Tilaajoudu suosittuun tiedejulkaisun päivittäiseen uutiskirjeeseen, jonka kautta saat läpimurtoja, löytöjä ja tee-se-itse-vinkkejä kuusi päivää viikossa. Tekoälyn (AI) mallien kehityskulkua havainnollistetaan usein niiden pelitaidoilla. IBM:n Deep Blue yllätti maailman vuonna 1997 voittamalla shakkimestari Garry Kasparovin, ja lähes kahdeksan vuotta myöhemmin Google:n AlphaGo päihitti ihmisen mestarin Go-pelissä—jota pidettiin aiemmin mahdottomana. Sen jälkeen tekoäly on edistynyt lautapeleistä videopeleihin, hyödyntäen vahvistusoppimista, tekniikkaa, joka on myös tärkeä ChatGPT:n kaltaisten chatbotien kouluttamisessa, minkä avulla koneet voivat hallita Atari-pelejä ja monimutkaisia strategiapelityylejä kuten Dota 2 ja Starcraft II. Kuitenkin tekoälyssä on vielä vaikeuksia oppia nopeasti erilaisia, avoimempia pelejä—alue, jossa ihmiset menestyvät erinomaisesti. Kun ihmiset kohtaavat uuden pelin, he oppivat sen perusteet nopeasti, kun taas tekoälymallit usein epäonnistuvat, kuten äskettäisessä NYU:n tietojenkäsittelyn professorin Julian Togeliuksen ja kollegoidensa tutkimuksessa todetaan. Tämä ero korostaa ihmisen älyn ja nykyisen tekoälyn välisiä perustavanlaatuisia eroja ja osoittaa, että tekoäellä on pitkä matka edessään ennen kuin se saavuttaa tai ylittää ihmisen tason älyn. Pelien on pitkään katsottu olevan ihanteellisia testialustoja tekoälylle, koska niiden säännöt ovat ennustettavia, tavoitteet selkeitä ja mekaniikat tutuiksi, mikä sopii vahvistusoppimiseen: mallit pelaavat pelejä toistuvasti simulaatioissa parantaakseen suoritustaan kokeilun ja erehdyksen kautta. Tämä lähestymistapa mahdollisti DeepMindin Atari-pelien hallinnan vuonna 2015 ja vaikuttaa nykyisin suuriin kielimalleihin, jotka on koulutettu suurilla internettiedoilla. Nämä mallit kuitenkin suoriutuvat vain tietyistä tehtävistä, joissa on selkeät rajat; pienetkin muutokset pelisuunnittelussa voivat haitata tekoälyn suorituskykyä. Vaikka tekoäly saattaa saavuttaa superihmissuorituksen tietyssä pelissä, se kamppailee improvisaation kanssa. Tämä rajoite käy ilmi enenevissä määrin, kun nykyaikaiset pelit muuttuvat yhä avoimemmiksi ja abstraktimmiksi. Toisin kuin shakki, avoimen maailman pelit kuten “Red Dead Redemption” sisältävät monimutkaisia tavoitteita, jotka liittyvät moraalisesti ristiriitaiseen hahmoon eläytymiseen, eivätkä suoraviivaisiin päämääriin.

Ihmiset ymmärtävät tällaiset nyanssit intuitiivisesti; koneet eivät. Even yksinkertaisemmissa sandbox- peleissä kuten “Minecraft”, tekoäly voi tehdä perustoimintoja, kuten hypätä, ilman, että se ymmärtää niiden merkitystä. Kirjoittajat korostavat, että hyvin suunnitellut pelit liittyvät läheisesti ihmisten intuitioon, terveeseen maalaisjärkeen ja elämänkokemukseen—jotka ihmiset kartuttavat vuosien todellisen elämän vuorovaikutuksen aikana. Esimerkiksi vauvat oppivat tunnistamaan esineitä noin 18–24 kuukauden iässä vain kokemuksen kautta, kun taas koneet vaativat paljon ohjattua dataa. Tämä kokemuksellinen etu mahdollistaa ihmisille nopeamman oppimisen uusista peleistä. Tutkimukset osoittavat, että uteliaisuusajatteluun perustuva vahvistusoppiminen saattaa tarvita noin neljä miljoonaa näppäimenpainallusta—tai noin 37 tuntia jatkuvaa pelaamista—pelin läpäisemiseen, kun taas keskimääräiset ihmiset oppivat uudet mekanismit alle kymmenessä tunnissa. Silti tekoäly kehittyy myös yleisessä pelaamisessa. Vuonna 2023 Google DeepMind toi julki SIMA 2 -mallin, joka yhdistää olemassa olevan tekoälyn päättelyominaisuuksiin heidän Gemini-kielimallissaan, mahdollistaen paremman ymmärryksen ja vuorovaikutuksen 3D-peleissä—myös niissä, joita se ei ollut erityisesti koulutettu pelaamaan. Togeliuksen ja hänen kollegoidensa mukaan tekoälyssä on vielä paljon kehitettävää ennen kuin se voi vastata ihmisen sopeutumiskykyyn. He ehdottavat vertailukohtaa, jossa malli voisi pelata ja voittaa 100 suosikkipeliä Steamissä tai iOS App Storessa ilman ennakkokoulutusta niihin—ja tehdä sen noin samassa ajassa kuin ihminen. Tämä on edelleen haastava tehtävä, johon nykyiset tekoälymenetelmät eivät ole läheskään valmiita. Tällaisen yleismaailmallisen suoriutumiskyvyn saavuttaminen vaatisi tekoälyä osoittamaan todellista luovuutta, etukäteen suunnittelua ja abstraktia ajattelua—ominaisuuksia, jotka ovat ihmisälyn erityistä piirre. Lopulta todellinen testi tekoälyn saavuttaa “ihmisen tason älyn” ei ehkä ole syväväärennösten tekemisessä tai hatarien romaanien kirjoittamisessa, vaan sen kyvyssä oppia monipuolisesti erilaisia pelejä ihmismäisellä oppimisnopeudella ja ymmärryksellä.