Подпишитесь на ежедневную рассылку «Popular Science», которая приносит новости о прорывах, открытиях и советах по созданию своими руками шесть дней в неделю. Прогресс моделей искусственного интеллекта (ИИ) часто иллюстрируется их способностями в играх. В 1997 году IBM’s Deep Blue поразила мир, победив гроссмейстера Гарри Каспарова в шахматы, а почти через две десятилетия Google’s AlphaGo превзошла человека-чемпиона в Го — задачу, ранее считавшуюся невозможной. С тех пор ИИ развился от настольных игр до видеоигр, используя обучение с подкреплением — технику, которая также играет ключевую роль в обучении чатботов, таких как ChatGPT, позволяя машинам овладеть играми на Atari и сложными стратегическими играми, такими как Dota 2 и Starcraft II. Тем не менее, ИИ всё еще испытывает трудности с быстрым освоением разнообразных более открытых игр — области, в которой преуспевают люди. Когда сталкиваются с новой игрой, человеческие игроки быстро понимают её основы, в то время как модели ИИ зачастую терпят неудачу, как показано в недавней статье профессора компьютерных наук Нью-Йоркского университета Джулиана Тогелиуса и его коллег. Этот разрыв подчеркивает фундаментальное отличие человеческого интеллекта от текущих возможностей ИИ и указывает на то, что путь к достижению или превосходству истинного человеческого уровня интеллекта еще очень длинен. Игры давно служат идеальной площадкой для испытания ИИ благодаря предсказуемым правилам, четко определенным целям и механикам, хорошо сочетающимся с обучением с подкреплением: модели многократно играют в игры в симуляциях, совершенствуясь методом проб и ошибок. Такой подход позволил DeepMind в 2015 году освоить игры на Atari и оказывает влияние на современные большие языковые модели, обученные на огромных объемах интернет-данных. Однако эти модели показывают высокие результаты лишь при выполнении конкретных задач с ясными границами; даже небольшие изменения в дизайне игры могут свести их эффективность к нулю. Хоть ИИ и достигает сверхчеловеческих навыков в отдельной игре, он плохо справляется с импровизацией. Эта проблема становится более очевидной, поскольку современные игры становятся все более открытыми и абстрактными. В отличие от шахмат, такие игры, как «Red Dead Redemption», с открытым миром, имеют сложные цели, связанные с игрой за морально противоречивого персонажа, а не с простыми задачами.

Люди интуитивно улавливают такие нюансы, а машины — нет. Даже в более простых песочницах, таких как «Minecraft», ИИ может выполнять базовые действия, например, прыгать, не понимая их смысла. Авторы подчеркивают, что хорошо продуманные игры соответствуют человеческому инстинкту, здравому смыслу и жизненному опыту — всему тому, что люди накапливают за годы реальных взаимодействий с миром. Например, младенцы учатся узнавать предметы примерно в возрасте 18–24 месяцев, просто на опыте, тогда как машинам требуется гораздо более направленное обучение. Этот опыт дает людям преимущество при быстром освоении новых игр. Исследования показывают, что ИИ на базе любознательного обучения с подкреплением может потребовать порядка четырех миллионов нажатий клавиш — что примерно равносильно 37 часам непрерывной игры — чтобы пройти игру, тогда как среднестатистический человек может освоить новые механики менее чем за 10 часов. Тем не менее, ИИ делает успехи в общем игровом мастерстве. В 2023 году Google DeepMind представила SIMA 2 — модель, сочетающую текущие достижения ИИ с возможностями рассуждения их крупной языковой модели Gemini, что позволяет лучше понимать и взаимодействовать с 3D-играми, даже если её специально не обучали на них. Однако Тогелиус и его коллеги предупреждают, что ИИ еще предстоит преодолеть значительный путь, прежде чем он достигнет человеческой адаптивности. Они предлагают создать критерий, согласно которому модель сможет играть и побеждать в 100 лучших играх на Steam или в App Store на iOS, не обучаясь заранее на них — и делать это примерно за то же время, что и человек. Это остается серьезной задачей, которая пока неподъемна для существующих методов ИИ и даже не является их приоритетом. Достижение такого уровня обобщения потребует от ИИ проявления истинного творчества, стратегического мышления и абстрактного анализа — качеств, которые по своей природе характерны именно человеческому разуму. В конечном итоге, настоящий экзамен для достижения ИИ «человеческого уровня» может заключаться не в создании фальшивых образов или написании поверхностных романов, а в его способности овладеть широким спектром различных игр с человечесподобной скоростью обучения и понимания.