Egy másik Deep Mind Victory: a sakk és a go után a mesterséges intelligencia meghódította a StarCraftot

2017 novemberében, azaz egy kicsit több mint egy évvelKorábban írtuk, hogy a mesterséges intelligencia még nem képes legyőzni a StarCraft professzionális játékosait. De kevesebb, mint egy év, mivel ez az akadály megtörtént. A múlt hónapban Londonban, a DeepMind angol mesterséges intelligenciaosztályából álló csapat csendben új sarkalatot hozott az emberek és a számítógépek összeütközésében. Csütörtökön ez a teljesítmény a YouTube-on háromórás patakban tárt fel, amelynek során az emberek és a robotok harcoltak az életért és a halálért.

DeepMind legyőzte az embereket a StarCraftban

DeepMind sugárzása megmutatta, hogy a robotjaMesterséges intelligencia Az AlphaStar egy professzionális játékosot bonyolít le egy komplex valós idejű stratégiában (RTS) StarCraft II. Az emberiség bajnoka, 25 éves Grzegorz Komints Lengyelországból, 5: 0 ponttal repült el. Úgy tűnik, hogy a gépi tanulási szoftver olyan stratégiákat talált, amelyek ismeretlenek a szakemberek számára, akik több millió nyereményért versenyeznek, amelyet évente adnak ki az e-sport világának egyik legjövedelmezőbb játékában.

</ p>

- Nem olyan volt, mint bármelyik StarCraft, amit játszottam - mondta Comince, egy jól ismert profi néven MaNa.

A DeepMind feat a legnehezebb hosszúa versenyek láncát, amelyet a számítógépek az emberek világának a játékokban, és amelyekben megnyerték a legjobbakat. Dáma 1994-ben esett, sakk 1997-ben, 2016-ban az AlphaGo meghódította a játékot. A StarCraft robot a legerősebb játékos a mesterséges intelligencia világában; és megérkezett az érkezés.

Az AlphaStar körülbelül hat évvel ezelőtt megjelentgépi tanulási történelem. Bár az AlphaGo 2016-os győzelmének túlnyomó többsége volt, a szakértők úgy vélték, hogy ez a pillanat legalább tíz évvel később következik be - az AlphaStar győzelme többé-kevésbé ütemezetten érkezett. Mostanáig nyilvánvaló, hogy elegendő adat- és számítási teljesítmény mellett a gépi tanulás megbirkózik a komplex, de konkrét problémákkal.

Mark Riedl, egyetemi docens, a Technológiai IntézetGrúzia találta a csütörtök hírét izgalmas, de nem fantasztikus. „Már elérkeztünk erre a pontra, így csak idő kérdése volt. Bizonyos értelemben unalmas volt megnyerni az embereket a játékokban.

A videojátékok, mint a StarCraft matematikailag nehezebbek,mint a sakk vagy menj. Az érvényes táblák száma a go kártyán 170 nullával, a StarCraft egyenérték pedig 1, 270 nullával, nem kevesebb. A StarCraft katonai egységeinek létrehozása és kezelése a játékosok számára számos más művelet kiválasztását és végrehajtását, valamint döntést hoz az ellenfél minden lépése nélkül.

A DeepMind leküzdte ezeket a meredek akadályokaterőteljes TPU chipek, amelyeket a Google feltalált, hogy növelje a gépi tanulás erejét. A vállalat adaptált algoritmusokat dolgozott ki a szövegszerkesztéshez, hogy meghatározza a győzelemhez vezető csatatéren fellépő intézkedéseket. Az AlphaStar a StarCrafton tanulmányozta a félmillió játékot az emberek között, majd folyamatosan fejlődő klónokkal játszott egy virtuális bajnokságban, amely egyfajta digitális evolúció. A legjobb botok, amelyek ebben a bajnokságban jelentek meg, a 200 éves játékidővel megegyező tapasztalattal rendelkeztek.

Az AlphaStar, amely legyőzte a MaNa-t, messze vanzapped. Jelenleg a robot csak a StarCraftban elérhető három verseny közül csak egyet tud játszani. A játék embertelenül hosszú tapasztalata mellett a DeepMind másképp is érzékeli ezt a játékot. Mindent lát, ami egyszerre történik a játékban, míg MaNa-nak át kellett mozognia a térképen, hogy megnézze, mi történik. Az AlphaStar nagyobb pontossággal rendelkezik az ellenőrző és célzó egységeknél, mint egy személy, aki rendelkezik számítógépes egérrel, bár a számítógép reakcióideje kisebb, mint egy profi játékosé.

E hibák ellenére Riedl és más szakértőkteljes mértékben üdvözölte a DeepMind munkáját. „Nagyon lenyűgöző volt” - mondja Jie Tan, egy független AI kutatóintézet az OpenAI-nál, aki olyan robotokon dolgozik, amelyek Dota 2-t játszanak, a világ legjövedelmezőbb e-sportjátékát. Az ilyen videojáték-mutatók potenciálisan előnyös mellékhatásokkal rendelkezhetnek. Az OpenAI által a múlt évben a mesterképzéshez használt algoritmusok és kódok változatos sikerrel lettek adaptálva, hogy a robotok kezeit könnyebbé tegyék.

Az AlphaStar azonban szemlélteti a korlátozástmodern, magasan szakosodott gépi tanulási rendszerek, mondja Julian Togelius, a New York-i Egyetem professzora és egy nemrégiben megjelent könyv a mesterséges intelligenciáról. Ellentétben az emberi ellenfelével, az új DeepMind bajnok nem tud teljes erővel játszani a különböző játékkártyákon vagy a különböző idegen versenyeken egy olyan játékban, ahol nincs további kiegészítő képzés. Ő sem játszhat kockákat, sakkokat vagy korábbi StarCraft verziókat.

Ez az a képtelenség, hogy még kicsiekkel is megbirkózzona meglepetés problémája számos várt AI alkalmazásnak, mint például az autonóm autóknak vagy az alkalmazkodó botoknak, amelyek a kutatók általános mesterséges intelligenciát (AGI) hívnak. Egy jelentősebb csata az ember és a gép között egyfajta decathlon lehet, társasjátékokkal, videojátékokkal és Dungeons és Dragons döntőjével.

A magasan szakosodott korlátozásokÚgy tűnt, hogy a mesterséges intelligencia megnyilvánul, amikor MaNa példaértékű játékot játszott az AlphaStar ellen, amely csak egy személytípusonként, egyszerre négyzetből állt. A DeepMind adatok azt mutatják, hogy szinte ugyanolyan jó, mint az öt játékban MaNa-t.

Egy új bot gyorsan összeszerelt egy hadsereget, amely elég erős voltaz emberi riválisa összeomlik, de a MaNa okos manővereket használt, és legyőzte a tapasztalatokat az AI erők megtartása érdekében. A késedelem időt adott neki, hogy összegyűjtse a saját csapatait és nyerjen.

Ha érdekesebb híreket talál, olvassa el Zenben.