Áskráðu þig í daglegu fréttabréfi Popular Science fyrir byltingar, uppgötvanir og DIY ráð sem eru send fjóra daga í viku. Áframgangur á reiknigreindarmódelum (AI) er oft lýst með leikfimi þeirra. Deep Blue hjá IBM kom á óvart heimsbyggðinni árið 1997 þegar það sigraði skákmeistara Garry Kasparov, og nærri tvö áratugum síðar sigraði AlphaGo hjá Google mannlega meistara í Go — sem áður virtist ómögulegt. Síðan þá hefur AI þróast frá borðleikjum til vítreikninga, með notkun styrkingarnáms, sem er einnig lykilaðferð til að þjálfa spjallvélar eins og ChatGPT, sem gerir taugakerfum kleift að ná tökum á Atari-leikjum og flóknum stefnuleikjum eins og Dota 2 og Starcraft II. Hins vegar glímir AI enn við að læra fljótt þau fjölbreyttu og opnu leiki — svæði þar sem menn ná frábærum tökum. Þegar menn rekast á ókunnugan leik grípa þeir fljótt til grundvallarreglna, en AI-modelar misheppnast oft, eins og greint var frá í nýlegu ritgerð frá tölvunarfræðiprófessorinum Julian Togelius hjá NYU og samstarfsmönnum. Þetta slit á milli mannsins og AI undirstrikar grundvallarmun á milliliðalausri greind mannsins og þeirri núverandi getu tækjanna, sem sýnir að AI er langt frá því að ná eða yfirveld mannlegt greindarstjálf. Leikir hafa lengi verið fullkomin prófgrunnur fyrir AI vegna reglu þeirra, markmiða og leikmekaníka, sem passa vel við styrkingarnám: módel eru áfram spila leik í hermingum til að bæta sig í gegnum tilraunir og villur. Þessi aðferð gerði DeepMind kleift að ná einstökum árangri í Atari-leikjum árið 2015 og hefur mótað nútíma stórtungumálamódel sem eru þjálfuð á gríðarlegu internetgögnum. En þessi módel standa sig aðeins við ákveðin verkefni með skýrum takmörkum; örlítil breyting á leik hnekkir AI-gengni. Þó AI geti náð ofurmannlegum hæfileikum í tilteknum leik, eiga tækifæri þeirra enn eftir að þróast í að gera óskipulögð tilvik eða að laga sig að óvæntum aðstæðum. Þessi takmörk eru enn sýnilegri þegar nútíma leikir verða meira opnir og abstrakt. Á meðan skák er með stöðugar reglur, snýst „Red Dead Redemption“ um flókin markmið tengd persónu sem er á mót við siðferði, frekar en beinlínis einföld markmið.

Menn ná intuítíft að skynja slíkar flækjur, en vélar ekki. Jafnvel í einfaldari „Minecraft“-leikjum geta AI framkvæmið grunnverk eða hoppað án þess að skilja samhengi. Rithöfundar leggja áherslu á að vel hönnuð leiki styðji nákvæmlega við mannlega innsýn, almennar skynsemi og raunveruleg reynsla — sem menn byggja upp yfir áratuga daglega reynslu. Til dæmis læra börn að þekkja hluti um 18 til 24 mánaða aldur einfaldlega með reynslu, meðan tæki þurfa mun meira leiðsagnarástand. Þessi reynsluminni kostur gerir manninum kleift að læra nýja leiki hratt. Rannsóknir sýna að forvörpunar- og styrkingarnám AI, sem byggist á forvitni, gæti þörf verið um fjögur milljón lykilorðaspilun eða tæplega 37 klukkustunda áframhaldandi spil í röð til að klára leik — en meðalmaðurinn lærir nýjar tækni oft innan tíu klukkutíma. Engu að síður fer framfarahraði AI í almennu leikfimi. Árið 2023 kynnti Google DeepMind SIMA 2, módel sem sameinar fyrri AI með hugsunargetu frá Gemini, stórtungumálamódelinu þeirra, sem gerir AI kleift að átta sig betur á og eiga samskipti við 3D-leiki — jafnvel þá sem þau voru ekki beint þjálfuð á. En Togelius og samstarfsmenn vara við að AI sé enn langt frá getu til að laga sig að breytilegum aðstæðum eins og menn gera. Þeir leggja til að þróað verði stöðlunmálsstika sem mæli hvort AI geti spilað og sigrað top-100 leikina á Steam eða iOS App Store án fyrri þjálfunar í þeim — og gera það á svipuðum tíma og mannmaður. Þetta er enn stórtæk áskorun sem núverandi AI-aðferðir eru ekki nálægt að leysa eða jafnvel reyna á. Til að ná þessu almennu sniði þarf AI að sýna raunverulega sköpunargáfu, framúðadregn, og hugmyndafræði — eiginleika sem eru sérkenni mannlegrar greindar. Að lokum gæti stærsta próf á „mannlegri“ greind AI verið ekki í að framleiða djúpfyrringar eða ómerkileg skáldsögur, heldur í getu þess til að ná tökum á fjölbreyttum leikjum með hraða og skilningi sem eru mannlega.