Perché insegnare ai ai a giocare è importante | ben Dickson

OpenAI, il laboratorio di ricerca sull'intelligenza artificiale fondato da Sam Altman ed Elon Musk, ha recentemente dichiarato che avrebbe inviato una squadra a Vancouver ad agosto per partecipare a un torneo professionale del famoso gioco di battaglia online Dota 2. Ma a differenza di altre squadre che saranno in competizione per il premio multimilionario, OpenAI di la squadra non coinvolgerà umani, almeno non direttamente.

Chiamato OpenAI Five, il team è composto da cinque reti neurali artificiali che hanno bruciato l'enorme potenza di calcolo del cloud di Google e praticato il gioco più e più volte, milioni di volte. OpenAI Five ha già battuto i semi-professionisti a Dota 2 e metterà alla prova il suo coraggio contro l'1% dei migliori giocatori ad agosto.

A primo un'occhiata, spendere costose risorse di calcolo e scarso talento dell'IA per insegnare all'IA a giocare potrebbe sembrare irresponsabile. OpenAI ospita alcuni dei migliori scienziati di intelligenza artificiale del mondo, che, secondo il New York Times , guadagnano stipendi a sette cifre. Dopotutto, non possono lavorare su problemi più importanti, come lo sviluppo dell'IA che può combattere il cancro o rendere più sicure le auto a guida autonoma?

Per quanto assurdo possa sembrare, alcuni giochi hanno dimostrato di essere una parte importante della ricerca sull'IA. Dagli scacchi a Dota 2, ogni gioco che l'IA ha conquistato ci ha aiutato a aprire nuove strade nell'informatica e in altri campi.

I giochi aiutano a tracciare i progressi dell'IA

Dall'inizio dell'idea dell'intelligenza artificiale negli anni '50, i giochi sono stati un modo efficace per misurare la capacità dell'IA. Sono particolarmente utili nel testare la capacità della nuova IA tecniche, perché è possibile quantificare le prestazioni dell'IA con punteggi numerici e risultati vincenti e confrontarla con umani o altre IA.

Il primo gioco che i ricercatori hanno cercato di padroneggiare attraverso l'IA erano gli scacchi, che ai primi tempi era considerato il test finale dei progressi nel campo. Nel 1996, Deep Blue di IBM è stato il primo computer a sconfiggere un campione del mondo (Garry Kasparov) negli scacchi. L'intelligenza artificiale dietro Deep Blue ha usato un metodo a forza bruta che ha analizzato milioni di sequenze prima di fare una mossa.

Mentre il metodo ha permesso a Deep Blue di padroneggiare gli scacchi, non era affatto abbastanza efficace per affrontare giochi da tavolo più complicati. Per gli standard odierni, è considerato grezzo. Quando Deep Blue sconfisse Kasparov, uno scienziato osservò che ci sarebbero voluti altri cento anni prima che l'IA potesse conquistare l'antico gioco cinese di Go, che ha più mosse possibili rispetto al numero di atomi nell'universo.

Ma nel 2016, i ricercatori della società di intelligenza artificiale di proprietà di Google DeepMind hanno creato AlphaGo, un'intelligenza artificiale che ha battuto Lee Sedol, il campione del mondo, 4 a 1 in una competizione a cinque partite. AlphaGo ha sostituito il metodo della forza bruta di Deep Blue con l'apprendimento profondo, una tecnica di intelligenza artificiale che funziona in modo molto più simile a come funziona il cervello umano. Invece di esaminare ogni possibile combinazione, AlphaGo ha esaminato il modo in cui gli umani giocavano a Go, quindi ha cercato di capire e replicare modelli di gioco di successo.

I ricercatori di DeepMind in seguito hanno creato AlphaGo Zero, una versione migliorata di AlphaGo che utilizzava l'apprendimento per rinforzo, un metodo che richiedeva zero input umani. AlphaGo Zero ha imparato le regole di base di Go e ha imparato il gioco giocando contro se stesso innumerevoli volte. E AlphaGo Zero ha battuto il suo predecessore 100 a zero.

Tuttavia, i giochi da tavolo hanno dei limiti. Innanzitutto, sono a turni, il che significa che l'IA non è sotto pressione per prendere decisioni in un ambiente che cambia costantemente. In secondo luogo, l'IA ha accesso a tutte le informazioni nell'ambiente (in questo caso la scheda) e non deve fare ipotesi o assumersi rischi basati su fattori sconosciuti.

