Ένας επιστήμονας από το Πανεπιστήμιο του Πεκίνου δημοσίευσε πρόσφατα μια προτύπωση ενός επιστημονικού άρθρου με λεπτομέρειες
Ποια είναι η ουσία
Οι περισσότερες έρευνες στο είδος“επιδίωξη-αποφυγή” στην τεχνητή νοημοσύνη και τη θεωρία παιγνίων ασχολούνται με τη διδασκαλία μηχανών να εξερευνούν το διάστημα. Δεδομένου ότι το μεγαλύτερο μέρος της εκπαίδευσης AI περιλαμβάνει ένα σύστημα που ανταμείβει τη μηχανή για την επίτευξη ενός στόχου, οι προγραμματιστές χρησιμοποιούν συχνά το gamification ως κίνητρο για μάθηση.
Με άλλα λόγια, δεν μπορείτε απλώς να κολλήσετε ένα ρομπότ σε ένα δωμάτιο και να πείτε “κάντε αυτό”. Πρέπει να του δώσεις στόχους και λόγο για να τους πετύχει. Να γιατίοι ερευνητές αναπτύσσουν τεχνητή νοημοσύνη που από τη φύση της επιδιώκει να ανταμείψει.
Οι προκλήσεις του παραδοσιακού περιβάλλοντος εκπαίδευσης νοημοσύνηςΈνας πράκτορας AI είναι επιφορτισμένος με το χειρισμό ψηφιακών μοντέλων για να εξερευνήσει το διάστημα μέχρι να ολοκληρώσει τους στόχους του ή να βρει μια ανταμοιβή. Θυμίζει το Pac Man: το AI πρέπει να κινείται στο περιβάλλον μέχρι να φάει όλα τα πέλλετ ανταμοιβής.
Ιστορικό του ζητήματος
Από τότε που τα συστήματα AI της DeepMindκατέκτησε το σκάκι και πήγαινε, το SCII έγινε το κύριο περιβάλλον εκπαίδευσης για ανταγωνιστική τεχνητή νοημοσύνη. Είναι ένα παιχνίδι στο οποίο οι παίκτες, η τεχνητή νοημοσύνη ή οι συνδυασμοί παικτών και η τεχνητή νοημοσύνη αντιτίθενται ο ένας στον άλλο.
Αλλά το πιο σημαντικό, το DeepMind και άλλοιερευνητικοί οργανισμοί έχουν ήδη κάνει τη σκληρή δουλειά για να μετατρέψουν τον πηγαίο κώδικα του παιχνιδιού σε παιδική χαρά με τεχνητή νοημοσύνη με πολλά μίνι παιχνίδια που επιτρέπουν στους προγραμματιστές να επικεντρωθούν στη δουλειά τους.
Ο ερευνητής Xun Huang, ο προαναφερόμενος επιστήμοναςαπό το Πανεπιστήμιο του Πεκίνου, ξεκίνησε να μελετήσει το “παράδειγμα επιδίωξης-αποφυγής” για την εκπαίδευση μοντέλων AI. Αλλά ανακάλυψα ότι το μοντέλο SCII έχει ορισμένους περιοριστικούς περιορισμούς: στην ενσωματωμένη έκδοση του παιχνιδιού “pursuit-evasion” Ο έλεγχος των διωκτών μπορεί να ανατεθεί μόνο σε AI.
Το βασικό καθεστώς περιλαμβάνει τρεις επιδίωξηχαρακτήρας (που αντιπροσωπεύονται από τους στρατιώτες του παιχνιδιού) και 25 χαρακτήρες αποφυγής (που αντιπροσωπεύονται από τους εξωγήινους του παιχνιδιού). Υπάρχει επίσης μια λειτουργία που χρησιμοποιεί το “ομίχλη του πολέμου” να σκουρύνει τον χάρτη, καθιστώντας δύσκολο για τον διώκτη να εντοπίσει και να καταστρέψει τον αποφυγή, αλλά σύμφωνα με έρευνες, πρόκειται για λειτουργία 1V1.
Αστεία αλλά βασική συμπεριφορά 25Η στρατηγική των Dodgers είναι να παραμείνουν ακίνητοι όπου κι αν εμφανιστούν και στη συνέχεια να επιτεθούν επί τόπου στους διώκτες τους. Δεδομένου ότι οι διώκτες είναι πολύ ισχυρότεροι από τους αποφεύγοντες, αυτό έχει ως αποτέλεσμα την αναμενόμενη καταστροφή του κάθε διαφυγόντα αμέσως μετά τον εντοπισμό.
Προοπτικές
Το άρθρο του Huang περιγράφει το παράδειγμα λεπτομερώςΕκπαίδευση τεχνητής νοημοσύνης στο περιβάλλον SCII, η οποία επικεντρώνεται στη διδασκαλία της τεχνητής νοημοσύνης να αποφεύγει τους διώκτες. Στην έκδοσή τους, το AI προσπαθεί να κρυφτεί στην «ομίχλη του πολέμου» για να αποφύγει τη σύλληψη και τον θάνατο.
Αυτή είναι μια συναρπαστική μελέτη που χρησιμοποιείβιντεοπαιχνίδια που θα μπορούσαν να έχουν τεράστιες επιπτώσεις στον πραγματικό κόσμο. Οι πιο προηγμένοι στρατιωτικοί οργανισμοί του κόσμου χρησιμοποιούν βιντεοπαιχνίδια για την εκπαίδευση ανθρώπων. Και οι προγραμματιστές τεχνητής νοημοσύνης χρησιμοποιούν αυτά τα περιβάλλοντα μάθησης για να προετοιμάσουν τους εγκεφάλους της τεχνητής νοημοσύνης για ζωή μέσα σε ένα πραγματικό ρομπότ.
Καθαρά θεωρητικά, το έργο του Huang φαίνεταισυναρπαστικός. Φανταστείτε όμως ένα ρομπότ Boston Dynamics, προικισμένο με την ικανότητα όχι μόνο να τρέχει και να πηδά γύρω από την τοποθεσία, αλλά να αποφεύγει σκόπιμα την καταδίωξη από μια ομάδα ειδικών δυνάμεων.
Πηγή: arxiv, deepmind, thenextweb
Εικονογράφηση: goodfon
</ p>