Langgan surat berita harian Popular Science untuk mendapatkan perkembangan terbaru, penemuan, dan tip DIY setiap enam hari seminggu. Kemajuan model kecerdasan buatan (AI) sering digambarkan melalui kemampuan mereka dalam permainan. Deep Blue dari IBM menggemparkan dunia pada tahun 1997 apabila mengalahkan grandmaster catur Garry Kasparov, dan hampir dua dekad kemudian, AlphaGo dari Google mengalahkan juara manusia dalam permainan Go—yang dulu dianggap mustahil. Sejak itu, AI telah berkembang daripada permainan papan kepada permainan video, menggunakan pembelajaran penguatan, satu teknik penting juga untuk melatih chatbot seperti ChatGPT, membolehkan mesin menguasai permainan Atari dan permainan strategi kompleks seperti Dota 2 dan Starcraft II. Namun, AI masih menghadapi cabaran dalam mempelajari permainan yang lebih terbuka dengan cepat—bidang di mana manusia cekap. Apabila berhadapan dengan permainan yang asing, pemain manusia dengan pantas memahami asasnya, manakala model AI sering gagal, seperti yang diketengahkan dalam sebuah kertas kajian baru oleh profesor sains komputer NYU, Julian Togelius, dan rakan-rakannya. Jurang ini menegaskan perbezaan asas antara kecerdasan manusia dan keupayaan AI semasa, menunjukkan bahawa AI masih jauh perjalanan untuk mencapai atau melebihi tahap kecerdasan manusia sebenar. Permainan telah lama menjadi medan ujian yang ideal untuk AI kerana peraturannya yang boleh diramal, matlamat yang jelas, dan mekanik yang sesuai dengan pembelajaran penguatan: model memainkan permainan berulang kali dalam simulasi untuk memperbaiki diri melalui percubaan dan ralat. Pendekatan ini membolehkan DeepMind mencapai kemahiran dalam permainan Atari pada tahun 2015 dan memberi pengaruh kepada model bahasa besar hari ini yang dilatih menggunakan data internet yang besar. Namun, model ini hanya cemerlang dalam tugas-tugas tertentu dengan batasan yang jelas; sedikit perubahan dalam rekaan permainan boleh mengganggu prestasi AI. Walaupun AI mungkin mencapai kemahiran melebihi manusia dalam satu permainan tertentu, ia menghadapi kesukaran dalam improvisasi. Had ini lebih jelas apabila permainan moden menjadi semakin terbuka dan abstrak. Tidak seperti catur, permainan seperti “Red Dead Redemption” yang berlatarkan dunia terbuka mempunyai objektif yang kompleks dan terkait dengan pengisahan watak yang bermoral bergelut, bukan hanya matlamat yang mudah.

Manusia secara intuitif memahami nuansa ini; mesin tidak. Malah dalam permainan sandbox yang lebih ringkas seperti “Minecraft, ” AI mungkin melakukan tindakan asas seperti melompat tanpa memahami konteksnya. Pengarang menegaskan bahawa permainan yang direka dengan baik sangat sejajar dengan intuisi manusia, akal sehat, dan pengalaman hidup—yang dikumpul oleh manusia selama bertahun-tahun interaksi dunia sebenar. Contohnya, bayi belajar mengenal objek sekitar usia kira-kira 18 hingga 24 bulan hanya melalui pengalaman, manakala mesin memerlukan lebih banyak arahan secara terperinci. Kelebihan pengalaman ini membolehkan manusia mempelajari permainan baru dengan lebih pantas. Penyelidikan menunjukkan AI pembelajaran penguatan yang digerakkan oleh rasa ingin tahu mungkin memerlukan sekitar empat juta penekanan kekunci—atau lebih kurang 37 jam berterusan—untuk menyelesaikan satu permainan, manakala pemain manusia biasa sering memahami mekanik baru dalam kurang dari 10 jam. Walaupun begitu, AI semakin maju dalam permainan secara umum. Pada tahun 2023, Google DeepMind memperkenalkan SIMA 2, model yang menggabungkan AI sedia ada dengan kebolehan berfikir dari model bahasa besar Gemini, membolehkan pemahaman dan interaksi yang lebih baik dengan permainan 3D—even yang tidak dilatih secara khusus. Namun, Togelius dan rakan-rakannya memberi amaran bahawa AI masih mempunyai jarak yang jauh sebelum mampu menandingi kebolehsuaian manusia. Mereka mencadangkan satu penanda aras di mana sebuah model boleh bermain dan menang dalam 100 permainan teratas di Steam atau iOS App Store tanpa latihan awal ke atas mana-mana permainan tersebut—dan melakukannya dalam jumlah masa yang hampir sama dengan manusia. Ini masih merupakan cabaran besar yang belum mampu diselesaikan oleh teknik AI semasa, malah tidak pernah dicuba secara serius. Mencapai tahap generalisasi ini memerlukan AI menunjukkan kreativiti sejati, perancangan ke hadapan, dan pemikiran abstrak—nilai-nilai yang secara unik menjadi ciri kecerdasan manusia. Akhirnya, ujian sebenar untuk AI mencapai “kecerdasan setara manusia” mungkin bukan dalam mencipta deepfake atau menulis novel cetek, tetapi dalam keupayaannya untuk menguasai pelbagai permainan yang pelbagai dengan kelajuan pembelajaran dan pemahaman yang menyerupai manusia.