از ابتدای اولین روزهای شطرنج و بازی یک نفره مجازی ، بازی های ویدئویی زمینه ای برای پیشرفت هوش مصنوعی (AI) بوده اند. هر پیروزی ماشین در برابر انسان کمک کرده است که الگوریتم ها باهوش تر و کارآمد تر شوند. اما برای رفع مشکلات دنیای واقعی - مانند خودکارسازی کارهای پیچیده از جمله رانندگی و مذاکره - این الگوریتم ها باید در محیط های پیچیده تر از بازی های تخته حرکت کنند و کار تیمی را بیاموزند. تا به امروز آموزش هوش مصنوعی نحوه کار و تعامل با سایر بازیکنان برای موفقیت یک کار غیرقابل تحمل بوده است.
در یک مطالعه جدید ، محققان روشی را برای آموزش الگوریتم های هوش مصنوعی برای دستیابی به سطح عملکرد انسان در یک بازی چند نفره محبوب 3 بعدی - یک نسخه اصلاح شده از Quake III Arena در حالت Capture the Flag شرح دادند.
اگرچه وظیفه این بازی سر راست است - دو تیم مقابل با جابجایی نقشه می توانند پرچم های یکدیگر را ضبط کنند - برنده خواستار تصمیم گیری پیچیده و توانایی پیش بینی و پاسخ به عملکرد سایر بازیکنان است.
این اولین بار است که هوش مصنوعی در یک بازی ویدئویی شخص اول به مهارتهای شبیه به انسان دست می یابد . بنابراین محققان چگونه این کار را کردند؟
منحنی یادگیری ربات
در سال 2019 ، چندین نقطه عطف در تحقیقات AI در سایر بازی های استراتژی چند نفره به دست آمده است. پنج بازیکن "باتوم" که تحت کنترل AI قرار دارند - در بازی DOTA 2. یک e-spor حرفه ای را شکست دادند ... بازیکنان حرفه ای انسانی نیز در بازی StarCraft II توسط یک AI مورد ضرب و شتم قرار گرفتند . در همه موارد ، نوعی یادگیری تقویت کننده بود. اعمال می شود ، به موجب آن الگوریتم با آزمایش و خطا و با تعامل با محیط خود یاد می گیرد.
پنج ربات که انسان را در DOTA 2 شکست داد ، از انسانها یاد نگرفتند - آنها فقط با بازی در برابر کلون های خودشان آموزش داده می شدند . پیشرفتی که باعث شد آنها بتوانند بازیکنان حرفه ای را شکست دهند ، ناشی از مقیاس بندی الگوریتم های موجود است . با توجه به سرعت رایانه ، AI می تواند در چند ثانیه بازی انجام دهد که چند دقیقه یا حتی چند ساعت طول می کشد تا انسان بازی کند. این به محققان این امکان را می دهد تا هوش مصنوعی خود را با 45000 سال گیم پلی در طی ده ماه از زمان واقعی آموزش دهند.
Capture the Flag از مطالعه اخیر همچنین یادگیری را از ابتدا آغاز کرد. اما به جای بازی در برابر کلون یکسان خود ، گروهی از 30 ربات ایجاد شده و به موازات سیگنال پاداش داخلی خود آموزش داده می شوند. سپس هر بات در این جمعیت با هم بازی می کنند و از یکدیگر یاد می گیرند. همانطور كه دیوید سیلور - یكی از دانشمندان تحقیقاتی - در این زمینه متذكر می شود ، هوش مصنوعی شروع به "حذف محدودیت های دانش بشری ... و خود دانش می كند".
نمایش تصویری تجسم بازی در یک عامل و همچنین برخی از نمونه های رفتارهای نمونه اولیه. اعتبار: DeepMind
سرعت یادگیری برای انسان هنوز بسیار سریعتر از پیشرفته ترین ... الگوریتم های یادگیری است . هر دو ربات OpenAI و AlphaStar DeepMind (ربات بازی StarCraft II) ارزش گیم پلی هزاران سال قبل از اینکه بتوانند به یک سطح عملکرد انسانی برسند ، ارزش گیم پلی هزاران سال را ریختند. تخمین زده می شود چنین آموزش هایی چندین میلیون دلار هزینه داشته باشد. با این وجود ، هوش مصنوعی خودآموز که قادر به ضرب و شتم انسان ها در بازی خود است ، یک پیشرفت هیجان انگیز است که می تواند نحوه عملکرد ماشین های ما را تغییر دهد.
آینده انسانها و ماشین ها
هوش مصنوعی غالباً جایگزین یا تکمیل کننده قابلیت های انسانی به تصویر کشیده می شود ، اما بندرت به عنوان یک تیم کاملاً متشکل از وظایف انسانی عمل می کند. از آنجا که این آزمایشات بازی های ویدئویی شامل همکاری ماشین و انسان است ، آنها نگاهی اجمالی به آینده می کنند.
