Feliratkozás a Népszerű Tudomány napi hírlevelére, ahol áttörésekről, felfedezésekről és DIY tippekről értesülhetsz hat naponta. A mesterséges intelligencia (MI) modellek fejlődését gyakran a játéktudásuk szemlélteti. Az IBM Deep Blue 1997-ben megdöbbentette a világot, amikor legyőzte a sakknagymestert, Garry Kaszparovot, és majdnem két évtizeddel később a Google AlphaGo-ja legyőzte az emberi bajnokot a Gónál – ami korábban lehetetlennek tartottak. Azóta az MI a társasjátékoktól a videójátékokig fejlődött, megerősítéses tanulással, ami ugyanúgy fontos a ChatGPThez hasonló chatbotok képzésében is, lehetővé téve, hogy a gépek megtanuljanak Atari játékokat és összetett stratégiai címeket, mint a Dota 2 és a Starcraft II. Viszont az MI még mindig nehézségekbe ütközik, hogy gyorsan elsajátítson sokféle nyíltabb játékot – egy terület, ahol az emberek kiemelkedően teljesítenek. Egy ismeretlen játék esetén az emberi játékosok gyorsan megértik az alapokat, míg az MI modellek gyakran kudarcot vallanak, ahogyan azt egy nemrég megjelent papír Julian Togelius, az NYU számítástechnikai professzora és kollégái mutatják be. Ez a különbség kiemeli az emberi intelligencia és az MI jelenlegi képességei közötti alapvető különbséget, rámutatva, hogy az MI-nek még hosszú az útja, míg eléri vagy meghaladja az emberi szintű intelligenciát. A játékok régóta ideális tesztelési terepet jelentenek az MI számára, mivel egyszerű szabályaik, kitűzött céljaik és mechanikáik jól illeszkednek a megerősítéses tanuláshoz: a modellek ismételten játszanak játékokat szimulációkban, és a próbálkozások révén fejlődnek. Ez a módszer tette lehetővé a DeepMind 2015-ös Atari játék-mesterségességét, és ma is befolyásolja a hatalmas internetes adatokon trenírozott nagy nyelvi modelleket. Ám ezek a modellek csak egy meghatározott feladatra, világos korlátokkal működnek jól; ha valamelyik játéktervet megváltoztatják, az MI teljesítménye könnyen romolhat. Míg egy adott játékban az MI szuperemberi képességeket érhet el, improvizációs képességei még gyengék. Ez a korlát különösen nyilvánvalóvá válik, ahogy a modern játékok egyre nyíltabbá és absztraktabbá válnak. A sakkhoz képest például a nyílt világú "Red Dead Redemption" komplex célokat tűz ki, és olyan karakter megtestesítésére fókuszál, amely morálisan konfliktusos.

Az emberek ösztönösen érzékelik az ilyen finomságokat; a gépek nem. Még az egyszerűbb sandbox játékokban, mint a "Minecraft", is előfordulhat, hogy az MI csupán alapvető műveleteket, például ugrást hajt végre anélkül, hogy megértené azok kontextusát. A szerzők hangsúlyozzák, hogy a jól megtervezett játékok szorosan összhangban állnak az emberi intuícióval, józan ésszel és mindennapi tapasztalatokkal – ezeket az emberek évek alatt halmozzák fel a valóságos környezetben való interakció során. Például a babák körülbelül 18-24 hónapos kortól kezdve felismerik az objectumokat, pusztán tapasztalatszerzés által, míg a gépeknek sokkal több irányított bemenetre van szükségük. Ez az élményalapú előny lehetővé teszi, hogy az emberek gyorsabban tanuljanak új játékokat. Kutatások szerint a kíváncsiság vezérelte megerősítéses tanulással tréningezett MI-nek körülbelül négymillió fontoslenyomatra vagy mintegy 37 folyamatos órára van szüksége egy játék befejezéséhez, míg az átlagos emberi játékosok általában kevesebb mint 10 órán belül elsajátítanak új mechanikákat. Ennek ellenére az MI egyre jobbá válik a általános játékban. 2023-ban a Google DeepMind bemutatta a SIMA 2-t, amely ötvözi a meglévő MI-t a Gemini nagy nyelvi modell által nyújtott érvelési képességekkel, lehetővé téve jobb megértést és interakciót 3D-s játékokkal – még azokkal is, amelyekre kifejezetten nem tréningelték. Togelius és kollégái azonban figyelmeztetnek, hogy az MI-jének még jelentős út áll előtte, mire eléri az emberi alkalmazkodóképességet. Javasolnak egy mérőszámot, ahol egy modell játszhat és nyerhet a Steam vagy az iOS App Store top 100 játékában anélkül, hogy előzetesen tréningen vett volna részt bármelyiken is – és mindezt körülbelül ugyanolyan idő alatt, mint egy emberi játékos. Ez továbbra is komoly kihívás, amelyhez a jelenlegi MI módszerek messze nem érnek el, és nem is próbálkoznak komolyan vele. Ennek az általánosításnak az eléréséhez az MI-nek valódi kreativitást, előrelátó tervezést és absztrakt gondolkodást kellene mutatnia – olyan tulajdonságokat, amelyek egyedül az emberi intelligenciára jellemzőek. Végső soron az igazi próbatétel a "emberi szintű intelligencia" elérésében nem a deepfake-ek készítése vagy sekélyes regények írása lesz, hanem az, hogy a mesterséges intelligencia képes legyen különböző típusú játékokat tanulni és értelmezni emberhez hasonló gyorsasággal és megértéssel.