Изкуствените интелигентни модели продължават да се развиват, а най-новият прорив на Google DeepMind може да отвори пътя към широко интелигентни ИИ, които могат да функционират в реалния свят. Докато владеенето на ИИ в игри като шах или Го е добре установено, тези игри имат дефинирани начини за печелене или губене, което прави относително лесно обучението на системите на ИИ да успеят в тях.
Все пак, игрите с отворен свят като Minecraft представят по-голямо предизвикателство за системите на ИИ. Тези игри предлагат широка гама от избори и абстрактни цели, които наподобяват ситуации от реалния живот по-точно. Затова владеенето на тези игри се счита за значителна стъпка към обучението на ИИ агенти, които биха могли да изпълняват задачи в реалния свят, като управляват роботи и постигат изкуствена обща интелигентност.
Google DeepMind въведе модел на ИИ, наречен Scalable Instructable Multiworld Agent (SIMA), който може да играе девет различни видеоигри и виртуални околности, които никога не е срещал преди. Впечатляващо, SIMA постига това, като анализира само видеоматериала от играта. От приключения в космоса до предизвикателства за решаване на проблеми, SIMA може да изпълнява приблизително 600 кратки задачи в различни игри.
За постигане на този ниво на производителност, изследователите на DeepMind използваха вече съществуващи модели за разпознаване на видео и изображения, за да интерпретират данните от видеоиграта. След това обучиха SIMA да картографира конкретни задачи на базата на видео входа. За да постигнат това, двойки лица играха видеоигри заедно, като едното лице гледаше екрана и инструктираше другото за техните движения. Освен това участниците преглеждаха своите играй и описваха действията с мишката и клавиатурата, които вземат. Чрез усвояване на това как действията на човек се отнасят към предстоящите задачи, SIMA можеше да огледа и изпълни тези действия точно.
Въпреки че SIMA демонстрира възможността да играе девета игра, с която не е бил изложен преди, той не успя да постигне ниво на производителност на човек. За да се справи с това, изследователите приложиха метод на обучение, при който SIMA беше обучен на осем игри и след това тестван на деветата. Този процес беше повтарян, за да се гарантира способността на SIMA да се адаптира към непознати игри.
Експертите признават, че способността да се обобщават уменията в различни игри е важна стъпка към развитието на общовестествен ИИ агент. Въпреки това актуалните ограничения на SIMA включват ограничаването на относително тесен набор от краткосрочни задачи, които не изискват планиране на дългосрочни планове. Разширяването на неговите възможности, за да включи по-широк спектър от сложни задачи, би била по-голямо предизвикателство.
Важно е да се отбележи, че за компании като DeepMind това изследование не е насочено само към игрите, а по-скоро цели да революционизират роботиката. Навигирането в 3D среди служи като средство за постигане на цел, тъй като тези компании се стремят да развият ИИ системи, които могат да усещат и взаимодействат с околните им. И докато влиянието върху видеоигрите може да бъде минимално, последиците за нашия живот извън игрите остават неизвестни.
Често задавани въпроси
The source of the article is from the blog japan-pc.jp