Mag-subscribe sa araw-araw na newsletter ng Popular Science para sa mga balita, tuklas, at DIY na tips na inihahatid anim na araw sa isang linggo. Karaniwan nang ipinapakita ang progreso ng mga artificial intelligence (AI) na modelo sa kanilang husay sa paglalaro. Nagpahanga ang IBM Deep Blue noong 1997 nang talunin nito ang grandmaster ng dami na si Garry Kasparov, at halos dalawang dekada ang lumipas, nalagpasan ng Google AlphaGo ang isang kampion na tao sa Go—isang bagay na dati akalaing imposible. Mula noon, umusad na ang AI mula sa mga board game tungo sa mga video game, gamit ang reinforcement learning, isang teknik na mahalaga rin sa pag-train ng mga chatbot tulad ng ChatGPT, na nagpapahintulot sa mga makina na matutunan ang paglalaro ng Atari games at mga komplikadong strategy tulad ng Dota 2 at Starcraft II. Gayunpaman, nahihirapan pa rin ang AI na mabilis na matutunan ang iba't ibang mas bukas na klase ng mga laro—isang larangan na mahusay ang mga tao. Kapag humarap sa isang hindi pamilyar na laro, mabilis na nadadama ng mga tao ang mga pangunahing kaalaman nito, samantalang madalas nabibigo ang mga AI model, tulad ng inilahad sa isang kamakailang papel ng propesor ng computer science sa NYU na si Julian Togelius at mga kasamahan. Pinapakita nito na isang pangunahing pagkakaiba ang katangiang ito sa pagitan ng intelihensiya ng tao at ang kasalukuyang kakayahan ng AI, na nagsasabi na malayo pa ang tatahakin ng AI bago marating o malagpasan ang tunay na antas ng intelihensiya ng tao. Matagal nang nagagamit ang mga laro bilang perpektong pagsusubok para sa AI dahil sa kanilang predictable na mga patakaran, malinaw na mga layunin, at mekanismo, na akma sa reinforcement learning: paulit-ulit na nilalaro ng mga modelo ang mga laro sa mga simulation upang mapa-unlad sa pamamagitan ng trial at error. Ang metodong ito ang nagtulak kay DeepMind noong 2015 na maangkin ang kasanayan sa Atari games at nakaaapekto pa rin sa mga malalaking language model ngayon na sinanay sa napakalaking datos mula sa internet. Gayunpaman, ang mga modelong ito ay mahusay lamang sa mga gawain na may malinaw na limitasyon; kahit bahagyang pagbabago sa disenyo ng laro ay maaaring makapagpababa sa kakayahan ng AI. Kahit pa makuha nito ang sobrang husay sa isang partikular na laro, nahihirapan ito sa improvisation. Mas lalong napapansin ang limitasyong ito habang ang mga modernong laro ay nagiging mas bukas ang pagtatakda at abstract. Hindi tulad ng chess, ang mga laro gaya ng “Red Dead Redemption” ay may mga komplikadong layunin na nakatali sa pagganap bilang isang may moral na conflict na tauhan, kaysa sa mga tuwirang target.

Natural na nauunawaan ito ng mga tao; hindi ganito ang AI. Kahit sa mas simpleng sandbox games tulad ng "Minecraft, " maaaring gawin ng AI ang mga batayang galaw gaya ng pagtalon nang hindi nauunawaan ang konteksto nito. Binibigyang-diin ng mga awtor na ang mahusay na disenyo ng mga laro ay malapit na nakaugnay sa instinct, common sense, at karanasan na natatamo ng tao sa loob ng maraming taon ng pakikipag-ugnayan sa totoong mundo. Halimbawa, natututo ang mga sanggol makilala ang mga bagay bandang 18 hanggang 24 na buwan sa pamamagitan lamang ng karanasan, samantalang ang mga makina ay nangangailangan ng mas maraming gabay na input. Ang experiential na advantage na ito ang nagbigay-daan sa mga tao na mas mabilis matutunan ang mga bagong laro. Ipinapakita ng pananaliksik na ang curiosity-driven reinforcement learning AI ay maaaring mangailangan ng humigit-kumulang apat na milyon na keypress—o humigit-kumulang 37 na oras na tuloy-tuloy—para matapos ang isang laro, habang ang karaniwang gamer ay natututo ng bagong mekaniko sa mas mababa sa 10 oras. Sa kabila nito, umuusad ang AI sa pangkalahatang gameplay. Noong 2023, ipinakilala ng Google DeepMind ang SIMA 2, isang modelo na pinagsasama ang dating AI at kakayahan sa pangangatwiran mula sa Gemini large language model nito, na nagpapahusay sa pagkaunawa at pakikipag-ugnayan sa 3D na mga laro—kahit yaong hindi ito partikular na sinanay. Ngunit pinaaalalahanan ni Togelius at mga kasamahan na malayo pa ang lalakarin ng AI bago makamit ang adaptabilidad ng tao. Inirerekomenda nila ang isang benchmark kung saan ang isang modelo ay makakapaglaro at mananalo sa top 100 na laro sa Steam o sa iOS App Store nang walang paunang pagsasanay sa alinman sa mga ito—at gagawin ito sa halos parehong takdang oras na kasabay ng isang tao. Isa itong napakahalagang hamon na hindi pa matugunan ng kasalukuyang mga pamamaraan ng AI. Ang pag-abot sa antas na ito ng pangkalahatang kakayahan ay mangangailangan ng AI na ipakita ang tunay na pagkamalikhain, forward planning, at abstract thinking—mga katangiang natatangi sa intelihensiya ng tao. Sa huli, ang tunay na pagsusulit para sa AI na maabot ang “antas ng intelihensiya ng tao” ay hindi lang sa paggawa ng mga deepfake o pagsulat ng mababaw na nobela, kundi sa kakayahan nitong matutunan ang isang malawak na saklaw ng iba't ibang laro nang may learning speed at pag-unawa na katulad ng sa tao.