نحوه بازی CTF ، همانطور که توسط عوامل نشان داده شده است. اعتبار: DeepMind
بازیکنان Human Capture the Flag این رباتها را بیشتر از سایر انسانها نشان می دادند ، اما بازیکنان DOTA 2 نسبت به هم تیمی های AI واکنش واضحی نشان دادند. برخی کاملاً مشتاق بودند و می گفتند که احساس حمایت می کنند و از بازی کردن در کنار آنها یاد گرفته اند. Sheever ، یک بازیکن حرفه ای DOTA 2 ، در مورد تجربه تیمش با رباتها صحبت کرد: "واقعاً احساس خوبی داشت ؛ [هم تیمی هوش مصنوعی] زندگی خود را برای من در برخی مقطع به دست آورد. او سعی کرد به من کمک کند ، با این فکر که" مطمئن هستم او می داند چه کاری انجام می دهد "و بعد بدیهی است که من نکردم. اما ، می دانید ، او به من ایمان داشت. من با هم تیمی های [انسانی] خیلی زیاد نمی شوم. "
دیگران کمتر مشتاق بودند ، اما از آنجا که ارتباطات ستونی برای هرگونه ارتباط است ، بهبود ارتباطات انسان و ماشین در آینده بسیار مهم خواهد بود. محققان قبلاً بعضی از ویژگی ها را برای تبدیل شدن به ربات ها "دوستانه ترین انسان" از قبیل ساختن بات ها به طور مصنوعی قبل از انتخاب صبر کرده اند.
بیشتر بخوانید: پمپ وکیوم کوچک
ویدئویی از هشت نماینده در حال بازی در حالت بازی یک پرچم-ضبط-پرچم با هم در یک نقشه Quake III Arena محبوب بازیکنان حرفه ای است. اعتبار: DeepMind
اما آیا هوش مصنوعی باید از ما بیاموزد یا به تدریس خود ادامه دهد؟ خودآموزی بدون تقلید از انسانها می تواند به AI و کارآیی و خلاقیت بیشتری آموزش دهد ، اما این می تواند الگوریتم هایی را برای کارهایی که شامل همکاری انسان نیستند ، مانند ذخیره روبات ها ایجاد کند.
از طرف دیگر ، ممکن است استدلال شود که داشتن یک ماشین آموزش دیده از انسان ، شهودی تر خواهد بود - انسانهایی که از چنین هوش مصنوعی استفاده می کنند ، می توانند درک کنند که چرا یک ماشین کاری را انجام داده است. با هوش گرفتن هوش مصنوعی ، همه ما برای شگفتی های بیشتر درگیر هستیم.
از ابتدای اولین روزهای شطرنج و بازی یک نفره مجازی ، بازی های ویدئویی زمینه ای برای پیشرفت هوش مصنوعی (AI) بوده اند. هر پیروزی ماشین در برابر انسان کمک کرده است که الگوریتم ها باهوش تر و کارآمد تر شوند. اما برای رفع مشکلات دنیای واقعی - مانند خودکارسازی کارهای پیچیده از جمله رانندگی و مذاکره - این الگوریتم ها باید در محیط های پیچیده تر از بازی های تخته حرکت کنند و کار تیمی را بیاموزند. تا به امروز آموزش هوش مصنوعی نحوه کار و تعامل با سایر بازیکنان برای موفقیت یک کار غیرقابل تحمل بوده است.
در یک مطالعه جدید ، محققان روشی را برای آموزش الگوریتم های هوش مصنوعی برای دستیابی به سطح عملکرد انسان در یک بازی چند نفره محبوب 3 بعدی - یک نسخه اصلاح شده از Quake III Arena در حالت Capture the Flag شرح دادند.
اگرچه وظیفه این بازی سر راست است - دو تیم مقابل با جابجایی نقشه می توانند پرچم های یکدیگر را ضبط کنند - برنده خواستار تصمیم گیری پیچیده و توانایی پیش بینی و پاسخ به عملکرد سایر بازیکنان است.
این اولین بار است که هوش مصنوعی در یک بازی ویدئویی شخص اول به مهارتهای شبیه به انسان دست می یابد . بنابراین محققان چگونه این کار را کردند؟
منحنی یادگیری ربات
در سال 2019 ، چندین نقطه عطف در تحقیقات AI در سایر بازی های استراتژی چند نفره به دست آمده است. پنج بازیکن "باتوم" که تحت کنترل AI قرار دارند - در بازی DOTA 2. یک e-spor حرفه ای را شکست دادند ... بازیکنان حرفه ای انسانی نیز در بازی StarCraft II توسط یک AI مورد ضرب و شتم قرار گرفتند . در همه موارد ، نوعی یادگیری تقویت کننده بود. اعمال می شود ، به موجب آن الگوریتم با آزمایش و خطا و با تعامل با محیط خود یاد می گیرد.
