Mengapa mengajar ai bermain game itu penting | ben dickson

OpenAI, lab riset intelijen buatan yang didirikan oleh Sam Altman dan Elon Musk, baru-baru ini menyatakan akan mengirim tim ke Vancouver pada bulan Agustus untuk berpartisipasi dalam turnamen profesional game pertempuran online Dota 2. Tetapi tidak seperti tim lain yang akan bersaing untuk hadiah multi-juta dolar, OpenAI Tim tidak akan melibatkan manusia - setidaknya, tidak secara langsung.

Disebut OpenAI Five, tim ini terdiri dari lima jaringan saraf tiruan yang telah membakar kekuatan komputasi besar Google cloud dan mempraktikkan permainan itu berulang kali, jutaan kali. OpenAI Five telah mengungguli semi-pro di Dota 2 dan akan menguji keberaniannya terhadap 1 persen pemain top yang akan datang Agustus.

Di pertama Sekilas, menghabiskan sumber daya komputasi yang mahal dan bakat AI yang langka untuk mengajar AI bermain game mungkin tampak tidak bertanggung jawab. OpenAI menampung beberapa ilmuwan AI top dunia, yang, menurut The New York Times , mendapatkan gaji tujuh digit. Lagi pula, tidak bisakah mereka bekerja pada masalah yang lebih penting, seperti mengembangkan AI yang dapat melawan kanker atau membuat mobil self-driving lebih aman?

Masuk akal karena bagi sebagian orang tampaknya, permainan telah terbukti menjadi bagian penting dari penelitian AI. Dari catur hingga Dota 2, setiap game yang telah ditaklukkan AI telah membantu kami menemukan landasan baru dalam ilmu komputer dan bidang lainnya.

Game Bantu Lacak Kemajuan AI

Sejak awal gagasan kecerdasan buatan pada 1950-an, permainan telah menjadi cara yang efisien untuk mengukur kapasitas AI. Mereka sangat nyaman dalam menguji kapasitas AI baru teknik, karena Anda dapat mengukur kinerja AI dengan skor numerik dan hasil menang-kalah dan membandingkannya dengan manusia atau AI lainnya.

Game pertama yang peneliti coba kuasai melalui AI adalah catur, yang pada hari-hari awal dianggap sebagai ujian akhir dari kemajuan di lapangan. Pada tahun 1996, IBM Deep Blue adalah komputer pertama yang mengalahkan juara dunia (Garry Kasparov) dalam catur. AI di belakang Deep Blue menggunakan metode brute-force yang menganalisis jutaan sekuens sebelum bergerak.

Sementara metode ini memungkinkan Deep Blue menguasai catur, itu tidak cukup efektif untuk mengatasi permainan papan yang lebih rumit. Menurut standar hari ini, itu dianggap kasar. Ketika Deep Blue mengalahkan Kasparov, seorang ilmuwan mengatakan bahwa perlu waktu seratus tahun lagi sebelum AI bisa menaklukkan permainan Cina kuno Go, yang memiliki gerakan lebih mungkin daripada jumlah atom di alam semesta.

Tetapi pada tahun 2016, para peneliti di perusahaan AI milik Google, DeepMind menciptakan AlphaGo, AI yang bermain untuk mengalahkan Lee Sedol, juara dunia, 4 banding 1 dalam kompetisi lima pertandingan. AlphaGo menggantikan metode brute force Deep Blue dengan pembelajaran mendalam, teknik AI yang bekerja dengan cara yang jauh lebih mirip dengan cara kerja otak manusia. Alih-alih memeriksa setiap kombinasi yang mungkin, AlphaGo meneliti cara manusia bermain Go, lalu mencoba mencari tahu dan meniru pola gameplay yang sukses.

Para peneliti DeepMind kemudian menciptakan AlphaGo Zero, versi perbaikan dari AlphaGo yang menggunakan pembelajaran penguatan, sebuah metode yang membutuhkan input manusia nol. AlphaGo Zero diajari aturan dasar Go dan belajar permainan dengan bermain melawan dirinya sendiri berkali-kali. Dan AlphaGo Zero mengalahkan 100 pendahulunya menjadi nol.

Permainan papan memiliki keterbatasan. Pertama, mereka berbasis giliran, yang berarti AI tidak berada di bawah tekanan untuk membuat keputusan dalam lingkungan yang berubah terus-menerus. Kedua, AI memiliki akses ke semua informasi di lingkungan (dalam hal ini dewan) dan tidak harus membuat tebakan atau mengambil risiko berdasarkan faktor yang tidak diketahui.

