Hvorfor undervise ai i at spille spil er vigtigt | ben dickson

OpenAI, det kunstige intelligensforskningslaboratorium, der blev grundlagt af Sam Altman og Elon Musk, erklærede for nylig, at det ville sende et hold til Vancouver i august for at deltage i en professionel turnering i det berømte online kampspil Dota 2. Men i modsætning til andre hold, der vil være der konkurrerer om prisen på flere millioner dollars, OpenAI s holdet involverer ingen mennesker - i det mindste ikke direkte.

Holdet kaldet OpenAI Five, og teamet består af fem kunstige neurale netværk, der har brændt gennem den enorme computerkraft fra Googles sky og øvet spillet flere og flere millioner gange. OpenAI Five har allerede bestilt semi-proffere på Dota 2 og tester sin måling mod de øverste 1 procent af spillerne kommer i august.

På først blik, at bruge dyre databehandlingsressourcer og knappe AI-talent til at lære AI at spille spil kan virke uansvarligt. OpenAI huser nogle af verdens bedste AI-videnskabsfolk, der ifølge The New York Times tjener syvcifret løn. Tross alt, kan de ikke arbejde på vigtigere problemer, såsom at udvikle AI, der kan bekæmpe kræft eller gøre selvkørende biler mere sikre?

Absurd, som det kan synes for nogle, har spil vist sig at være en vigtig del af AI-forskningen. Fra skak til Dota 2 har hvert spil, som AI erobret, hjulpet os med at bryde nyt grundlag inden for datalogi og andre områder.

Spil Hjælp Spore udviklingen af ​​AI

Siden starten af ​​ideen om kunstig intelligens i 1950'erne har spil været en effektiv måde at måle AI's kapacitet på. De er især praktiske til at teste kapaciteten til ny AI teknikker, fordi du kan kvantificere AI's ydelse med numeriske scoringer og win-tab-resultater og sammenligne den med mennesker eller anden AI.

Det første spil, som forskerne forsøgte at mestre gennem AI, var skak, som i de tidlige dage blev betragtet som den ultimative test for fremskridt på området. I 1996 var IBMs Deep Blue den første computer, der besejrede en verdensmester (Garry Kasparov) i skak. AI bag Deep Blue brugte en brute-force-metode, der analyserede millioner af sekvenser, før de gjorde et skridt.

Mens metoden gjorde det muligt for Deep Blue at mestre skak, var den intetsteds nær effektiv nok til at tackle mere komplicerede brætspil. Efter dagens standarder betragtes det som rå. Da Deep Blue besejrede Kasparov, bemærkede en videnskabsmand, at det ville tage yderligere hundrede år, før AI kunne erobre det gamle kinesiske spil Go, som har flere mulige bevægelser end antallet af atomer i universet.

Men i 2016 skabte forskere ved det Google-ejede AI-selskab DeepMind AlphaGo, en Go-playing AI, der slog Lee Sedol, verdensmesteren, 4 til 1 i en femkampkonkurrence. AlphaGo erstattede brute-force-metoden Deep Blue med dyb læring, en AI-teknik, der fungerer på en meget mere lignende måde, som den menneskelige hjerne fungerer. I stedet for at undersøge enhver mulig kombination undersøgte AlphaGo, hvordan mennesker spillede Go, og prøvede derefter at finde ud af og gentage vellykkede gameplay-mønstre.

Forskerne fra DeepMind skabte senere AlphaGo Zero, en forbedret version af AlphaGo, der brugte forstærkningslæring, en metode, der krævede nul menneskelig input. AlphaGo Zero blev lært de grundlæggende regler for Go og lærte spillet ved at spille mod sig selv utallige gange. Og AlphaGo Zero slog sin forgænger 100 til nul.

