Les modèles d’intelligence artificielle évoluent constamment, et la dernière percée de Google DeepMind pourrait ouvrir la voie à des IA généralement intelligentes opérant dans le monde réel. Alors que la maîtrise de l’IA dans des jeux comme les échecs ou Go est bien établie, ces jeux ont des façons définies de gagner ou de perdre, ce qui rend relativement facile la formation des systèmes d’IA pour réussir dans ces jeux.
Cependant, les jeux en monde ouvert comme Minecraft présentent un défi plus important pour les systèmes d’IA. Ces jeux offrent une vaste gamme de choix et d’objectifs abstraits, imitant plus étroitement les scenarios de la vie réelle. Par conséquent, maîtriser ces jeux est considéré comme un jalon important vers la formation d’agents d’IA capables d’accomplir des tâches du monde réel, telles que le contrôle de robots et l’atteinte de l’intelligence artificielle générale.
Google DeepMind a introduit un modèle d’IA appelé Scalable Instructable Multiworld Agent (SIMA) qui peut jouer neuf jeux vidéo différents et des environnements virtuels qu’il n’a jamais rencontrés auparavant. De manière impressionnante, SIMA parvient à accomplir cet exploit en n’analysant que l’alimentation vidéo du jeu. Des aventures d’exploration spatiale aux défis de résolution de problèmes, SIMA peut effectuer environ 600 courtes tâches dans une variété de jeux.
Pour atteindre ce niveau de performance, les chercheurs de DeepMind ont utilisé des modèles de reconnaissance vidéo et d’images préexistants pour interpréter les données vidéo du jeu. Ils ont ensuite formé SIMA à cartographier des tâches spécifiques en fonction de l’entrée vidéo. Pour ce faire, des paires d’individus ont joué à des jeux vidéo ensemble, une personne regardant l’écran et instruisant l’autre sur leurs mouvements. De plus, les participants ont passé en revue leur gameplay et ont décrit les actions effectuées à la souris et au clavier. En apprenant comment les mouvements humains sont liés aux tâches à accomplir, SIMA a pu imiter et exécuter ces actions avec précision.
Bien que SIMA ait démontré la capacité de jouer un neuvième jeu auquel il n’avait pas été exposé auparavant, il n’a pas atteint la performance de niveau humain. Pour combler cet écart, les chercheurs ont mis en place une méthode de formation où SIMA a été formé sur huit jeux puis testé sur le neuvième. Ce processus a été répété pour garantir la capacité de SIMA à s’adapter aux jeux inconnus.
Les experts reconnaissent que la capacité de généraliser des compétences à travers différents jeux est une étape essentielle vers le développement d’un agent d’IA généraliste. Cependant, les limitations actuelles de SIMA incluent le fait d’être limité à un ensemble relativement étroit de tâches à court terme ne nécessitant pas de planification à long terme. Élargir ses capacités pour englober une gamme plus large de tâches complexes serait une entreprise plus difficile.
Il est crucial de noter que pour des entreprises comme DeepMind, cette recherche n’est pas exclusivement axée sur les jeux, mais vise plutôt à révolutionner la robotique. Naviguer dans des environnements 3D sert de moyen à une fin, car ces entreprises s’efforcent de développer des systèmes d’IA capables de percevoir et d’interagir avec le monde qui les entoure. Alors que l’impact sur les jeux vidéo peut être minime, les implications pour nos vies au-delà du jeu restent inconnues.
Foire Aux Questions
The source of the article is from the blog mgz.com.tw