Considerando questo, un'intelligenza artificiale chiamata Libratus ha fatto il passo avanti nella ricerca dell'intelligenza artificiale battendo i migliori giocatori del poker Texas Hold 'Em. Sviluppato dai ricercatori di Carnegie Mellon, Libratus ha dimostrato che l'IA può competere con gli umani in situazioni in cui ha accesso a informazioni parziali. Libratus ha usato diverse tecniche di intelligenza artificiale per imparare il poker e migliorare il suo gameplay mentre esaminava le tattiche dei suoi avversari umani.

I videogiochi in tempo reale sono la prossima frontiera dell'IA e OpenAI non è l'unica organizzazione coinvolta nel settore. Facebook ha testato l'insegnamento dell'IA per giocare al gioco di strategia in tempo reale StarCraft e DeepMind ha sviluppato un'intelligenza artificiale in grado di giocare al gioco sparatutto in prima persona Quake III. Ogni gioco presenta una propria serie di sfide, ma il comune denominatore è che tutti presentano l'IA con ambienti in cui devono prendere decisioni in tempo reale e con informazioni incomplete. Inoltre, danno all'intelligenza artificiale un'arena in cui può mettere alla prova la sua potenza contro una squadra di avversari e imparare il lavoro di squadra stesso.

Per ora, nessuno aveva sviluppato un'intelligenza artificiale in grado di battere i giocatori professionisti. Ma il fatto stesso che l'IA sia in competizione con gli umani in giochi così complessi dimostra fino a che punto siamo arrivati ​​sul campo.

I giochi aiutano a sviluppare l'IA in altri campi

Mentre gli scienziati hanno utilizzato i giochi come banchi di prova per lo sviluppo di nuove tecniche di intelligenza artificiale, i loro risultati non sono rimasti limitati ai giochi. In effetti, gli IA di gioco hanno spianato la strada a innovazioni in altri campi.

Nel 2011, IBM ha introdotto un supercomputer in grado di elaborare e generare il linguaggio naturale (NLG / NLP) e prende il nome dall'ex CEO dell'azienda Thomas J Watson. Il computer ha giocato il famoso gioco a quiz televisivo Jeopardy contro due dei migliori giocatori del mondo e ha vinto. Watson divenne in seguito la base di una vasta gamma di servizi di intelligenza artificiale di IBM in diversi settori, tra cui assistenza sanitaria, sicurezza informatica e previsioni meteorologiche.

DeepMind sta impiegando la sua esperienza nello sviluppo di AlphaGo per utilizzare l'IA in altri campi in cui l'apprendimento per rinforzo può aiutare. La società ha lanciato un progetto con National Grid UK per utilizzare il AlphaGo di è intelligente per migliorare l'efficienza della rete elettrica britannica. Google, la società madre di DeepMind, sta inoltre impiegando la tecnica per ridurre i costi dell'elettricità dei suoi enormi data center automatizzando il controllo dei consumi dei suoi diversi hardware. Google sta inoltre utilizzando l'apprendimento per rinforzo per addestrare i robot che un giorno gestiranno gli oggetti nelle fabbriche.

• L'intelligenza artificiale ha un problema di pregiudizio, ed è il nostro errore L'intelligenza artificiale ha un problema di pregiudizio, ed è il nostro errore
• L'intelligenza artificiale di IBM assume i campioni del dibattito umano L'intelligenza artificiale di IBM assume i campioni del dibattito umano
• Perché AI deve rivelare che è AI Perché AI deve rivelare che è AI

Libratus , l'IA che gioca a poker, potrebbe aiutare a sviluppare il tipo di algoritmi che possono aiutare in varie situazioni come negoziazioni politiche e aste, in cui l'IA deve correre rischi e fare sacrifici a breve termine per guadagni a lungo termine.

Non vedo l'ora di vedere come si esibiranno OpenAI Five nel concorso Dota 2 di agosto. Anche se non sono particolarmente interessato al fatto che le reti neurali e i suoi sviluppatori portino a casa il premio da $ 15 milioni, sono curioso di vedere quali nuove finestre apriranno i suoi risultati.