Paradigma veštačke inteligencije: Da li je igračka?

Veštačka inteligencija (AI) nazvana Student of Games (SoG) može da pobedi ljudske igrače u šahu, Go-u, pokeru i drugim igrama koje zahtevaju različite strategije za pobedu. AI je kreirao Google DeepMind i korak je ka veštačkoj opštoj inteligenciji sposobnoj da izvršava bilo koji zadatak sa nadljudskom efikasnošću.

SoG model ima dva prethodnika: DeepStack, AI koji je tim sačinjen od Martina Schmida na Univerzitetu u Alberti u Kanadi stvorio i prvi pobedio profesionalne poker igrače, i DeepMind-ov AlphaZero, koji je pobedio najbolje igrače šaha i Go-a.

Razlika između ova dva modela je u tome što se jedan fokusira na igre sa nepotpunim znanjem – igre u kojima igrači ne znaju stanje drugih igrača, poput karata u pokeru, dok drugi fokusira na igre sa potpunim znanjem, poput šaha, gde oba igrača mogu da vide poziciju svih figura u svakom trenutku. Oba pristupa zahtevaju fundamentalno različite metode. DeepMind je angažovao celokupan tim koji je radio na DeepStack-u sa ciljem da razvije model koji može generalizovati za oba tipa igara, što je dovelo do nastanka SoG modela.

Schmid objašnjava da SoG započinje kao „predložak“ za učenje igara, a zatim se kroz vežbu može unaprediti. Ovaj početni model se potom može primeniti na različite igre i sam naučiti kako da igra protiv druge verzije sebe, učeći nove strategije i postepeno postajući sposobniji. Za razliku od prethodnog modela AlphaZero, koji je mogao prilagoditi se igrama sa potpunim znanjem, SoG može prilagoditi se i igrama sa nepotpunim znanjem, što ga čini mnogo sveobuhvatnijim.

Istraživači su testirali SoG u šahu, Go-u, Texas hold’em pokeru, igri Scotland Yard, kao i Leduc hold’em pokeru i specijalnoj verziji Scotland Yard-a sa drugačijom tablom. Rezultati su pokazali da je SoG pobedio nekoliko postojećih AI modela i ljudske igrače. Schmid tvrdi da SoG bi trebao moći naučiti igrati i druge igre. „Postoji mnogo igara na koje biste ga mogli izbaciti, a on bi bio jako, jako dobar u tome.“

Iako SoG ima malu razliku u performansama u poređenju sa specijalizovanim algoritmima DeepMinda, on lako može pobediti čak i najbolje ljudske igrače u većini igara koje nauči. Schmid objašnjava da SoG uči igrati protiv samog sebe kako bi unapredio svoje igre, ali takođe i da istražuje moguće scenarije u trenutnom stanju igre, čak i ako igra igru sa nepotpunim znanjem.

Michael Rovatsos sa Univerziteta u Edinburgu, Velika Britanija, koji nije bio uključen u istraživanje, kaže da iako je impresivno, još uvek ima dug put do toga da se AI smatra opštom inteligencijom, jer su igre okruženja u kojima su sva pravila i ponašanja jasno definisana, za razliku od stvarnog sveta.

„Izuzetno je važno naglasiti da je to kontrolisano, autonomno veštačko okruženje u kojemu sve znači, i što je ishod svake radnje jasno definisano“, kaže on. „Problem je igračka jer, iako može biti jako komplikovana, nije stvarna.“

ČLANCI FAQ

1. Kako se zove veštačka inteligencija koja može pobediti u igrama?

Veštačka inteligencija koja može pobediti u igrama naziva se Student of Games (SoG).

2. Koja je svrha kreiranja veštačke inteligencije za igre?

Svrha kreiranja veštačke inteligencije za igre je razvoj veštačke opšte inteligencije koja može obavljati bilo koji zadatak sa nadljudskom efikasnošću.

3. Kako SoG model može prilagođavati igre sa nepotpunim znanjem?

SoG model može prilagođavati igre sa nepotpunim znanjem tako što uči nove strategije i postaje sve bolji kroz samoigranje.

4. Koji su rezultati testiranja SoG modela?

Testiranje SoG modela pokazalo je da može pobediti postojeće AI modele i ljudske igrače u raznim igrama poput šaha, Go-a i pokera.

5. Može li SoG model naučiti igrati druge igre?

Da, Schmid tvrdi da SoG model može naučiti i igrati druge igre osim onih na kojima je testiran.

Izvor: Google DeepMind