人気サイエンスの毎日のニュースレターに登録し、6日間にわたる breakthroughs（画期的な発見）、discoveries（発見）、DIY（自分でできる）ヒントを受け取りましょう。 人工知能（AI）モデルの進歩はしばしば、そのゲームの腕前によって示されます。IBMのディープブルーは1997年、チェスの名手ガルリ・カスパロフを打ち負かすことで世界を驚かせました。そしてほぼ20年後、GoogleのAlphaGoがかつて不可能と考えられた囲碁で人間のチャンピオンを超えました。それ以来、AIはボードゲームからビデオゲームへと進化し、強化学習と呼ばれる技術を用いて、ChatGPTのようなチャットボットの訓練に不可欠な技術となっています。これにより、AIはアタリのゲームやDota 2、スタークラフト IIといった複雑な戦略ゲームを習得できるようになっています。 しかしながら、AIは依然として、多様でより自由度の高いゲームを素早く学習することに苦戦しています。これは人間が得意とする分野です。未知のゲームに直面したとき、人間のプレイヤーはすぐに基本を理解しますが、AIモデルは多くの場合失敗します。これは、NYUのコンピューターサイエンス教授ジュリアン・トゲリウスらの最近の論文でも指摘されています。このギャップは、人間の知性と現状のAIの能力の根本的な違いを浮き彫りにしており、AIが真の人間レベルの知性に到達またはそれを超えるには長い道のりがあることを示しています。 ゲームは長年にわたり、AIのテストに最適な題材となってきました。その理由は、ルールが予測可能で、明確な目的とメカニズムが設定されていることにあり、これらは強化学習と相性が良いためです。モデルはシミュレーション内で何度もゲームをプレイし、試行錯誤を通じて上達します。このアプローチにより、DeepMindが2015年にアタリのゲームを熟達したほか、今日の大規模言語モデルの訓練にも影響を与えています。しかし、これらのモデルは、明確に制約された特定のタスクにのみ優れるものであり、少しゲームの設計が変わるとパフォーマンスが崩れることもあります。AIは、一つのゲームにおいては人間を超えるスキルを持つこともありますが、即興性には苦手です。 この制約は、現代のゲームがますますオープンエンドで抽象的になるにつれて、より顕著になっています。チェスのようなゲームと異なり、「レッド・デッド・リデンプション」のようなオープンワールドゲームでは、単なる目的だけでなく、道徳的な葛藤を抱えるキャラクターになりきる複雑な目標が絡むこともあります。人間は直感的にこうしたニュアンスを理解しますが、機械には難しいのです。例えば、「マインクラフト」のような簡単なサンドボックスゲームでも、ジャンプといった基本動作を行えるだけで、その背景や目的を理解しているわけではありません。 著者たちは、よく設計されたゲームは人間の直感や常識、そして長年の現実世界での経験と密接に一致していると強調します。例えば、生後約18〜24か月の赤ちゃんは、単なる経験によって物の認識を学びますが、機械ははるかに多くの指導とデータを必要とします。 この経験の優位性のために、人間は新しいゲームをより早く学習できます。研究によると、好奇心を駆使した強化学習AIは、ゲームをクリアするまでに約400万回のキー入力、つまり約37時間連続してプレイする必要があります。一方、平均的な人間のゲーマーは、10時間もかからずに新しい仕組みを理解します。 それでも、AIは全体的なプレイ能力において進歩しています。2023年、Google DeepMindはSIMA 2という新しいモデルを発表しました。これは、既存のAIと同時に、思考能力を備えたGeminiという大規模言語モデルとを組み合わせたもので、特定の訓練を受けていなくても3Dゲームの理解と対話が向上しています。とはいえ、トゲリウスらは、AIが人間の適応性と比べると依然として大きな差があることに注意を促しています。 彼らは、SteamやiOS App Storeの上位100のゲームを事前の訓練なしにプレイし、勝つことができるモデルのベンチマークを提案しています。これを人間とほぼ同じ時間で達成できることです。これは現状のAIには非常に難しい課題であり、いまだ解決に近づいていないだけでなく、真剣に挑戦されてもいません。 こうした一般化能力を実現するには、AIは人間特有の創造性や先を見越した計画力、抽象思考を示す必要があります。結局のところ、「人間と同等の知能」に到達するための最大の試金石は、ディープフェイクや浅い小説の作成だけでなく、多様なゲームを人間のように素早く学び理解できる能力にあるのです。