ആർട്ടിഫിഷ്യൽ ഇന്റലിജെൻസിലെ പുരോഗതിയും മനുഷ്യൻ തലത്തിലുള്ള ഗെയിമിംഗ് ബുദ്ധിമുട്ടുകളും
Brief news summary
കൃത്രിമ ബുദ്ധി (AI) ഗെയിമിങ്ങിൽ അറിയപ്പെടുന്ന നേട്ടങ്ങൾ കൈവർന്ന് കഴിഞ്ഞിട്ടുണ്ട്, ഉദാഹരണങ്ങളിൽ IBM–ന്റെ ഡീപ്പ് ബ്ലൂൾ ഗാരി കാസ്പരോവ് പുറത്താക്കിയതും Google–ന്റെ അല്ഫകളോഗോ ഗോയ്ക്ക് വിജയിച്ചതും ഉൾപ്പെടുന്നു. റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങ് എതിരാളി ഗെയിമുകൾ പോലെ ആർട്ടാരി, ഡോറ്റാ 2, സ്റ്റാർക്രാഫ്റ്റ് II പോലുള്ള സമ്പുഷ്ടമായ തന്ത്രപരമായ എതിരാളികളിൽ AI–ന്റെ വിജയത്തെ പെട്ടെന്ന് ശക്തിയേകുന്നു. എന്നാൽ, തുറന്ന, കുറച്ച് ഘടനകളുള്ള ഗെയിമുകളിലൂടെയുള്ള അതിവേഗ অভিযোজনത്തിൽ, മനുഷ്യരുടെ മാനസിക സൂക്ഷ്മതയും അനുഹൃതി പ്രയോജനപ്പെടുത്തലും AI ഏറിയ പ്രതിസന്ധി നേരിടുന്നു. മനുഷ്യർ അത്പുറപ്പെട്ട ലക്ഷ്യങ്ങൾ മനസ്സിലാക്കുന്നതിലും പുതുമയുള്ള മെക്കാനിക്കൽ സാങ്കേതികവിദ്യകളിലും മുന്നന്തരം കാണിക്കുന്നു, അതാണ് AI अझപെടുന്നത്. NYU–യുടെ പ്രൊഫസർ ജൂലിയൻ ടോഗിലുസ് പറയുന്നു; വ്യത്യസ്ത ഗെയിമുകളിൽ സാധാരണക്കാരനായി വിജയിക്കുന്നത്—വരെയുള്ള വലിയ പരിശീലനമില്ലാതെ—തങ്ങളുടെ വലിയ വെല്ലുവിളിയാണ്. Google DeepMind–നെ സംബന്ധിച്ച സിമ 2 പോലെയുള്ള പുതിയ ആശയവുമെന്നാൽ, റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങും ഉയർന്ന ഭാഷാ മാതൃകകളും ചേർത്തുകൊണ്ട് ഒട്ടനവധി ഗെയിമിംഗ് പരിസ്ഥിതികൾ വിശകലനം ചെയ്യാനാകുന്നതാണ്. മനുഷ്യപോലെ AI സൃഷ്ടിയുടെ പുരോഗതി നേടਣതിന് സൃഷ്ടിപ്രവൃത്തികൾ, തിരുത്തലുകൾ, നിർവ്വചനം എന്നിവയിൽ വിപ്ലവങ്ങൾ ആവശ്യമാകും, ഗെയിമിംഗ് ബുദ്ധിമുട്ടുകളുടെ പുതിയ അധ്യായം അടയാളപ്പെടുത്തുക.പ്രീതിപൂര്ണ സയന്സി ഡെയിലി ന്യൂസ്ലെറ്റര് subscriptionsക്ക് സബ്സ്ക്രൈബ് ചെയ്യുക. ആഴ്ചയില് ആറു ദിവസം ബ്രേക്ക്ത്രൂത്സ്, കണ്ടുപിടിത്തങ്ങൾ, DIY ടിപ്പുകൾ എന്നിവ ലഭിക്കും. ആര്ട്ടിഫിഷ്യല് ഇന്റലിജന്സ് (AI) മോഡലുകളുടെ പുരോഗതി അവരുടെ ഗെയിമിംഗ് പ്രാപ്തിയിലൂടെ സാധാരണയായി പ്രതിച്ഛായപ്പെടുന്നു. IBMയുടെ ഡീപ്പ് બુച്ച് 1997ല് шахൃസ്ത്ര ഗാരി കാസ്പാരോവിനെ തോല്പ്പിച്ചത് ലോകത്തെ വിസ്മിതനാക്കിയിരുന്നു, പുതിയദ് ദശകങ്ങള്ക്കു ശേഷം, Google-ന്റെ അല്ഫാഗോ മനുഷ്യ ചാമ്പ്യനെ ഗോയിലൂടെ തോല്പ്പിച്ചിരിക്കുന്നു—ഒരിക്കല് അഭ്യാപ്തമാകാനിടയില്ലെന്ന് കരുതപ്പെട്ടിരുന്നത്. അതിങ്കുതന് ശേഷം, AI ബോര്ഡ് ഗെയിമുകളില് നിന്നു വീഡിയോ ഗെയിമുകളേക്കാം വികസിച്ചു, reinforcement learning എന്ന സാങ്കേതികത ഉപയോഗിച്ച്, ഇത് ചാറ്റ്ജിപിടി പോലുള്ള ചാറ്റ് ബോട്ടുകളെ പരിശീലിപ്പിക്കാനും, Atari ഗെയിമുകളും, Dota 2, Starcraft II പോലുള്ള തന്ത്രസമ്പന്നമായ കളികളെയും മെച്ചപ്പെടുത്താനാകും. എന്നാല്, വലിയതോതില് തുറന്ന-ended ഗെയിമുകള് അതിവേഗം പഠിക്കാന് AI കക്കുറവുണ്ട്—ഇവ മനുഷ്യന് മികച്ചതെന്തെന്നു കാണാം. ഉപേക്ഷിച്ച് മനുഷ്യTunesക്കുള്ള അനുപാതമായും, പുതുതായി പരിചയമാകുന്ന ഗെയിമില് എങ്ങനെ അതിന്റെ അടിസ്ഥാന പൊരുത്തങ്ങള് വേഗം മനസിലാക്കുന്നു, AI മോഡലുകള് പലപ്പോഴും പരാജയപ്പെടുന്നു, NYU കംപ്യൂട്ടര് സയന്സ് പ്രൊഫസറും പണ്ഡിതനും ജുലിയന് ടോഗീലിയസ് അടങ്ങുന്നതാ നേതൃപഥം ഇത് വ്യക്തമാക്കുന്നു. മനുഷ്യ ബുദ്ധിയുമായും AI യുടെ നിലവിലെ ശേഷിയുമെല്ലാം എപ്പോഴാണ് പകരംവയ്യുക, അതില് വലിയ വഴി ഉണ്ടെന്നാണു് ഇത് സൂചിപ്പിക്കുന്നത്. ഗെയിംസ് ഏറെക്കുറപ്പോൾ AI ന് പരീക്ഷണങ്ങൾക്കായി ഉപയോഗിച്ചിരുന്നത് കാരണം അവയുടെ നിയമങ്ങൾ പ്രവചനീയവും, ലക്ഷ്യങ്ങൾ നിര്ദിഷ്ടമായും, യന്ത്രം വീണ്ടും വീണ്ടും കളി കളിക്കുകയും, ഇറ്ററേഷന് വഴി മെച്ചപ്പെടുകയും ചെയ്യുന്ന reinforcement learning യുടെ അടിസ്ഥാനത്തിലായിരുന്നു. ഈ തത്ത്വചിന്ത, DeepMind-ന്റെ 2015ൽ അറ്റാരി ഗെയിമുകള് ജേതാക്കളാക്കിയത്, ഇന്നത്തെ വലിയ ഭാഷാ മോഡലുകളെ അവതരിപ്പിക്കുന്നതിൽ അടിസ്ഥാനവുമായിരുന്നു. പക്ഷേ, ഇവ പ്രത്യേക സാഹചര്യങ്ങളിലും നിബന്ധനകളിലും മാത്രമാണ് നേട്ടമുണ്ടാക്കുന്നത്; ചെറിയ മാറ്റങ്ങൾ ഗെയിമിന്റെ രൂപകല്പനയ്ക്ക്, AI യുടെ പ്രകടനത്തെ ബാധിക്കും. ഒരു ഗെയിമിൽ സൂപ്പർഹ്യൂമന് കഴിവ് കൈവരിച്ചെങ്കിലും, AI അതിന്റെ അനുകരണശേഷിയിലാണ് പരിമിതപ്പെട്ടു. ഈ പരിമിതിയുടെ വിശദത അധികമെന്ന്, ഇന്നത്തെ ഗെയിമുകൾ കൂടി തുറന്ന-endedും, കൃത്യമായത്രമായതും അല്ലാതെയൊക്കെ കൂടിയിരിക്കുന്നപ്പോൾ കാണാം.
