Prijavite se na svakodnevni newsletter Popular Science za najnovije preboje, otkrića i savete za uradi sam, dostupan šest dana u nedelji. Napredak u modelima veštačke inteligencije (VI) često se prikazuje njihovom veštinom u igranju igrica. Deep Blue od IBM-a iznenadio je svet 1997. godine pobedivši šahovskog velemajstora Garija Kasparova, a gotovo dve decenije kasnije, AlphaGo od Google-a pobedio je ljudskog šampiona u igri Go — za koju se ranije smatralo da je nemoguće savladati veštačkom inteligencijom. Od tada, VI je napredovala od tabliških igara do video-igara, koristeći učenje putem pojačanja, tehniku koja je takođe ključna za obuku chatbotova poput ChatGPT-a, omogućavajući računarima da savladaju Atari igre i složene strategijske naslove kao što su Dota 2 i Starcraft II. Međutim, veštačka inteligencija i dalje ima problema sa brzom učenjem raznolikih i otvorenijih igara — područja u kojima ljudi exceliraju. Kada se suoče sa nepoznatom igrom, ljudi brzo shvate njene osnove, dok modeli VI često nisu uspešni, što je istaknuto u nedavnom radu profesora računarskih nauka sa NYU-a, Julijana Togeliusa, i njegovih kolega. Ovaj jaz ističe osnovnu razliku između ljudske inteligencije i trenutnih mogućnosti VI, pokazujući da veštačka inteligencija ima dug put pred sobom pre nego što dostigne ili prevaziđe pravu ljudsku razinu. Igre dugo služe kao idealan poligon za testiranje VI zbog svojih predvidivih pravila, definisanih ciljeva i mehanika, što se dobro uklapa sa učenjem putem pojačanja: modeli se više puta igraju u simulacijama kako bi napredovali kroz pokušaje i pogreške. Ovaj pristup omogućio je DeepMind-u 2015. godine da savlada Atari igre i danas utiče na razvoj velikih jezičkih modela treniranih na masivnim podacima sa interneta. Ipak, ovi modeli odlično funkcionišu samo u specifičnim zadacima sa jasnim ograničenjima; male izmene u dizajnu igre mogu narušiti performanse veštačke inteligencije. Iako VI može postati superljudska u jednoj igri, ima problema sa improvizacijom. Ovaj nedostatak sve više dolazi do izražaja kako modernije igre postaju sve otvorenije i apstraktnije.

Za razliku od šaha, igre poput otvorenog sveta, poput “Red Dead Redemption”, imaju složene ciljeve povezane sa glumom moralno suprotstavljenog lika, a ne jednostavnim zadacima. Ljudima su takve nijanse intuitivne; mašinama nisu. Čak i u jednostavnijim sandbox igrama kao što je “Minecraft”, VI može izvesti osnovne radnje poput skoka, ali bez razumevanja njihovog konteksta. Autori ističu da dobro osmišljene igre snažno odražavaju ljudsku intuiciju, zdrav razum i iskustvo – koje ljudi stiču tokom godina iskustva u stvarnom svetu. Na primer, bebe počinju da prepoznaju predmete već u dobi od 18 do 24 meseca, jednostavno kroz iskustvo, dok mašine za to zahtevaju mnogo više usmerenog učenja. Ovo iskustvo daje ljudima prednost u brzini učenja novih igara. Istraživanja pokazuju da VI s radoznalošću vođeno učenjem putem pojačanja može da bude potrebno čak četiri miliona pritisaka na taster – ili otprilike 37 sati kontinuiranog igranja — da završi igru, dok prosečni ljudi često uče nove mehanike za manje od 10 sati. Ipak, VI napreduje u opštem igranju. U 2023. godini, Google DeepMind predstavio je SIMA 2, model koji kombinuje postojeću VI sa sposobnostima razmišljanja iz velikog jezickog modela Gemini, omogućavajući bolju razumevanje i interakciju sa 3D igrama — čak i onima na kojima nije specifično treniran. Ipak, Togelius i kolege upozoravaju da VI još uvek ima značajan put do usklađivanja sa ljudskom prilagodljivošću. Predlažu standard za testiranje u kojem bi model mogao da igra i osvoji 100 najboljih igara na Steamu ili App Store-u bez ranijeg treniranja na bilo kojoj od njih — i to u otprilike onom vremenu koje bi čovek potrošio. Ovo ostaje veliki izazov koji trenutni načini veštačke inteligencije još nisu ni približno rešili ni ozbiljno pokušali. Postizanje ovog nivoa opšte primenjivosti zahteva od VI da pokaže pravu kreativnost, predviđanje i apstraktno razmišljanje — osobine koje su isključivo karakteristične za ljudsku inteligenciju. Na kraju, pravi test za pronalaženje “ljudske razine inteligencije” verovatno neće biti u kreiranju deepfake-ova ili pisanju plitkih romana, već u njenoj sposobnosti da ovlada širokim spektrom raznovrsnih igara sa brzinom učenja i razumevanjem sličnim ljudskom.