Mengapa mengajar ai bermain permainan adalah penting | ben dickson

Laboratorium penyelidikan kecerdasan buatan OpenAI yang diasaskan oleh Sam Altman dan Elon Musk, baru-baru ini menyatakan bahawa ia akan menghantar satu pasukan ke Vancouver pada bulan Ogos untuk mengambil bahagian dalam kejohanan profesional permainan pertempuran online Dota yang terkenal 2. Tetapi tidak seperti pasukan lain yang akan bersaing untuk hadiah berjuta-juta dolar, OpenAI's pasukan tidak akan melibatkan manusia-sekurang-kurangnya, tidak secara langsung.

Disebut OpenAI Five, pasukan terdiri daripada lima rangkaian saraf buatan yang telah terbakar melalui kuasa pengkomputeran besar awan Google dan berlatih permainan berulang kali, berjuta-juta kali. OpenAI Five telah melengkapkan separuh masa di Dota 2 dan akan menguji keberaniannya terhadap pemain terbaik 1 peratus pada bulan Ogos.

Pada pertama sekilas, menghabiskan sumber pengkomputeran mahal dan bakat AI yang langka untuk mengajar AI untuk bermain permainan mungkin kelihatan tidak bertanggungjawab. OpenAI menempatkan beberapa saintis AI terkemuka di dunia, yang, menurut The New York Times , memperoleh gaji tujuh angka. Lagipun, tidakkah mereka bekerja pada masalah yang lebih penting, seperti membangunkan AI yang boleh melawan kanser atau membuat kereta memandu sendiri lebih selamat?

Absurd kerana kelihatannya beberapa, permainan telah terbukti menjadi bahagian penting penyelidikan AI. Dari catur ke Dota 2, setiap permainan AI telah menaklukkan telah membantu kami memecahkan bidang baru dalam sains komputer dan bidang lain.

Bantuan Permainan Jejaki Kemajuan AI

Sejak permulaan idea kecerdasan buatan pada tahun 1950-an, permainan telah menjadi cara yang berkesan untuk mengukur kapasiti AI. Mereka amat mudah dalam menguji kapasiti AI baru teknik, kerana anda boleh mengukur prestasi AI dengan skor berangka dan menang-kalah hasil dan membandingkannya dengan manusia atau AI lain.

Permainan pertama yang penyelidik cuba menguasai AI adalah catur, yang pada awalnya dianggap sebagai ujian muktamad kemajuan di lapangan. Pada tahun 1996, Deep Blue IBM adalah komputer pertama yang mengalahkan juara dunia (Garry Kasparov) dalam catur. AI di belakang Deep Blue menggunakan kaedah kekerasan yang menganalisis berjuta-juta urutan sebelum membuat langkah.

Walaupun kaedah ini membolehkan Deep Blue menguasai catur, ia tidak jauh dari cukup berkesan untuk mengatasi permainan papan yang lebih rumit. Dengan piawaian hari ini, ia dianggap mentah. Apabila Deep Blue mengalahkan Kasparov, seorang saintis menyatakan bahawa ia akan mengambil masa seratus tahun lagi sebelum AI dapat menakluki permainan Go of China kuno, yang mempunyai lebih banyak bergerak daripada jumlah atom di alam semesta.

Tetapi pada 2016, penyelidik di syarikat AI milik Google, DeepMind mencipta AlphaGo, Go-playing AI yang mengalahkan Lee Sedol, juara dunia, 4-1 dalam pertandingan lima perlawanan. AlphaGo menggantikan kaedah kekerasan Deep Blue dengan pembelajaran mendalam, teknik AI yang berfungsi dengan cara yang lebih serupa dengan cara kerja otak manusia. Daripada mengkaji setiap kombinasi yang mungkin, AlphaGo memeriksa cara manusia bermain Go, kemudian cuba memikirkan dan meniru corak permainan yang berjaya.

Penyelidik DeepMind kemudiannya mencipta AlphaGo Zero, versi AlphaGo yang lebih baik yang menggunakan pembelajaran tetulang, satu kaedah yang memerlukan input manusia sifar. AlphaGo Zero diajar kaedah asas Go dan belajar permainan dengan bermain melawan dirinya sendiri banyak kali. Dan AlphaGo Zero mengalahkan pendahulunya 100 kepada sifar.

