Prenumerera på Popular Science:s dagliga nyhetsbrev för banbrytande upptäckter, innovationer och DIY-tips som levereras sex dagar i veckan. Framstegen för artificiell intelligens (AI) modeller illustreras ofta av deras skicklighet i spel. IBMs Deep Blue chockade världen 1997 genom att besegra schackmästaren Garry Kasparov, och nästan två decennier senare besegrade Google’s AlphaGo en mänsklig mästare i Go — en prestation som man tidigare trodde var omöjlig. Sedan dess har AI utvecklats från brädspel till videospel, med hjälp av förstärkningsinlärning, en teknik som är avgörande för träningen av chatbottar som ChatGPT, vilket gör att maskiner kan bemästra Atari-spel och komplexa strategispel som Dota 2 och Starcraft II. Trots detta har AI fortfarande svårigheter med att snabbt lära sig olika mer öppna spel — ett område där människor verkligen utmärker sig. När de ställs inför ett obekant spel tar mänskliga spelare snabbt till sig dess grundläggande regler, medan AI-modeller ofta misslyckas, vilket lyfts fram i en nyligen publicerad studie av NYU:s datavetenskapprofessor Julian Togelius och kollegor. Denna skillnad understryker en grundläggande olikhet mellan mänsklig intelligens och AI:s nuvarande förmåga, och visar att AI har en lång väg kvar innan det når eller överträffar genuin mänsklig intelligens. Spel har länge varit idealiska testplatser för AI tack vare deras förutsägbara regler, tydliga mål och mekanismer, som passar väl med förstärkningsinlärning: modeller spelar upprepade gånger spel i simuleringar för att förbättra sig genom trial and error. Denna metod gjorde att DeepMind kunde bemästra Atari-spel 2015 och påverkar dagens stora språkmodeller som tränas på enorma mängder internetdata. Trots detta är dessa modeller begränsade till specifika uppgifter med tydliga ramar; små förändringar i spelupplägget kan rubba AI:s prestation. Även om AI kan nå supermänsklig skicklighet i ett enskilt spel, kämpar den med improvisation. Denna begränsning blir tydligare i takt med att moderna spel blir mer öppna och abstrakta. Till skillnad från schack har spel som den öppna världens “Red Dead Redemption” komplexa mål kopplade till att gestalta en moraliskt tvetydig karaktär snarare än enkla, direkta målsättningar.

Människor förstår ofta dessa nyanser intuitivt; maskiner gör det inte. Även i enklare sandlådespel som “Minecraft” kan AI utföra grundläggande handlingar som att hoppa, men utan att förstå sammanhanget. Författarna poängterar att välutformade spel är nära kopplade till mänsklig intuition, sunt förnuft och erfarenhet — saker som människor samlar på sig under år av verkliga möten. Till exempel lär sig bebisar att känna igen föremål vid ungefär 18 till 24 månader, enbart genom erfarenhet, medan maskiner kräver mycket mer styrd input. Denna erfarenhetsmässiga fördel gör att människor kan lära sig nya spel snabbare. Forskning visar att AI driven av nyfikenhet och förstärkningsinlärning kan behöva omkring fyra miljoner knapptryck — eller ungefär 37 timmar i sträck — för att klara ett spel, medan genomsnittliga mänskliga spelare ofta förstår nya mekaniker på under 10 timmar. Ändå gör sig AI framsteg inom allmänt spelande. Under 2023 introducerade Google DeepMind SIMA 2, en modell som kombinerar befintlig AI med resonemangsförmågor från det stora språkmodellen Gemini, vilket möjliggör bättre förståelse och interaktion med 3D-spel — även spel den inte specifikt tränats på. Trots detta varnar Togelius och kollegor för att AI fortfarande har mycket att utveckla innan den matchar människans anpassningsförmåga. De föreslår ett mått där en modell kan spela och vinna de 100 bästa spelen på Steam eller iOS App Store utan förhandsutbildning i något av dem — och göra det ungefär på samma tid som en människa skulle behöva. Detta är en mycket svår utmaning, som nuvarande AI-metoder varken är nära att lösa eller ens försöker på allvar. Att uppnå den nivån av generell förmåga skulle kräva att AI kan visa true kreativitet, framtidssyn och abstrakt tänkande — egenskaper som är unikt för mänsklig intelligens. Det slutgiltiga testet för att AI ska kunna nå “mänsklig nivå av intelligens” kanske inte ligger i att skapa deepfakes eller skriva triviala romaner, utan i dess förmåga att bemästra ett brett spektrum av olika spel med människoliknande inlärningshastighet och förståelse.