Max Home IndustryПохоже, это еще одна вещь, о которой следует беспокоиться, если это так, вы беспокоитесь о том, что ИИ захватит мир. Возможно, мы привыкли к тому, что ИИ учится побеждать людей в аркадных играх и даже в Chess and Go, но теперь он учится программировать игры, просто наблюдая.
Это интересно и имеет практическое применение, но это не тот прорыв в области искусственного интеллекта, к которому мы привыкли с нейронными сетями всех типов, хотя некоторые отчеты заставляют нас так думать.
Исследование, представленное на Международной совместной конференции по искусственному интеллекту 19-25 августа в Мельбурне, Австралия, относится к гораздо более структурированному подходу и опирается на заранее спроектированные фреймворки. До того, как нейронные сети начали развиваться, таким был ИИ, и нет причин отказываться от такого подхода. Для многих задач это действительно лучше. Во-первых, он учится намного быстрее, чем общие подходы к ИИ, предполагающие длительное и дорогостоящее обучение.
Что я имею в виду под «заранее спроектированными» фреймворками?
В этом случае программе был предоставлен набор изображений спрайтов, которые она могла использовать для поиска спрайтов в видеозаписи игры. Затем он смог вывести правила, по которым движется спрайт. По сути, он выводил набор правил стиля if..then для движения каждого спрайта. Это обеспечивает основу для среды, обучение которой с нуля потребовало бы много времени и обучения. В результате ИИ изучил игру менее чем за 2 минуты, просмотрев видео игры, которая проходила от начала до конца.
По словам Мэтью Гуздиала, ведущего исследователя и доктора философии. студент факультета информатики в Entertainment Intelligence Lab Технологического института Джорджии:
«Наш ИИ создает прогностическую модель без доступа к коду игры и делает значительно более точные предсказания будущих событий, чем у сверточных нейронных сетей. Одно видео не создаст идеального клона игрового движка, но, обучив ИИ всего на нескольких дополнительных видео, вы получите что-то очень близкое ».
Обратите внимание, что хотя правила были получены из видео, при применении к игровому движку они создали версию игры, в которую можно было играть, и которая была признана хорошей копией.
Хотя достижение важно и полезно, оно не так впечатляюще, как вы могли подумать. Это не нейронная сеть, которой показывают видеоигру, и она учится строить программу в правильном смысле. Команда действительно пробовала нейронную сеть в той же задаче предсказания следующего кадра в видеопоследовательности, и им пришлось уменьшить разрешение, но все равно это не очень хорошо.
Это иллюстрирует полезность метода. Если вы можете структурировать решение проблемы, подобной ИИ, это может привести к чему-то, что работает намного лучше.