Permainan papan mempunyai batasan, walaupun. Pertama, mereka berpusing, yang bermaksud AI tidak berada dalam tekanan untuk membuat keputusan dalam persekitaran yang sentiasa berubah. Kedua, AI mempunyai akses kepada semua maklumat dalam persekitaran (dalam kes ini lembaga) dan tidak perlu membuat tekaan atau mengambil risiko berdasarkan faktor yang tidak diketahui.

Memandangkan ini, AI yang dipanggil Libratus membuat penemuan seterusnya dalam penyelidikan kecerdasan buatan dengan mengalahkan pemain terbaik di poker Texas Hold 'Em. Dibangunkan oleh penyelidik di Carnegie Mellon, Libratus menunjukkan bahawa AI dapat bersaing dengan manusia dalam situasi di mana ia mempunyai akses kepada maklumat separa. Libratus menggunakan beberapa teknik AI untuk belajar poker dan memperbaiki permainannya kerana ia mengkaji taktik lawan manusia.

Permainan video masa nyata adalah perbatasan seterusnya untuk AI, dan OpenAI bukan satu-satunya organisasi yang terlibat dalam bidang ini. Facebook telah menguji pengajaran AI untuk memainkan permainan strategi masa nyata StarCraft, dan DeepMind telah membangunkan AI yang boleh memainkan permainan penembak pertama orang Quake III. Setiap permainan membentangkan satu set cabaran sendiri, tetapi penyebut biasa adalah bahawa mereka semua hadir AI dengan persekitaran di mana mereka perlu membuat keputusan dalam masa nyata dan dengan maklumat yang tidak lengkap. Lebih-lebih lagi, mereka memberikan AI arena di mana ia dapat menguji kekuatannya terhadap pasukan penentang dan belajar kerja berpasukan sendiri.

Buat masa ini, tiada siapa yang telah membangunkan AI yang boleh mengalahkan pemain profesional. Tetapi hakikat bahawa AI bersaing dengan manusia pada permainan yang kompleks ini menunjukkan sejauh mana kami telah datang ke lapangan.

Permainan Membangunkan AI dalam Bidang Lain

Walaupun saintis telah menggunakan permainan sebagai testbeds untuk membangunkan teknik AI baru, pencapaian mereka tidak terhad kepada permainan. Malah, permainan AIs telah membuka jalan untuk inovasi dalam bidang lain.

Pada tahun 2011, IBM memperkenalkan superkomputer yang mampu pemprosesan dan generasi bahasa semulajadi (NLG / NLP) dan dinamakan sempena nama eksekutif syarikatnya, Thomas J Watson. Komputer ini memainkan permainan kuiz TV terkenal Jeopardy terhadap dua pemain terbaik dunia dan menang. Watson kemudiannya menjadi asas untuk perkhidmatan besar AI oleh IBM dalam pelbagai domain termasuk penjagaan kesihatan, keselamatan siber, dan ramalan cuaca.

DeepMind menggunakan pengalamannya daripada mengembangkan AlphaGo menggunakan AI di bidang lain di mana pembelajaran tetulang dapat membantu. Syarikat itu melancarkan projek dengan National Grid UK untuk menggunakan AlphaGo pintar untuk meningkatkan kecekapan grid kuasa British. Google, syarikat induk DeepMind, juga menggunakan teknik ini untuk mengurangkan harga elektrik pusat data yang besar dengan mengautomasikan kawalan penggunaan perkakasan yang berbeza. Google juga menggunakan pembelajaran tetulang untuk melatih robot yang akan mengendalikan objek pada satu hari di kilang-kilang.

• Kecerdasan Buatan Mempunyai Masalah Bias, dan Ia Kecerdasan Buatan Kecederaan Kami Mempunyai Masalah Bias, dan Ini Kesalahan Kita
• Perisikan Buatan IBM Mengambil Perbahuan Manusia Champs IBM Kecerdasan Buatan Membawa Champs Debat Manusia
• Kenapa AI Mesti Nyatakan Itu AI Kenapa AI Mesti Nyatakan Itu AI

Libratus , bermain AI poker, mungkin membantu mengembangkan jenis algoritma yang boleh membantu dalam pelbagai situasi seperti rundingan politik dan lelong, di mana AI perlu mengambil risiko dan membuat pengorbanan jangka pendek untuk keuntungan jangka panjang.

Saya amat berharap untuk melihat bagaimana OpenAI Five akan tampil dalam pertandingan Dota 2 Ogos. Walaupun saya tidak berminat sama ada rangkaian saraf dan pemajunya membawa pulang hadiah $ 15 juta, saya berminat untuk melihat apa yang tingkap baharu pencapaiannya akan dibuka.