Varför att lära ai att spela spel är viktigt | ben dickson

OpenAI, den konstgjorda intelligensforskningslaboratoriet som grundades av Sam Altman och Elon Musk, förklarade nyligen att det skulle skicka ett lag till Vancouver i augusti för att delta i en professionell turnering i det berömda online-kampspelet Dota 2. Men till skillnad från andra lag som kommer att vara tävlar om priset på flera miljoner dollar, OpenAI s teamet kommer inte att involvera människor - åtminstone inte direkt.

Teamet kallas OpenAI Five och består av fem konstgjorda neurala nätverk som har bränt genom den enorma datorkraften i Googles moln och övat spelet om och om igen, miljoner gånger. OpenAI Five har redan bäst semi-proffs på Dota 2 och kommer att testa sin mettle mot topp 1 procent av spelarna kommer augusti.

På först blick, att spendera dyra datoriseringsresurser och knappa AI-talanger för att lära AI att spela spel kan verka ansvarslöst. OpenAI har några av världens främsta AI-forskare, som enligt The New York Times tjänar sju-siffriga löner. Kan de trots allt inte arbeta med viktigare problem, till exempel att utveckla AI som kan bekämpa cancer eller göra självkörande bilar säkrare?

Absurd som det kan tyckas för vissa har spel visat sig vara en viktig del av AI-forskningen. Från schack till Dota 2 har varje spel som AI har erövrat hjälpt oss att bryta ny mark inom datavetenskap och andra områden.

Spelhjälp Spåra framstegen med AI

Sedan idén om konstgjord intelligens på 1950-talet inleddes har spel varit ett effektivt sätt att mäta kapaciteten hos AI. De är särskilt bekväma för att testa kapaciteten för nya AI tekniker, eftersom du kan kvantifiera prestanda för AI med numeriska poäng och vinna-förlora resultat och jämföra det mot människor eller andra AI.

Det första spelet som forskarna försökte behärska genom AI var schack, som under de första dagarna betraktades som det ultimata testet av framsteg på fältet. 1996 var IBMs Deep Blue den första datorn som besegrade en världsmästare (Garry Kasparov) i schack. AI bakom Deep Blue använde en brute-force-metod som analyserade miljoner sekvenser innan de gjorde ett drag.

Medan metoden möjliggjorde Deep Blue att behärska schack, var den ingenstans nära tillräckligt effektiv för att ta itu med mer komplicerade brädspel. Enligt dagens standard anses den vara rå. När Deep Blue besegrade Kasparov, påpekade en forskare att det skulle ta ytterligare hundra år innan AI kunde erövra det gamla kinesiska spelet Go, som har fler möjliga drag än antalet atomer i universum.

Men 2016 skapade forskare på det Google-ägda AI-företaget DeepMind AlphaGo, en Go-playing AI som slog Lee Sedol, världsmästaren, 4 till 1 i en tävling om fem spel. AlphaGo ersatte den brute-force metoden Deep Blue med djup inlärning, en AI-teknik som fungerar på ett mycket mer liknande sätt som den mänskliga hjärnan fungerar. I stället för att undersöka alla möjliga kombinationer undersökte AlphaGo hur människor spelade Go, försökte sedan räkna ut och replikera framgångsrika spelmönster.

Forskarna från DeepMind skapade senare AlphaGo Zero, en förbättrad version av AlphaGo som använde förstärkningslärande, en metod som krävde noll mänsklig input. AlphaGo Zero fick lära sig de grundläggande reglerna för Go och lärde sig spelet genom att spela mot sig själv otaliga gånger. Och AlphaGo Zero slog sin föregångare 100 till noll.

Brädspel har dock begränsningar. Först är de turbaserade, vilket innebär att AI inte är under belastning att fatta beslut i en miljö som ständigt förändras. För det andra har AI tillgång till all information i miljön (i detta fall styrelsen) och behöver inte göra gissningar eller ta risker baserade på okända faktorer.

Med tanke på detta gjorde en AI, som heter libatatus, nästa genombrott inom forskning om artificiell intelligens genom att slå de bästa spelarna på Texas Hold 'Em-poker. Biblioteket utvecklades av forskare på Carnegie Mellon och visade att AI kan konkurrera med människor i situationer där det har tillgång till delvis information. Libratus använde flera AI-tekniker för att lära sig poker och förbättra sitt spel när det granskade taktiken för sina mänskliga motståndare.

Videospel i realtid är nästa gräns för AI, och OpenAI är inte den enda organisationen som är involverad i fältet. Facebook har testat att lära AI att spela i realtid strategispelet StarCraft, och DeepMind har utvecklat en AI som kan spela det första person shooter-spelet Quake III. Varje spel presenterar sin egen uppsättning utmaningar, men gemensamma nämnaren är att alla presenterar AI med miljöer där de måste fatta beslut i realtid och med ofullständig information. Dessutom ger de AI en arena där den kan testa sin styrka mot ett team av motståndare och lära sig teamarbete själv.

För tillfället hade ingen utvecklat AI som kan slå professionella spelare. Men det faktum att AI tävlar med människor på sådana komplexa spel visar hur långt vi har kommit i fältet.

Spel hjälper till att utveckla AI på andra fält

Medan forskare har använt spel som testbäddar för att utveckla nya AI-tekniker har deras prestationer inte förblivit begränsade till spel. Faktum är att AI: s spel har banat väg för innovationer inom andra områden.

2011 introducerade IBM en superdator som var kapabel till naturlig språkbearbetning och generation (NLG / NLP) och fick sitt namn efter företagets tidigare VD Thomas J Watson. Datorn spelade det berömda tv-show-frågespelet Jeopardy mot två av världens bästa spelare och vann. Watson blev senare grunden för en enorm serie AI-tjänster av IBM inom olika domäner inklusive hälso- och sjukvård, cybersäkerhet och väderprognos.

DeepMind använder sin erfarenhet från att utveckla AlphaGo för att använda AI inom andra områden där förstärkningslärande kan hjälpa. Företaget startade ett projekt med National Grid UK för att använda AlphaGo s smarts för att förbättra effektiviteten i det brittiska elnätet. Google, DeepMinds moderbolag, använder också tekniken för att sänka elkostnaderna för sina enorma datacentra genom att automatisera förbrukningskontrollen för dess olika hårdvara. Google använder också förstärkningslärande för att träna robotar som en dag kommer att hantera objekt i fabriker.

• Artificiell intelligens har ett partiskhetsproblem, och det är vårt fel Konstgjord intelligens har ett partiskhetsproblem, och det är vårt fel
• IBM Artificial Intelligence tar på mänskliga debattmästare IBM Artificial Intelligence tar på mänskliga debattmästare
• Varför AI måste avslöja att det är AI Varför AI måste avslöja att det är AI

Libratus , det pokerspelande AI, kan hjälpa till att utveckla den typ av algoritmer som kan hjälpa till i olika situationer, t.ex. politiska förhandlingar och auktioner, där AI måste ta risker och offra korta för långsiktiga vinster.

Jag ser fram emot att se hur OpenAI Five kommer att prestera i augusti Dota 2-tävlingen. Även om jag inte är särskilt intresserad av om de neurala nätverken och dess utvecklare tar hem priset på 15 miljoner dollar, är jag angelägen om att se vilka nya fönster dess prestationer kommer att öppna.