„DeepMind“ dirbtinis intelektas dabar gali įveikti žmonių žaidėjus „Quake III“

„DeepMind“ žemės drebėjimas III

Mes matėme žaidimų, kuriuose kūrėjai įdėjo robotus, kad žmonėms būtų lengviau tai padaryti ar atkurtų vieno žaidėjo daugelio žaidimų daugelio žaidėjų režimus. Šie dirbtinio intelekto žaidėjai retai gali pakankamai konkuruoti su savo kolegomis. Taigi jie naudojami palengvinti daugelio daugelio žaidėjų žaidimų mokymosi kreivę. Kita vertus, „DeepMind“ yra įmonė, kuri specializuojasi dirbtinio intelekto srityje daugelyje darbų. Jie atskleidė, kad jų dirbtinio intelekto varomi robotai pagaliau gali įveikti savo kolegas viename iš labiausiai žaidžiamų daugelio žaidėjų žaidimų „Quake III“. Jų išvados žavi tiems, kurie turi dalyko, susijusio su PG mokymu ir galimybėmis.

Tai nėra pirmas „DeepMind“ užsiėmimas vaizdo žaidimų srityje. Jie jau sukūrė neuroninį variklį, galintį nugalėti daugelio žaidėjų žaidimus. Geriausias pavyzdys yra „AlphaGo“, kur jų dirbtinis intelektas nugalėjo žinomą minėto žaidimo profesionalų žaidėją. Jie taip pat sukūrė dirbtinį intelektą daugeliui kitų žaidimų.

Atskaitymai

Grįžtant prie jų išskaičiavimų dėl jų dirbtinio intelekto „Quake III“. „Quake III“ kardinaliai skiriasi nuo daugelio kitų žaidimų. Žaidimas kategoriškai skiriasi dėl procedūriškai sukurtų etapų ir dėl to, kad žaidimas yra pirmo asmens perspektyvoje. Dirbtinio intelekto kūrimo problema yra ta, kad jie negalėjo išmokti geriausio įmanomo metodo įveikti žaidimą. Iš tikrųjų problema pasirodė esanti maskuojantis palaiminimas, nes AI panašus į humanoidinio mokymosi kreivę, apie tai vėliau.

Dirbtinis intelektas pradėjo nuo nulio ir sužinojo paties vėliavos užfiksavimo taisykles. Tada dirbtinis intelektas sugebėjo įveikti 40 žmonių žaidėjų, kur buvo derinami žmonės ir dirbtinis intelektas. Gerokai nugalėjęs žmones, „DeepMind“ sutiko, kad jų laimėjimas priskiriamas jų dirbtinio intelekto agento pro-human reakcijos laikams. Taigi, jie nusprendė juos sulėtinti, tačiau dirbtinis intelektas vis tiek sugebėjo įveikti savo kolegas.

PG pažanga

„Tomshardware“ praneša, kad jų išskaičiavimai yra ypač žavingi, nes dirbtinis intelektas turėjo išmokti paties žaidimo pagrindus ir tai, kad dirbtinis intelektas sugebėjo gauti rezultatus, kai buvo sukurtos procedūros.

„DeepMind“ teigė, kad jų darbas įgyvendinant šį projektą išryškina faktą, kad mes galime efektyviai mokyti dirbtinį intelektą, naudodamiesi kelių agentų metodais, o tai reiškia dirbtinį intelektą prieš AI. Tai ne tik informuoja dirbtinį intelektą apie savo klaidas, bet ir dirba tuo, ką galima padaryti geriau. Jie sakė, ' Tai išryškina rezultatus, panaudojant natūralią mokymo programą, kurią teikia įvairių agentų mokymas, ir verčia kurti tvirtus agentus, kurie netgi gali bendradarbiauti su žmonėmis . '