Umjetnost umetne inteligence se nenehno razvija in najnovejši preboj Googlove DeepMind bi lahko odprl vrata splošno inteligentnim AI, ki delujejo v resničnem svetu. Čeprav je obvladovanje AI v igrah, kot sta šah ali Go, dobro uveljavljeno, imajo te igre določene načine za zmago ali poraz, kar olajša usposabljanje AI za uspeh v njih.
Vendar odprti svetovni igri, kot je Minecraft, predstavljajo večji izziv za AI sisteme. Te igre ponujajo širok nabor možnosti in abstraktnih ciljev, ki bolj natančno posnemajo scenarije iz resničnega življenja. Zato se obvladovanje teh iger šteje za pomemben mejnik pri usposabljanju AI agentov, ki bi lahko opravljali naloge v resničnem svetu, kot je upravljanje robotov in doseganje umetne splošne inteligence.
Google DeepMind je predstavil model AI, imenovan Scallable Instructable Multiworld Agent (SIMA), ki lahko igra devet različnih video iger in virtualnih okolij, ki jih še nikoli ni srečal. SIMA to dosega tako, da analizira samo video posnetke iz igre. Od raziskovanja vesolja do reševanja izzivov, SIMA lahko opravi približno 600 kratkih nalog v različnih igrah.
Da bi dosegli to raven uspešnosti, so raziskovalci DeepMinda uporabili že obstoječe modele prepoznavanja videa in slik, da bi interpretirali video podatke igre. Nato so trenirali SIMA, da določi specifične naloge na podlagi videa. Da bi to dosegli, so ljudje igrali video igre skupaj, pri čemer je ena oseba gledala zaslon in navajala drugega na svoje poteze. Poleg tega so udeleženci pregledali svojo igro in opisali miške in tipkovniška dejanja, ki so jih sprejeli. S tem, ko je SIMA spoznaval, kako se človeške poteze nanašajo na naloge, je bil sposoben natančno oponašati in izvajati ta dejanja.
Čeprav je SIMA pokazal sposobnost igranja devete igre, s katero ni bil prej izpostavljen, ni dosegel človeške ravni uspešnosti. Da bi odpravili to vrzel, so raziskovalci uporabili metodo usposabljanja, kjer je bil SIMA usposobljen za osem iger in nato preizkušen na deveti. Ta postopek se je ponavljal, da bi zagotovili, da je SIMA sposoben prilagajanja neznanim igram.
Strokovnjaki prepoznavajo, da je sposobnost generalizacije veščin preko različnih iger ključen korak k razvoju AI agenta generalista. Vendar trenutne omejitve SIMA vključujejo omejenost v relativno ozkem naboru kratkoročnih nalog, ki ne zahtevajo dolgoročnega načrtovanja. Razširitev njegovih sposobnosti, da zajame širši nabor kompleksnih nalog, bi bila bolj zahtevna naloga.
Pomembno je poudariti, da za podjetja, kot je DeepMind, ta raziskava ni osredotočena le na igre, ampak si prizadeva za revolucioniranje robotike. Krmarjenje po 3D okoljih služi kot sredstvo za dosego cilja, saj si ta podjetja prizadevajo za razvoj AI sistemov, ki so sposobni zaznavati in interaktirati z okoljem okoli sebe. Medtem ko bo vpliv na video igre verjetno minimalen, so posledice za naša življenja onkraj igric še neznane.
Pogosta vprašanja
Kaj je SIMA?
SIMA, ali Scalable Instructable Multiworld Agent, je model umetne inteligence, razvit s strani Google DeepMind. Lahko igra različne video igre in virtualna okolja, samo z analiziranjem video posnetkov iz igre.
Kako je bil SIMA usposobljen?
Za usposabljanje SIMA so raziskovalci DeepMinda uporabili že obstoječe modele prepoznavanja videa in slik. Imeli so tudi pare posameznikov, ki so igrali video igre, pri čemer je ena oseba navajala drugega na svoje poteze in dejanja. Ti podatki, skupaj s samo-refleksijo o igranju, so SIMI omogočili razumevanje, kako se človeške poteze nanašajo na specifične naloge.
Kakšne so omejitve SIMA?
Čeprav je SIMA pokazal sposobnost prilagajanja neznanim video igram, trenutno ne dosega človeške ravni uspešnosti. Poleg tega je njegov nabor veščin večinoma omejen na kratkoročne naloge, ki ne zahtevajo dolgoročnega načrtovanja.
Kakšen je končni cilj te raziskave?
Raziskava DeepMinda si prizadeva razviti AI sisteme, ki lahko zaznavajo in interaktirajo s pravim svetom. Čeprav se igre uporabljajo kot testno okolje, je poudarek na revolucioniranju robotike in ustvarjanju AI agentov, ki so sposobni izvajati naloge v resničnem svetu.
The source of the article is from the blog macnifico.pt