Долоо хоногт зургаан өдөр шинэ нээлт, нээлтийн төрөл, DIY зөвлөгөөг хүргэдэг Популяр шинжлэх ухааны өдөр тутмын мэдээний цуваа захиалаарай. Хиймэл оюун ухааны (ХОУ) загваруудын хөгжлийг ихэвчлэн тэдний тоглоом тоглох чадвараар илэрхийлдэг. IBM-ийн Deep Blue нь 1997 онд шатарын мастер Гарри Каспаровыг ялан шавхуурдсан бөгөөд бараг хоёр арван жилийн дараа Google-ийн AlphaGo нь хүнлэг дэлхийн аваргыг го тоглоомд ялан дийлсэн—эхэндээ үл боломжтой зүйл гэж үздэг байсан. Үүний дараа ХОУ ширээний тоглоомоос эхлээд видео тоглоом руу шилжиж, бэхжүүлсэн сургалт (reinforcement learning) техник ашиглан, ChatGPT маягийн чатботуудыг сургасан, үүнийг ашиглан машин нь Atari тоглоом, Dota 2, Starcraft II зэрэг төвөгтэй стратегийн тоглоомуудаар мэргэших боломжтой болсон. Гэвч ХОУ хурдан өөр өөр нээлттэй хэлбэрийн тоглоомыг сурахад одоо ч төвөгтэй байсаар байна—эх орон хүмүүстээ илүү. Танихгүй тоглоом нүүр тулгарахад хүмүүст хурдан ойлгодог бөгөөд үндсэн зарчмуудыг хүлээн авч чаддаг бол, ХОУ загварууд үргэлж алдаж, бүтэлгүйтдэг; үүний жишээ нь NYU-ын компьютэрын шинжлэх ухааны профессор Julian Togelius болон түүний хамтран зүтгэгчдийн саяхны судалгаагаар харуулсан. Энэ алдагдал нь хүний оюун ухаан ба одоо хүртэлх ХОУ-ийн чадварын үндсийн ялгааг илтгэдэг бөгөөд, бодит хүний түвшний оюун ухаанд хүрэх эсвэл давж гарцахад ХОУ-д их зам байхыг онцолдог. Тоглоом нь удаан хугацаанд ХОУ-д зөвхөн нэгэн төгс жишээ байхаас гадна, илүү өргөн хүрээтэй, илүү хялбаршилттай болсноор илүү чухал болж байна. Шатрын эсрэг, хичнээн энгийн байхаас үл хамааран “Red Dead Redemption” гэх мэт нээлттэй дэлхийн тоглоомууд нь зорилго нь хэн нэгэн ёс суртахуунтай тулгамдсан дүрийг биежүүлдэг, үнэмлэхийн аргагүй төвөгтэй байдаг. Хүмүүс ийм нарийн ширийн зүйлийг царайчилдаг; машин нь үүнийг ойлгодоггүй. Чанарт нэгэн адил, “Minecraft” гэх мэт энгийн sandbox тоглоомонд ч ХОУ үндсэн үйлдлүүдийг гүйцэтгэж болох ч, түүнийг ямар нөхцөл байдалд хийж буйгаа ойлгохгүй. Зохиогч нар онцолдог нь сайн боловсруулсан тоглоом нь хүний ертөнцийн ойлголт, санаа бодол, амьдралаар олж авсан туршлагаас ихээхэн хамаардаг.

Жишээлбэл, нярай хүүхэд бараг 18-24 сартайдаа обьектыг танихад сурчихдаг бөгөөд энэ нь зөвхөн туршлагаар давтагддаг бол, машин нь илүү олон зааварчилгаа шаарддаг. Энэ туршлагатай давуу тал нь хүмүүст шинэ тоглоомыг хурдан сурахад тусалдаг. Судалгаагаар, сонирхол хөдлөх бэхжүүлэх сургалт (curiosity-driven reinforcement learning) бүхий ХОУ шинэ тоглоомыг гүйцэтгэхэд ойролцоогоор дөрвөн сая түлхүүр товшино, буюу ойролцоогоор 37 цаг үргэлжлэх шаардлагатай байдаг бол, дундаж хүмүүн тоглоомын шинэ механикийг 10 цаг хүртэл сурах нь элбэг. Гэсэн хэдий ч, ХОУ ерөнхий тоглоом тоглох тал дээр ахиц гарч байна. 2023 онд Google DeepMind нь SIMA 2 загварыг танилцуулсан нь, эхний хэтрүүлгийн хиймэл оюун ухаан (AI) болон “Gemini” нэртэй том хэлний загварын оюун ухааны чадварыг нэгтгэж, илүү сайн ойлголт, 3D тоглоомуудтай харилцаа холбоог сайжруулсан. Үүнээс гадна, Togelius болон түүний хамтрагчид ХОУ одоо ч хүний чадварын адилаар өөрийгөө хурдан боловсронгуй болгох тал дээр их ирээдүйтэй бөгөөд, олон тоглоомыг үндсэн сургалтгүйгээр тоглож, түрүүлж ялах хялбар арга хэмжээг санал болгож байна. Гэвч энэ тодорхой зорилгод хүрэхэд одоогийн AI арга замууд ойрхон биш бөгөөд туршлага шаарддаг. Энэ түвшинд хүртэл нийтлэг ойлголтыг олж авахын тулд ХОУ жинхэнэ бүтээлч байдал, урьдчилан төлөвлөлт, мөн илүү өргөн сэтгэлгээг харуулах ёстой. Тэгвэл хамгийн чухал нь, “хүн төвшний оюун ухаан” хүрэхэд хиймэл оюун ухаан гүнзгий фэйк хийж, хошин роман бичихээс илүү, олон төрөлхийн тоглоомыг амьд харилцаа, суралцах хурдаараа эзэмших чадвар дээр үндэслэгдэж магадгүй юм.