Đăng ký bản tin hàng ngày của Popular Science để nhận các đột phá, phát hiện và mẹo tự làm bàn giao sáu ngày trong tuần. Tiến bộ của các mô hình trí tuệ nhân tạo (AI) thường được minh họa qua khả năng chơi game của chúng. Deep Blue của IBM đã làm chấn động thế giới vào năm 1997 khi thắng kiện đại kiện tướng cờ vua Garry Kasparov, và gần hai thập kỷ sau, AlphaGo của Google đã đánh bặng một kỳ thủ nhân loại trong trò chơi Go—một điều từng được cho là không thể. Kể từ đó, AI đã tiến xa từ các trò chơi bàn cờ đến game điện tử, sử dụng học tăng cường, một kỹ thuật cũng rất quan trọng để huấn luyện các chatbot như ChatGPT, giúp máy móc làm chủ các trò Atari và các trò chơi chiến lược phức tạp như Dota 2 và Starcraft II. Tuy nhiên, AI vẫn gặp khó khăn trong việc học nhanh các trò chơi mở rộng hơn—lĩnh vực mà con người nổi trội. Khi đối mặt với một trò chơi lạ, người chơi nhanh chóng nắm bắt các nguyên tắc cơ bản, trong khi mô hình AI thường thất bại, như được nhấn mạnh trong một bài báo gần đây của giáo sư khoa học máy tính Julian Togelius của NYU cùng các đồng nghiệp. Khoảng cách này làm nổi bật sự khác biệt cốt lõi giữa trí tuệ con người và khả năng hiện tại của AI, cho thấy AI còn rất xa mới đạt hoặc vượt qua trí tuệ nhân loại thực sự. Các trò chơi đã lâu vẫn là các sân tập lý tưởng cho AI nhờ vào các quy tắc có thể dự đoán, mục tiêu rõ ràng và cơ chế chơi rõ ràng, phù hợp với phương pháp học tăng cường: các mô hình chơi đi chơi lại nhiều lần trong các mô phỏng để cải thiện qua thử và sai. Phương pháp này đã giúp DeepMind năm 2015 chinh phục các trò chơi Atari và hiện ảnh hưởng đến các mô hình ngôn ngữ lớn được huấn luyện dựa trên lượng dữ liệu khổng lồ từ internet. Tuy nhiên, những mô hình này chỉ giỏi trong các nhiệm vụ cụ thể với các giới hạn rõ ràng; những thay đổi nhỏ trong thiết kế trò chơi có thể làm gián đoạn hiệu suất của AI. Trong khi AI có thể đạt đến mức siêu nhân trong một trò chơi cụ thể, nó lại gặp khó khăn trong việc ứng biến. Hạn chế này càng rõ nét khi các trò chơi hiện đại trở nên mở rộng và trừu tượng hơn. Không giống như cờ vua, các trò chơi như “Red Dead Redemption” mở rộng thế giới có các mục tiêu phức tạp liên quan đến việc nhập vai một nhân vật mang nhiều xung đột đạo đức thay vì các mục tiêu rõ ràng.

Con người hiểu các khía cạnh này một cách trực giác; máy móc thì không. Ngay cả trong các trò chơi sandbox đơn giản hơn như “Minecraft, ” AI cũng chỉ thực hiện các hành động cơ bản như nhảy mà không hiểu rõ ngữ cảnh của chúng. Các tác giả nhấn mạnh rằng các trò chơi được thiết kế tốt ăn khớp chặt chẽ với trực giác, sự hiểu biết thông thường và kinh nghiệm sống của con người—những điều mà con người tích lũy qua nhiều năm tương tác thực tế. Ví dụ, trẻ sơ sinh bắt đầu nhận diện vật thể khoảng 18 đến 24 tháng tuổi chỉ thông qua trải nghiệm, trong khi máy móc đòi hỏi nhiều dữ liệu chỉ dẫn và hướng dẫn hơn. Ưu thế thực nghiệm này giúp con người học các trò chơi mới nhanh hơn. Nghiên cứu cho thấy AI dựa trên sự tò mò và học tăng cường có thể cần tới khoảng 4 triệu lần nhấn phím—tương đương khoảng 37 giờ liên tục—để hoàn thành một trò chơi, trong khi các game thủ trung bình thường tiếp thu các cơ chế mới trong chưa đầy 10 giờ. Dù vậy, AI vẫn đang tiến bộ trong việc chơi tổng quát. Năm 2023, Google DeepMind giới thiệu SIMA 2, một mô hình kết hợp AI hiện có với khả năng suy luận từ mô hình ngôn ngữ lớn Gemini của họ, giúp hiểu và tương tác tốt hơn với các trò chơi 3D—kể cả những trò không hề được huấn luyện đặc biệt. Tuy nhiên, Togelius và các cộng sự cảnh báo rằng AI vẫn còn nhiều bước cần tiến để có thể thích ứng như con người. Họ đề xuất một chuẩn đánh giá trong đó mô hình có thể chơi và chiến thắng top 100 trò chơi trên Steam hoặc iOS App Store mà không cần huấn luyện trước, và làm điều đó trong khoảng thời gian tương tự như một con người. Điều này vẫn là một thách thức lớn mà các phương pháp AI hiện nay chưa gần tới, cũng chưa thực sự nỗ lực. Đạt được mức độ tổng quát này sẽ yêu cầu AI thể hiện sự sáng tạo, khả năng lập kế hoạch dài hạn và tư duy trừu tượng—những phẩm chất đặc trưng của trí tuệ con người. Cuối cùng, thử thách thực sự để AI đạt đến “trí tuệ con người” có thể không nằm ở việc tạo ra các deepfake hoặc viết tiểu thuyết nông cạn, mà ở khả năng thành thạo một loạt các trò chơi đa dạng với tốc độ học hỏi và hiểu biết gần như con người.