход DeepMind за то, что нейросети, по сути, не обмениваются сообщениями, а просто реагируют на какие-то внешние факторы, например, на других игроков.

Ранее нейросеть AlphaStar, разработанная подразделением Google по исследованию искусственного интеллекта DeepMind, обыграла профессиональных игроков в онлайн-стратегию StarCraft II.

Самый известный проигрыш человека искусственному интеллекту — партия между AI AlphaGo от DeepMind и Ли Седолем в игру го. Тогда AlphaGo стала победителем.