Brætspil har dog begrænsninger. For det første er de turn-based, hvilket betyder, at AI ikke er under belastning for at træffe beslutninger i et miljø, der konstant ændrer sig. For det andet har AI adgang til alle oplysninger i miljøet (i dette tilfælde bestyrelsen) og behøver ikke at gætte eller tage risici baseret på ukendte faktorer.

I betragtning af dette gjorde en AI kaldet Libratus det næste gennembrud inden for kunstig intelligensforskning ved at slå de bedste spillere på Texas Hold 'Em poker. Udviklet af forskere ved Carnegie Mellon viste Libratus, at AI kan konkurrere med mennesker i situationer, hvor det har adgang til delvis information. Libratus brugte adskillige AI-teknikker til at lære poker og forbedre sin gameplay, da den undersøgte taktik for sine menneskelige modstandere.

Realtids videospil er den næste grænse for AI, og OpenAI er ikke den eneste organisation, der er involveret i feltet. Facebook har testet at lære AI at spille det realtidsstrategispil StarCraft, og DeepMind har udviklet en AI, der kan spille det første person shooter-spil Quake III. Hvert spil præsenterer sit eget sæt udfordringer, men fællesnævneren er, at alle dem præsenterer AI med miljøer, hvor de er nødt til at tage beslutninger i realtid og med ufuldstændig information. Derudover giver de AI en arena, hvor den kan teste sin styrke mod et hold af modstandere og lære teamwork selv.

Indtil videre havde ingen udviklet AI, der kan slå professionelle spillere. Men selve det faktum, at AI konkurrerer med mennesker i sådanne komplekse spil, viser, hvor langt vi er kommet i marken.

Spil Hjælp med at udvikle AI på andre områder

Mens forskere har brugt spil som testbade til at udvikle nye AI-teknikker, har deres resultater ikke været begrænset til spil. Faktisk har gameplaying AI'er banet vejen for innovationer på andre områder.

I 2011 introducerede IBM en supercomputer, der var i stand til naturlig sprogbehandling og -generering (NLG / NLP) og blev opkaldt efter selskabets tidligere CEO Thomas J Watson. Computeren spillede det berømte tv-show quiz-spil Jeopardy mod to af verdens bedste spillere og vandt. Watson blev senere grundlaget for en enorm linje af AI-tjenester fra IBM inden for forskellige domæner, herunder sundhedsydelser, cybersikkerhed og vejrprognose.

DeepMind bruger sin erfaring fra at udvikle AlphaGo til at bruge AI på andre områder, hvor forstærkningslæring kan hjælpe. Virksomheden lancerede et projekt med National Grid UK for at bruge AlphaGo s smarts for at forbedre effektiviteten af ​​det britiske elnettet. Google, DeepMinds moderselskab, anvender også teknikken til at skære strømomkostningerne i sine enorme datacentre ved at automatisere forbrugskontrollen for dens forskellige hardware. Google bruger også forstærkningslæring til at træne robotter, der en dag vil håndtere genstande i fabrikker.

• Kunstig intelligens har et bias-problem, og det er vores fejl Kunstig intelligens har et bias-problem, og det er vores fejl
• IBM kunstig intelligens tager sigte på menneskelige debattchampe IBM kunstig intelligens tager hensyn til menneskelige debattmestre
• Hvorfor AI skal afsløre, at det er AI, hvorfor AI skal afsløre, at det er AI

Libratus , den poker-spillende AI, kan hjælpe med at udvikle den slags algoritmer, der kan hjælpe i forskellige situationer, såsom politiske forhandlinger og auktioner, hvor AI er nødt til at tage risici og ofre kortvarige ofre for langsigtede gevinster.

Jeg glæder mig for det første at se, hvordan OpenAI Five vil klare sig i august's Dota 2-konkurrence. Selvom jeg ikke er særlig interesseret i, om de neurale netværk og dens udviklere tager prisen $ 15 millioner hjem, er jeg ivrig efter at se, hvilke nye vinduer dens resultater vil åbne.