پنج ربات که انسان را در DOTA 2 شکست داد ، از انسانها یاد نگرفتند - آنها فقط با بازی در برابر کلون های خودشان آموزش داده می شدند . پیشرفتی که باعث شد آنها بتوانند بازیکنان حرفه ای را شکست دهند ، ناشی از مقیاس بندی الگوریتم های موجود است . با توجه به سرعت رایانه ، AI می تواند در چند ثانیه بازی انجام دهد که چند دقیقه یا حتی چند ساعت طول می کشد تا انسان بازی کند. این به محققان این امکان را می دهد تا هوش مصنوعی خود را با 45000 سال گیم پلی در طی ده ماه از زمان واقعی آموزش دهند.
Capture the Flag از مطالعه اخیر همچنین یادگیری را از ابتدا آغاز کرد. اما به جای بازی در برابر کلون یکسان خود ، گروهی از 30 ربات ایجاد شده و به موازات سیگنال پاداش داخلی خود آموزش داده می شوند. سپس هر بات در این جمعیت با هم بازی می کنند و از یکدیگر یاد می گیرند. همانطور كه دیوید سیلور - یكی از دانشمندان تحقیقاتی - در این زمینه متذكر می شود ، هوش مصنوعی شروع به "حذف محدودیت های دانش بشری ... و خود دانش می كند".
نمایش تصویری تجسم بازی در یک عامل و همچنین برخی از نمونه های رفتارهای نمونه اولیه. اعتبار: DeepMind
سرعت یادگیری برای انسان هنوز بسیار سریعتر از پیشرفته ترین ... الگوریتم های یادگیری است . هر دو ربات OpenAI و AlphaStar DeepMind (ربات بازی StarCraft II) ارزش گیم پلی هزاران سال قبل از اینکه بتوانند به یک سطح عملکرد انسانی برسند ، ارزش گیم پلی هزاران سال را ریختند. تخمین زده می شود چنین آموزش هایی چندین میلیون دلار هزینه داشته باشد. با این وجود ، هوش مصنوعی خودآموز که قادر به ضرب و شتم انسان ها در بازی خود است ، یک پیشرفت هیجان انگیز است که می تواند نحوه عملکرد ماشین های ما را تغییر دهد.
آینده انسانها و ماشین ها
هوش مصنوعی غالباً جایگزین یا تکمیل کننده قابلیت های انسانی به تصویر کشیده می شود ، اما بندرت به عنوان یک تیم کاملاً متشکل از وظایف انسانی عمل می کند. از آنجا که این آزمایشات بازی های ویدئویی شامل همکاری ماشین و انسان است ، آنها نگاهی اجمالی به آینده می کنند.
نحوه بازی CTF ، همانطور که توسط عوامل نشان داده شده است. اعتبار: DeepMind
بازیکنان Human Capture the Flag این رباتها را بیشتر از سایر انسانها نشان می دادند ، اما بازیکنان DOTA 2 نسبت به هم تیمی های AI واکنش واضحی نشان دادند. برخی کاملاً مشتاق بودند و می گفتند که احساس حمایت می کنند و از بازی کردن در کنار آنها یاد گرفته اند. Sheever ، یک بازیکن حرفه ای DOTA 2 ، در مورد تجربه تیمش با رباتها صحبت کرد: "واقعاً احساس خوبی داشت ؛ [هم تیمی هوش مصنوعی] زندگی خود را برای من در برخی مقطع به دست آورد. او سعی کرد به من کمک کند ، با این فکر که" مطمئن هستم او می داند چه کاری انجام می دهد "و بعد بدیهی است که من نکردم. اما ، می دانید ، او به من ایمان داشت. من با هم تیمی های [انسانی] خیلی زیاد نمی شوم. "
دیگران کمتر مشتاق بودند ، اما از آنجا که ارتباطات ستونی برای هرگونه ارتباط است ، بهبود ارتباطات انسان و ماشین در آینده بسیار مهم خواهد بود. محققان قبلاً بعضی از ویژگی ها را برای تبدیل شدن به ربات ها "دوستانه ترین انسان" از قبیل ساختن بات ها به طور مصنوعی قبل از انتخاب صبر کرده اند.
بیشتر بخوانید: پمپ وکیوم کوچک
ویدئویی از هشت نماینده در حال بازی در حالت بازی یک پرچم-ضبط-پرچم با هم در یک نقشه Quake III Arena محبوب بازیکنان حرفه ای است. اعتبار: DeepMind
اما آیا هوش مصنوعی باید از ما بیاموزد یا به تدریس خود ادامه دهد؟ خودآموزی بدون تقلید از انسانها می تواند به AI و کارآیی و خلاقیت بیشتری آموزش دهد ، اما این می تواند الگوریتم هایی را برای کارهایی که شامل همکاری انسان نیستند ، مانند ذخیره روبات ها ایجاد کند.
از طرف دیگر ، ممکن است استدلال شود که داشتن یک ماشین آموزش دیده از انسان ، شهودی تر خواهد بود - انسانهایی که از چنین هوش مصنوعی استفاده می کنند ، می توانند درک کنند که چرا یک ماشین کاری را انجام داده است. با هوش گرفتن هوش مصنوعی ، همه ما برای شگفتی های بیشتر درگیر هستیم.
مدل جدیدی برای تولید سؤال گفتگوی بصری