Գրանցվեք «Հանրահայտ գիտություն» օրական լրագիր՝ նոր հայտնագործություններ, բացահայտումներ և DIY խորհուրդներ, որոնք հաս ենանում վեց օրեր շաբաթը։ Արհեստական բանականության (ԱԲ) մոդելների առաջընթացը հաճախ ներկայացվում է որպես նրանց մրցունակության օրինակ։ IBM-ի Deep Blue-ը 1997-ին ապշեցրեց աշխարհին՝ հաղթելով շախմատի մեծ վարպետ Գարի Կասպարովին, և գրեթե երկու տասնամյակ անց, Google-ի AlphaGo-ն հաղթեց մարդու չեմպիոնին GO խաղում՝ այն դեպքում, երբ քչերն էին վստահում, որ դա հնարավոր կլինի։ Այդ ժամանակից ի վեր, ԱԲ-ն զարգացել է պլանշետային խաղերից մինչև վիդեո խաղեր՝ օգտագործելով լրացուցիչ ուսուցում, որը նաև կարևոր է ChatGPT նման ճառագանցային բોટեր պատրաստելու համար՝ հնարավորություն տալով մեքենաներին Master անել Atari-խաղերը և բարդ ռազմավարական խաղերը՝ ինչպիսիք են Dota 2-ն ու Starcraft II-ն։ Այնուամենայնիվ, ԱԲ-ն դեռ դժվար է արագորեն սովորել տարբեր բաց-ended խաղեր՝ ոլորտներ, որոնցում գերազանցում են մարդիկ։ Երբ մարդու համար անհայտ խաղ եք հանդիպում, խաղացողները արագ հասկանում են հիմնական կանոնները, իսկ ԱԲ մոդելները հաճախ չեն מצליחում, ինչի մասին վերջերս գրել է NYU-ի კომპյուտերային գիտության պրոֆեսոր Ջուլիան Թոգելիսը և գործընկերները։ Այս տարբերությունը ցույց է տալիս հիմնավոր տարբերություն մարդկային բանականության և ԱԲ-ի ներկայիս հնարավորությունների միջև՝ ընդգծելով, որ ԱԲ-ն ունի առջևում երկար ճանապարհ՝ իսկական մարդկային մակարդակի բանականություն ստանալու կամ գերազանցելու համար։ Խաղերն ի կարող են համարվել որպես լավագույն փորձարկման հրապարակներ ԱԲ-ի համար, քանի որ դրանք ունեն կանխատեսելի կանոններ, որոշակի նպատակներ և մեխանիկաներ, որոնք լավ համընկնում են լրացուցիչ ուսուցման մեթոդի՝ reinforcement learning-ի, հետ։ Այս մոտեցումն թույլ տվեց DeepMind-ին 2015-ին մավարել Atari-խաղերը և այսօր այն ազդեցություն է թողնում խոշոր լեզվային մոդելների վրա, որոնք պատրաստվում են մեծածավալ ինտերնետային տվյալների վրա։ Բայց այս մոդելները հաջող են միայն կոնկրետ խնդիրներում, որոնք ունեն հստակ սահմանափակումներ։ Փոխումներ խաղի դիզայնում կարող են խանգարել ԱԲ-ի արդյունավետությանը։ Хотя, որ ԱԲ-ն կարող է կատարել հիպերհումանյան հմտություններ որոշակի խաղերում, այն դժվարանում է փոփոխականություն պատրաստելիս։ Այս սահմանափակումը ավելի ակնհայտ է վերածվում, երբ ժամանակակից խաղերը դառնում են ավելի բաց-ended և աբստրակտ։ Օրինակ՝ «Red Dead Redemption»-ի նման բաց աշխարհով խաղերը ունեն բարդ նպատակներ, որոնք կապված են կամարային, բարոյական հակասությունների կրող կերպարի լավագույն մարմնավորմանն Տարբերակները, որոնք պահանջում են ինտուիտիվ ընկալում, մարդկանց համար բնական են, իսկ մեքենաները դա անում չեն։ even in simpler sandbox խաղեր, ինչպիսիք են «Minecraft»-ը, ԱԲ-ն կարող է կատարել տարաբնույթ գործողություններ՝ ինչպիսիք են Leap-ների կատարել, առանց դրանց համատեքստը հասկանալու։ Երաշխավորում, որ լավ մշակված խաղերը ուղիղ կապ ունեն մարդու ինտուիցիայի, հանգամանքային իմաստության և իրական փորձի հետ, որն մարդիկ հավաքագրում են տարիների ընթացքում։ Օրինակ՝ բալիկները սովորում են ճանաչել առարկաները խիստ մոտ 18-24 ամսականից՝Experience վրա։ Մեքենաները վերակարգում են շատ ավելի շատ ուղղորդված ներդրման։ Այս փորձառության առավելությունը թույլ է տալիս մարդկանց ավելի արագ սովորել նոր խաղեր։ Գիտությունը ցույց է տալիս, որ curiosity-driven reinforcement learning AI-ն կարող է կարիք ունենալ մոտ 4 միլիոն օպերացիա կամ շուրջ 37 շարունակական ժամ՝ լրացնելու համար մի խաղը, մինչդեռ մարդկանց սովորական խաղացողներն ավելի քան 10 ժամում հասկանում են նոր մեխանիկա։ Բոլորովին էլ, ԱԲ-ն զարգանում է ընդհանուր խաղային ունակություններում։ 2023-ին Google DeepMind-ը ներկայացրեց SIMA 2 մոդելը՝ մի խառնաշփոթ ԱԲ, որը համակցում է իր ներկայիս ռեանզինգի հմտություններն Gemini մեծ լեզվային մոդելի հետ՝ enabling better understanding and interaction with 3D խաղեր, նույնիսկ այնպիսիներ, երբ դրանք չեն եղել մասնագիտորեն ուսուցանված։ Բայց, Թոգելիս և գործընկերները զգուշացնում են, որ ԱԲ-ն դեռ շատ հարթակներ ունի անցնելու, մինչև որ հասնի մարդու ճկունությանը։ Նրանք առաջարկում են մի ստանդարտ, որտեղ մոդելը կարող է խաղալ և հաղթել Steam կամ iOS App Store-ի լավագույն 100 խաղերին՝ առանց նախափորձություն գրանցելու։ Դա մոտավորապես այն ժամանակ է, ինչ մարդը կանցնի։ Սա մնում է խիստ մարտահրավեր, որը ներկայիս ԱԲ տարբերակները դեռ չեն կարող լուծել կամ նույնիսկ մոտենալ։ Այս մակարդակի ընդհանուր պատկերացում ստանալու համար, ԱԲ-ն պետք է ցուցադրի իրական ստեղծագործականություն, ապագայի պլանավորում և աբստրակտ մտածողություն՝ որոք մարդիկ հատուկ առանձնահատկություններ են։ Վերջապես, ԱԲ-ի համար «մարդկային մակարդակի բանականություն» հասնելը չի լինի միայն խորֆեյքերի ստեղծում կամ մակերեսային վեպեր գիրք գրելը, այլ՝ նրա կարողություն mastery անել լայն հարուստ խաղերի շարքում, օգտագործելով մարդանման արագությամբ սովորելու և հասկանալու։