Abonneer je op de dagelijkse nieuwsbrief van Popular Science voor doorbraken, ontdekkingen en doe-het-zelf-tips, zes dagen per week geleverd. De vooruitgang van kunstmatige intelligentie (AI)-modellen wordt vaak geïllustreerd door hun schaakvaardigheden. IBM’s Deep Blue verraste de wereld in 1997 door grootmeester Garry Kasparov te verslaan, en bijna twee decennia later won Google’s AlphaGo van een menselijke kampioen in Go—ooit voor onmogelijk gehouden. Sindsdien is AI geëvolueerd van bordspellen naar videogames, gebruikmakend van reinforcement learning, een techniek die ook cruciaal is voor het trainen van chatbots als ChatGPT, waardoor machines Atari-spellen en complexe strategietitels zoals Dota 2 en Starcraft II onder de knie krijgen. Toch blijft AI moeite houden met snel leren van diverse, meer open-eindige spellen—een domein waarin mensen uitblinken. Wanneer ze geconfronteerd worden met een onbekend spel, begrijpen menselijke spelers de basis snel, terwijl AI-modellen vaak falen, zoals blijkt uit een recent artikel van Julian Togelius, hoogleraar computerwetenschappen aan NYU, en collega’s. Deze kloof wijst op een fundamenteel verschil tussen menselijke intelligentie en de huidige capaciteiten van AI, en benadrukt dat AI nog een lange weg te gaan heeft voordat het echte menselijke intelligentie bereikt of overstijgt. Spellen dienen al lange tijd als ideale proefvelden voor AI vanwege hun voorspelbare regels, vastgestelde doelen en mechanismen, die goed passen bij reinforcement learning: modellen spelen herhaaldelijk spellen in simulaties om zich te verbeteren via proberen en fouten maken. Deze aanpak stelde DeepMind in 2015 in staat om Atari-spellen te beheersen en beïnvloedt tegenwoordig grote taalmodellen die op enorme internetgegevens zijn getraind. Toch excelleren deze modellen slechts bij specifieke taken met duidelijke beperkingen; kleine veranderingen in het ontwerp van een spel kunnen de prestaties van AI verstoren. Hoewel AI in één bepaald spel superieur kan worden aan mensen, heeft het moeite met improviseren. Deze beperking wordt duidelijker naarmate moderne spellen steeds meer open-ended en abstract worden. In tegenstelling tot schaak hebben spellen zoals het openwereldspel “Red Dead Redemption” complexe doelen die verbonden zijn aan het belichamen van een moreel conflicterend personage, in plaats van eenvoudige doelen.

Mensen begrijpen zulke nuances intuïtief; machines niet. Zelfs in simpelere sandbox-spellen als “Minecraft” kan AI basisacties uitvoeren, zoals springen, zonder de context ervan te begrijpen. De auteurs benadrukken dat goed ontworpen spellen nauw aansluiten bij menselijke intuïtie, gezond verstand en geleefde ervaring—wat mensen opbouwen door jarenlange interactie met de echte wereld. Een voorbeeld: baby’s leren objecten herkennen rond de 18 tot 24 maanden, enkel door ervaring, terwijl machines veel meer begeleidende input nodig hebben. Dit ervaringsvoordeel stelt mensen in staat om nieuwe spellen sneller te leren. Onderzoek toont aan dat AI met nieuwsgierigheid-gedreven reinforcement learning ongeveer vier miljoen toetsaanslagen nodig heeft—zo’n 37 uur onafgebroken spelen—om een spel uit te spelen, terwijl gemiddelde menselijke gamers meestal nieuwe mechanics binnen 10 uur onder de knie krijgen. Toch maakt AI vordering in algemeen gamen. In 2023 introduceerde Google DeepMind SIMA 2, een model dat bestaande AI combineert met redeneringsmogelijkheden van de grote taalmodel Gemini, waardoor het beter kan begrijpen en omgaan met 3D-spellen—zelfs die het niet speciaal getraind heeft. Toch waarschuwen Togelius en collega’s dat AI nog aanzienlijk moet verbeteren voordat het de menselijke flexibiliteit evenaart. Zij stellen een benchmark voor waarin een model de top 100 games op Steam of de iOS App Store kan spelen en winnen zonder vooraf te trainen op een van hen—en dat in ongeveer dezelfde tijd die een mens erover zou doen. Dit blijft een enorme uitdaging, waar huidige AI-methoden noch dicht bij staan, noch serieus proberen te overwinnen. Het bereiken van dit niveau van generalisatie zou van AI ware creativiteit, vooruitziende planning en abstract denken vereisen—kwaliteiten die uniek zijn voor menselijke intelligentie. Uiteindelijk ligt de ware test voor AI op het niveau van “menselijk leren”: niet in het maken van deepfakes of oppervlakkige romans schrijven, maar in het vermogen om een breed scala aan diverse spellen te beheersen met een menselijke snelheid en begrip.