家ご意見 AIでゲームをプレイすることが重要な理由| ベン・ディクソン

AIでゲームをプレイすることが重要な理由| ベン・ディクソン

2024

ビデオ: Спряжение французских глаголов 3 группы. Aller (十一月 2024)

Sam AltmanとElon Muskによって設立された人工知能研究所であるOpenAIは、有名なオンラインバトルゲームDota 2のプロトーナメントに参加するために8月にチームをバンクーバーに送ることを最近宣言しました。数百万ドルの賞を競う、 OpenAIのチームには、少なくとも直接ではなく、人間は関与しません。

OpenAI Fiveと呼ばれるこのチームは、Googleのクラウドの巨大なコンピューティングパワーを使い尽くし、何百万回もゲームを実践している5つの人工ニューラルネットワークで構成されています。 OpenAI FiveはすでにDota 2で準プロを破り、8月に来るプレイヤーの上位1％に対してその能力をテストします。

で最初一目で、高価なコンピューティングリソースを費やし、AIを使ってゲームをプレイするようAIに教えることは無責任に思えるかもしれません。 OpenAIには、ニューヨークタイムズによると、7桁の給料を稼ぐ世界トップのAI科学者がいます。結局のところ、がんと闘ったり、自動運転車をより安全にしたりできるAIの開発など、より重要な問題に取り組むことはできませんか？

一部の人にとってはばかげているかもしれませんが、ゲームはAI研究の重要な部分であることが証明されています。チェスからDota 2まで、AIが征服したすべてのゲームは、コンピューターサイエンスやその他の分野での新境地の開拓に役立っています。

ゲームはAIの進捗を追跡するのに役立ちます

1950年代に人工知能のアイデアが始まって以来、ゲームはAIの容量を測定する効率的な方法でした。新しいAIの容量をテストするのに特に便利です。テクニック、数値スコアと勝ち負けの結果でAIのパフォーマンスを定量化し、人間または他のAIと比較できるためです。

研究者がAIを介して習得しようとした最初のゲームはチェスでしたが、これは初期にはこの分野の進歩の究極のテストと見なされていました。 1996年、IBMのディープブルーは、チェスで世界チャンピオン（ギャリーカスパロフ）を破った最初のコンピューターでした。 Deep Blueの背後にあるAIは、移動する前に何百万ものシーケンスを分析するブルートフォース法を使用しました。

この方法により、ディープブルーはチェスをマスターできましたが、より複雑なボードゲームに取り組むのに十分な効果はありませんでした。今日の基準では、それは粗野だと考えられています。ディープブルーがカスパロフを破ったとき、科学者は、AIが宇宙の原子の数よりも多くの可能性のある移動を行う古代中国の囲Goのゲームを征服するまでにさらに100年かかると述べました。

しかし、2016年、Googleが所有するAI会社DeepMindの研究者は、5試合で4対1の世界チャンピオンであるリーセドルを破ったGo-playing AIであるAlphaGoを作成しました。 AlphaGoは、ディープブルーのブルートフォースメソッドをディープラーニングに置き換えました。ディープラーニングは、人間の脳の仕組みと非常によく似た方法で機能するAIテクニックです。 AlphaGoは、考えられるあらゆる組み合わせを調べる代わりに、人間のGoのプレイ方法を調べ、成功したゲームプレイパターンを見つけて再現しようとしました。

DeepMindの研究者は後に、AlphaGoの改良版であるAlphaGo Zeroを作成しました。これは、強化学習を使用したもので、人間の入力を必要としません。 AlphaGo ZeroはGoの基本的なルールを教えられ、何度も対戦することでゲームを学びました。そして、AlphaGo Zeroはその前身である100をゼロで打ちました。

ただし、ボードゲームには制限があります。まず、それらはターンベースであるため、AIは絶えず変化する環境で意思決定を行うための負担にさらされていません。第二に、AIは環境（この場合は取締役会）のすべての情報にアクセスでき、未知の要因に基づいて推測したりリスクを取ったりする必要がありません。

これを考慮して、Libratusと呼ばれるAIは、Texas Hold 'Emポーカーで最高のプレーヤーを破って人工知能研究の次のブレークスルーを行いました。カーネギーメロンの研究者によって開発されたLibratusは、AIが部分的な情報にアクセスできる状況で人間と競合できることを示しました。 Libratusは、いくつかのAI技術を使用してポーカーを学び、ゲームプレイを改善して、人間の対戦相手の戦術を調べました。

リアルタイムビデオゲームはAIの次のフロンティアであり、OpenAIだけがこの分野に関与する組織ではありません。 Facebookは、リアルタイム戦略ゲームStarCraftをプレイするAIの教育をテストし、DeepMindは、一人称シューティングゲームQuake IIIをプレイできるAIを開発しました。各ゲームには独自の課題がありますが、共通点は、すべてがリアルタイムで不完全な情報で意思決定を行う必要がある環境をAIに提供することです。さらに、AIにアリーナを提供し、対戦相手のチームに対してその力をテストし、チームワーク自体を学ぶことができます。

今のところ、プロのプレイヤーに勝てるAIを開発した人はいませんでした。しかし、AIがこのような複雑なゲームで人間と競合しているという事実は、私たちがこの分野にどの程度参入したかを示しています。

ゲームは他の分野でAIを開発するのに役立ちます

科学者は新しいAI技術を開発するためのテストベッドとしてゲームを使用してきましたが、彼らの成果はゲームに限定されたままではありませんでした。実際、ゲームプレイAIは他の分野での革新への道を開いています。

2011年、IBMは、自然言語の処理と生成（NLG / NLP）が可能なスーパーコンピューターを導入し、会社の前CEOであるThomas J Watsonにちなんで命名されました。コンピューターは、有名なテレビ番組のクイズゲームJeopardyを世界最高の2人のプレイヤーと対戦し、勝ちました。ワトソンは後に、ヘルスケア、サイバーセキュリティ、天気予報など、さまざまな分野でIBMが提供するAIサービスの巨大なラインの基盤になりました。

DeepMindは、AlphaGoを開発した経験を活用して、強化学習が役立つ他の分野でAIを使用しています。同社は、National Grid UKとプロジェクトを開始して、 AlphaGoの英国の電力網の効率を改善するためにスマート。 DeepMindの親会社であるGoogleも、さまざまなハードウェアの消費制御を自動化することで、巨大なデータセンターの電力コストを削減する手法を採用しています。また、Googleは強化学習を使用して、いつか工場でオブジェクトを処理するロボットを訓練しています。