ചെറിയ കണ്ടെക്സ്റ്റ് അറിയാതെ ഉള്ള ഗെയിമുകള് ഉണ്ടാകുമ്പോള്, മനുഷ്യര് അതിന്റെ പ്രത്യേകതകളും, ഭേദഗതികളും മനസിലാക്കുന്നത് സ്വാഭാവികമാണ്; യന്ത്രങ്ങൾ അതി വേഗം മനസ്സിലാക്കാനാകില്ല. “Minecraft” പോലുള്ള സാന്ഡ്ബോക്സും പോലുള്ള ലഘുവായ ഗെയിമുകളിലും, AI-യ്ക്ക് അടിസ്ഥാന ക്രിയകൾნება മാത്രമേ മനസിലാകുക, യഥാര്ത്ഥ സാഹചര്യങ്ങളുടെ വ്യക്തത അറിയാതെ. എഴുതുകരോ, ഗെയിമുകൾ മനുഷ്യരുടെ ഏകാന്തമായ പ്രവൃത്തിപരമായു് ജീവിത അനുഭവങ്ങളും സ്വഭാവങ്ങളും സൗകര്യപ്പെടുത്തുന്ന നന്നായുള്ള സമന്പൂർണ്ണ ഉത്പന്നങ്ങളാണെന്ന്, ലേഖകര് ബോധവൽക്കരിക്കുന്നു. ഉദാഹരണത്തിന്, പാവങ്ങൾ ഏകദേശം 18-24 മാസം മുതലായുള്ള സമയത്ത് അനുഭവത്തിലൂടെ അവയെ തിരിച്ചറിയാൻ പഠിക്കുന്നു, എന്നാൽ യന്ത്രങ്ങൾ അതിന് പുറമേ നിർദ്ദേശങ്ങൾ ആവശ്യപ്പെടുന്നു. ഈ അനുഭവപരിചയം മനുഷ്യർക്കു് പുതിയ ഗെയിമുകൾ കുറെ വേഗത്തിലായിരിക്കും പഠിപ്പിക്കുന്നത്. ഗവേഷകർ കാണുന്നു, Curiosity-Driven Reinforcement Learning AI ഏകദേശം നാല് മില്യൺ കീസ്പ്രെസ്സുകൾ—അല്ലാതായ 37 നേരം തുടർച്ചയുള്ള സമയം—a ഗെയിം പൂർത്തിയാക്കാൻ ആവശ്യമാകുമ്പോൾ, സാധാരണ മനുഷ്യ ഗെയിമർമാർക്ക് കുറച്ച് മണിക്കൂറിനുള്ളിൽ പുതിയ തന്ത്രങ്ങളിലേക്കു് മനസ്സു കൊണ്ടുവരുന്നത് സാധ്യമാണ്. എന്നാല്, AI പൊരുത്തമുറപ്പിച്ച കളികളില് പുരോഗതി നേടുകയാണ്. 2023-ല്, Google DeepMind Sima 2 എന്ന മോഡല് പരിചയപ്പെടുത്തി, അത് സീനിയർ AI-നെ കിഴിക്കുമ്പോൾ, അതിന്റെ reasoningഉം കൃത്യതയുമൊപ്പം 3D ഗെയിമുകളുമായും കൂടിയടിപ്തുന്നു—അതിന് പ്രത്യേകമായ പരിശീലനം ആവശ്യമായിട്ടും ഇല്ല. എന്നാല്, ടോഗീലിയസും കൂട്ടുകാരും മുന്നറിയിപ്പ് നല്കുന്നത്, ഇത് വരെ AI മനുഷ്യരുടെ നേടിയെടുക്കലിനെ തൊട്ടുകടുത്തതുമായിട്ടും, വിപരീതമായ ഫലങ്ങൾ കാണാന് ബാക്കി എന്നും. അവര് ഒരു ബാച്ച്മാർക്ക് നിര്ദ്ദേശിക്കുന്നു, അത്, സ്റ്റീം അല്ലെങ്കില് ഐ. ഒ. എസ് പ്ലേ സ്റ്റോറിലുള്ള 100 പ്രധാന ഗെയിമുകളിലൊന്നും, ആദ്യമായി പഠിക്കാതെ കളിച്ചു, ജയിക്കാനും സാധിക്കണം—അതുപോലെ അതിജീവിക്കാനുമാകും, മനുഷ്യന് എടുക്കുന്ന സമയം പോലെ. ഇത് അത്യന്തം വെല്ലുവിളികളാണ്, ഇപ്പോഴത്തെ AI റോഡ്മാപ്പ് അതിന് ലക്ഷ്യമിടുന്നെന്നു തോന്നാറില്ല, ശ്രമിക്കാറുമില്ല. ഈ പൊതുസാധാരണ വളരുത്ത്, യഥാര്ത്ഥ സൃഷ്ടിവൈഭവവും, മുൻകൂർ പദ്ധതിയിടലും, സ്പഷ്ടമായ ധാരണകളും കാണിക്കുക, അതാണ് മനുഷ്യബുദ്ധിയുടെ പ്രത്യേകതകൾ. അതിനാൽ, “മനുഷ്യാനുരൂപ ബുദ്ധിവരുത്തലിൽ” AI-യുടെ യഥാർത്ഥ പരിശോധന, അത്രമേല് ഗഹനമായ ഫെയ്ക്കുകളോ, കുറുക്കიანი നോവല് എഴുതലോ അല്ല, അതിന് മതിയാകണം, മനുഷ്യ സ്വഭാവം പോലെ നൂറ്റാണ്ടുകള് ഒറ്റപ്പെട്ട അനുഭവങ്ങളിലൂടെ പഠിച്ച്, വിവിധ ഗെയിമുകളില് തന്നെ ഫ്ലെക്സിബിലിറ്റിയും, വ്യത്യസ്തവും രചനയുമായുള്ള കഴിവുകളും സ്വന്തമാക്കുക എന്നതാകാം.
Watch video about
ആർട്ടിഫിഷ്യൽ ഇന്റലിജെൻസിലെ പുരോഗതിയും മനുഷ്യൻ തലത്തിലുള്ള ഗെയിമിംഗ് ബുദ്ധിമുട്ടുകളും
Try our premium solution and start getting clients — at no cost to you