Mempertimbangkan hal ini, AI yang bernama Libratus membuat terobosan berikutnya dalam penelitian kecerdasan buatan dengan mengalahkan pemain terbaik di poker Texas Hold 'Em. Dikembangkan oleh para peneliti di Carnegie Mellon, Libratus menunjukkan bahwa AI dapat bersaing dengan manusia dalam situasi di mana ia memiliki akses ke informasi parsial. Libratus menggunakan beberapa teknik AI untuk belajar poker dan meningkatkan gameplay-nya ketika memeriksa taktik lawan manusianya.

Video game real-time adalah perbatasan berikutnya untuk AI, dan OpenAI bukan satu-satunya organisasi yang terlibat di lapangan. Facebook telah menguji pengajaran AI untuk memainkan game strategi real-time StarCraft, dan DeepMind telah mengembangkan AI yang dapat memainkan game first-person shooter Quake III. Setiap permainan menyajikan serangkaian tantangannya sendiri, tetapi denominator yang umum adalah bahwa semuanya menghadirkan AI dengan lingkungan di mana mereka harus membuat keputusan secara real time dan dengan informasi yang tidak lengkap. Selain itu, mereka memberikan AI sebuah arena di mana ia dapat menguji kekuatannya melawan tim lawan dan belajar kerja tim itu sendiri.

Untuk saat ini, belum ada yang mengembangkan AI yang dapat mengalahkan pemain profesional. Tetapi fakta bahwa AI bersaing dengan manusia di permainan yang begitu rumit menunjukkan seberapa jauh kita telah sampai di lapangan.

Game Bantu Kembangkan AI di Bidang Lain

Sementara para ilmuwan telah menggunakan game sebagai testbeds untuk mengembangkan teknik AI baru, pencapaian mereka tidak terbatas pada game. Faktanya, AI gameplay telah membuka jalan bagi inovasi di bidang lain.

Pada 2011, IBM memperkenalkan superkomputer yang mampu memproses dan menghasilkan bahasa alami (NLG / NLP) dan dinamai seperti mantan CEO perusahaan Thomas J Watson. Komputer memainkan game kuis acara TV terkenal Jeopardy melawan dua pemain terbaik dunia dan menang. Watson kemudian menjadi dasar untuk garis besar layanan AI oleh IBM di berbagai domain termasuk perawatan kesehatan, keamanan siber, dan ramalan cuaca.

DeepMind menggunakan pengalamannya dari mengembangkan AlphaGo untuk menggunakan AI di bidang lain di mana pembelajaran penguatan dapat membantu. Perusahaan meluncurkan proyek dengan National Grid UK untuk menggunakan AlphaGo kecerdasan untuk meningkatkan efisiensi jaringan listrik Inggris. Google, perusahaan induk DeepMind, juga menggunakan teknik ini untuk memangkas biaya listrik pusat data besarnya dengan mengotomatiskan kontrol konsumsi perangkat kerasnya yang berbeda. Google juga menggunakan pembelajaran penguatan untuk melatih robot yang suatu hari nanti akan menangani objek di pabrik.

• Kecerdasan Buatan Memiliki Masalah Bias, dan Ini Kesalahan Kita Kecerdasan Buatan Memiliki Masalah Bias, dan Ini Kesalahan Kita
• Inteligensi Buatan IBM Membawa Champs Debat Manusia IBM Inteligensi Buatan Membawa Manusia Champs
• Mengapa AI Harus Mengungkap Bahwa Itu AI Mengapa AI Harus Mengungkap Bahwa Itu AI

Libratus , AI yang bermain poker, mungkin membantu mengembangkan jenis algoritme yang dapat membantu dalam berbagai situasi seperti negosiasi dan pelelangan politik, di mana AI harus mengambil risiko dan membuat pengorbanan jangka pendek untuk keuntungan jangka panjang.

Saya ingin melihat bagaimana OpenAI Five akan tampil di kompetisi Dota 2 Agustus. Meskipun saya tidak terlalu tertarik pada apakah jaringan saraf dan pengembangnya membawa pulang hadiah $ 15 juta, saya tertarik untuk melihat jendela baru apa saja yang pencapaiannya akan terbuka.