اشترك في النشرة الإخبارية اليومية لمجلة العلوم الشعبية لتصلك الاختراعات والاكتشافات ونصائح افعلها بنفسك ست مرات أسبوعيًا. عادةً ما يُوضح تقدم نماذج الذكاء الاصطناعي (AI) من خلال براعتها في اللعب. ففي عام 1997، فاجأت IBM العالم بذكائها العميق "Deep Blue" عندما هزم أستاذ الشطرنج غاري كاسباروف، وبعد ما يقرب من عقدين من الزمن، تفوقت Google’s AlphaGo على بطل بشري في لعبة جو—وهي مهمة كانت تُعتقد أنه من المستحيل تحقيقها. ومنذ ذلك الحين، تطور الذكاء الاصطناعي من الألعاب اللوحية إلى ألعاب الفيديو، باستخدام التعلم المعزز، وهي تقنية مهمة أيضًا لتدريب روبوتات الدردشة مثل ChatGPT، مما يمكّن الآلات من إتقان ألعاب أتاري وألعاب استراتيجية معقدة مثل Dota 2 وStarcraft II. ومع ذلك، لا يزال الذكاء الاصطناعي يواجه صعوبة في التعلم بسرعة لأنواع مختلفة من الألعاب ذات الطبيعة المفتوحة—مجال يتفوق فيه الإنسان. عندما يواجه لاعب بشري لعبة غير مألوفة، يسرع في فهم أساسياتها، بينما غالبًا ما تفشل نماذج الذكاء الاصطناعي، كما أكدته ورقة حديثة أعدها أستاذ علوم الحاسوب بجامعة نيويورك جوليان توغيليز وزملاؤه. هذا الفارق يسلط الضوء على الاختلاف الجوهري بين الذكاء البشري وقدرات الذكاء الاصطناعي الحالية، مؤكدًا أن أمام الذكاء الاصطناعي رحلة طويلة قبل أن يصل إلى مستوى الذكاء البشري أو يتجاوزه. لطالما كانت الألعاب ميدانًا مثاليًا لاختبار قدرات الذكاء الاصطناعي، نظرًا لقوانينها المتوقعة، وأهدافها المحددة، وميكانيكياتها—وهو ما يتوافق جيدًا مع التعلم المعزز: حيث يلعب النماذج الألعاب بشكل متكرر في محاكاة لتحسين أدائها عبر التجربة والخطأ. مكنت هذه الطريقة شركة ديب مايند (DeepMind) من إتقان ألعاب أتاري في عام 2015، وتؤثر الآن على نماذج اللغة الكبيرة المدربة على كم هائل من بيانات الإنترنت. ومع ذلك، فإن هذه النماذج تتفوق فقط في مهام محددة ذات قيود واضحة؛ حيث يمكن أن تتعطل أداؤها عند تغييرات صغيرة في تصميم اللعبة. فحتى وإن حقق الذكاء الاصطناعي مهارات فوق الإنسان في لعبة معينة، فإنه يواجه صعوبة في الارتجال والتكيف. وتظهر هذه القيود بشكل أكثر وضوحًا مع ازدياد تعقيد الألعاب الحديثة وافتتاحيتها. فبعكس الشطرنج، تتميز ألعاب مثل "Red Dead Redemption" بعوالم مفتوحة ذات أهداف معقدة مرتبطة بتجسيد شخصية ذات نزاعات أخلاقية، بدلاً من أهداف واضحة ومباشرة.

ويستطيع الإنسان فهم هذه الفروق الدقيقة بشكل حدسي، في حين أن الآلات لا تملك هذا الفهم. حتى في الألعاب البسيطة مثل "Minecraft"، قد تؤدي الذكاءات الاصطناعية حركات أساسية كالوثب دون أن تفهم سياقها. يؤكد الباحثون أن الألعاب المصممة بشكل جيد تتوافق بشكل كبير مع الحدس والمنطق السليم والخبرات المعيشية التي يكتسبها الإنسان على مدى سنوات من التفاعل مع العالم الحقيقي. على سبيل المثال، يتعرف الأطفال على الأشياء في عمر 18 إلى 24 شهرًا ببساطة عن طريق التجربة، بينما يحتاج الآليون إلى وجوه توجيهية أكثر لضبط قدراتهم. تمنح هذه الخبرة الإنسان ميزة في تعلم ألعاب جديدة بسرعة أكبر. تشير الأبحاث إلى أن الذكاء الاصطناعي الذي يعتمد على الفضول في التعلم المعزز قد يحتاج إلى حوالي أربعة ملايين ضغط على الأزرار—أي حوالي 37 ساعة متواصلة—لإكمال لعبة، بينما غالبًا ما يتمكن لاعبون بشريون من استيعاب آليات جديدة في أقل من 10 ساعات. ومع ذلك، فإن تقدم الذكاء الاصطناعي في مجال الألعاب العامة مستمر. في عام 2023، قدمت شركة ديب مايند نموذج SIMA 2، وهو نموذج يجمع بين الذكاء الاصطناعي الحالي وقدرات التفكير من خلال نموذج اللغة الضخم Gemini، مما يتيح له فهم التفاعلات بشكل أفضل مع ألعاب ثلاثية الأبعاد—حتى تلك التي لم يتدرب عليها بشكل خاص. ومع ذلك، يحذر توغيليز وزملاؤه من أن هناك مسافة كبيرة أمام الذكاء الاصطناعي قبل أن يرقى إلى مستوى مرونة الإنسان. ويقترحون معيارًا يُمكن بموجبه لنموذج أن يلعب ويفوز في أفضل 100 لعبة على متجر Steam أو متجر التطبيقات iOS، دون أن يكون قد تدرب مسبقًا عليها، ويفعل ذلك في زمن يقارب الزمن الذي يحتاجه الإنسان. ولا يزال هذا تحديًا هائلًا لم تصل إليه تقنيات الذكاء الاصطناعي الحالية أو حتى تحاول جديًا مواجهته. وإن تحقيق مستوى من التعميم بهذا الشكل يتطلب من الذكاء الاصطناعي أن يُظهر إبداعًا حقيقيًا، وتخطيطًا مسبقًا، وتفكيرًا تجريديًا—وهي خصائص تميز الذكاء البشري فريدًا. وفي النهاية، قد يكون الاختبار الحقيقي لوصول الذكاء الاصطناعي إلى "مستوى ذكاء الإنسان" ليس في صناعة الفيديوهات المزيفة أو كتابة روايات سطحية، بل في قدرته على إتقان مجموعة واسعة من الألعاب المختلفة بسرعة تعلم وفهم تشبه تلك لدى البشر.