Edukien aurkibidea[Ezkutatu][Erakutsi]
Bideojokoek mundu osoko milaka milioi jokalariri erronka bat ematen jarraitzen dute. Agian ez duzu oraindik ezagutzen, baina ikaskuntza automatikoko algoritmoak ere erronkari aurre egiten hasi dira.
Gaur egun, IAren alorrean ikerketa kopuru handia dago bideo-jokoetan ikasketa automatikoko metodoak aplika daitezkeen ikusteko. Eremu honetan aurrerapen nabarmenek hori erakusten dute makina ikaskuntza agenteak giza jokalaria emulatzeko edo ordezkatzeko erabil daitezke.
Zer esan nahi du horrek etorkizunerako bideo-jokoak?
Proiektu hauek dibertitzeko besterik ez dira ala arrazoi sakonagoak al dira hainbeste ikertzaile jokoetara bideratzeko?
Artikulu honek bideo-jokoetako AIren historia laburki aztertuko du. Ondoren, jokoak gainditzen ikasteko erabil ditzakegun ikaskuntza automatikoko teknika batzuen ikuspegi orokorra emango dizugu. Ondoren, aplikazio arrakastatsu batzuk aztertuko ditugu sare neuronalak bideo-joko zehatzak ikasteko eta menperatzeko.
AIren historia laburra jokoetan
Sare neuronalak bideo-jokoak ebazteko algoritmo aproposa zergatik bihurtu diren azaldu baino lehen, ikus dezagun labur-labur informatikariek bideo-jokoak nola erabili dituzten AIaren ikerketan aurrera egiteko.
Argudia dezakezu, bere sorreratik, bideo-jokoak AI-n interesa duten ikertzaileentzat ikerketa-eremu beroa izan dela.
Sorreran bideo-joko bat ez bada ere, xakea ardatz handia izan da AIaren hasierako egunetan. 1951n, Dietrich Prinz doktoreak xakea jokatzeko programa bat idatzi zuen Ferranti Mark 1 ordenagailu digitala erabiliz. Ordenagailu handi horiek paperezko zintatik programak irakurri behar zituzten garaian izan zen hori.
Programa bera ez zen xake AI osoa. Ordenagailuaren mugak direla eta, Prinz-ek mate-in-two xake arazoak konpontzen zituen programa bat bakarrik sortu ahal izan zuen. Batez beste, programak 15-20 minutu behar izan zituen jokalari zuri-beltzen mugimendu posible guztiak kalkulatzeko.
Xakea eta zuzentzaileak hobetzeko lana etengabe hobetu da hamarkadetan zehar. Aurrerapena 1997an iritsi zen bere gorenera, IBMren Deep Blue-k Garry Kasparov xake-maisu errusiarra garaitu zuenean sei partidako partidatan. Gaur egun, zure telefono mugikorrean aurki ditzakezun xake-motorrek Deep Blue garaitu dezakete.
AI aurkariak ospea lortzen hasi ziren bideo-arcade jokoen urrezko aroan. 1978ko Space Invaders eta 1980ko Pac-Man industriaren aitzindarietako batzuk dira arcade-jokolari beteranoenei ere nahikoa erronka diezaiekeen IA sortzen.
Pac-Man, bereziki, AI ikertzaileek esperimentatzeko joko ezaguna zen. Zenbait lehiaketak izan ere, Pac-Man andreak antolatu dira jokoa gainditzeko AI onena zein talde izan daitekeen zehazteko.
Joko AI eta algoritmo heuristikoek eboluzionatzen jarraitu zuten aurkari adimentsuen beharra sortu zen heinean. Esate baterako, borroka AI ospea handitu zen lehen pertsonan jaurtiketak bezalako generoak nagusitu ziren heinean.
Bideo-jokoetan Machine Learning
Ikaskuntza automatikoko teknikak ospea azkar hazi zenez, hainbat ikerketa proiektu saiatu ziren teknika berri hauek erabiltzen bideo-jokoetara jolasteko.
Dota 2, StarCraft eta Doom bezalako jokoek arazo gisa jar ditzakete hauentzat makina ikasteko algoritmoak konpontzeko. Ikaskuntza sakoneko algoritmoak, bereziki, giza-mailako errendimendua lortzeko eta are gainditzeko gai izan ziren.
The Arcade Ikaskuntza-ingurunea edo ALEk ikertzaileei Atari 2600 jokoetarako ehun baino gehiagoko interfaze bat eman zien. Kode irekiko plataformari esker, ikertzaileek Atari bideo-joko klasikoetan ikasketa automatikoko tekniken errendimendua erreparatu zuten. Googlek berea ere argitaratu zuen paper ALEko zazpi partida erabiliz
Bien bitartean, bezalako proiektuak IkusDoom AI ikertzaileei ikaskuntza automatikoko algoritmoak trebatzeko aukera eman zien 3D lehen pertsonan jaurtiketetan jolasteko.
Nola funtzionatzen du: funtsezko kontzeptu batzuk
Neuronen sareak
Ikasketa automatikoarekin bideo-jokoak ebazteko planteamendu gehienek sare neuronal gisa ezagutzen den algoritmo mota bat dakar.
Sare neuronal bat garunak nola funtziona dezakeen imitatzen saiatzen den programa gisa pentsa dezakezu. Gure garuna seinale bat transmititzen duten neuronez osatuta dagoen antzera, sare neuronal batek neurona artifizialak ere baditu.
Neurona artifizial hauek seinaleak elkarri transferitzen dizkiote, seinale bakoitza benetako zenbaki bat izanik. Sare neuronal batek sarrerako eta irteerako geruzen artean hainbat geruza ditu, sare neuronal sakona deritzona.
Errefortzuaren ikaskuntza
Bideo-jokoen ikaskuntzarako garrantzitsua den beste makina-ikaskuntza-teknika bat indartzeko ikaskuntzaren ideia da.
Teknika hau agente bat sariak edo zigorrak erabiliz trebatzeko prozesua da. Planteamendu honekin, agenteak arazo bati irtenbidea emateko gai izan beharko luke saiakeraren eta akatsen bidez.
Demagun AI bat nahi dugula Snake jokoan nola jokatu jakiteko. Jokoaren helburua erraza da: ahalik eta puntu gehien lortu elementuak kontsumituz eta hazten ari zaren buztana saihestuz.
Indartze-ikaskuntzarekin, R sari-funtzioa defini dezakegu. Funtzioak puntuak gehitzen ditu Suge batek elementu bat kontsumitzen duenean eta puntuak kentzen ditu Sugeak oztopo bat jotzen duenean. Egungo ingurunea eta ekintza posibleen multzoa kontuan hartuta, gure indartze-ikaskuntza-eredua gure sari-funtzioa maximizatzen duen "politika" optimoa kalkulatzen saiatuko da.
Neuroeboluzioa
Naturan inspiratuta egoteari eutsiz, ikertzaileek ere arrakasta lortu dute ML bideo-jokoetan aplikatzeko neuroeboluzio deritzon teknika baten bidez.
Erabili ordez desnibel jaitsiera sare batean neuronak eguneratzeko, eboluzio-algoritmoak erabil ditzakegu emaitza hobeak lortzeko.
Algoritmo ebolutiboak normalean ausazko gizabanakoen hasierako populazioa sortzen hasten dira. Ondoren, pertsona horiek irizpide batzuk erabiliz ebaluatzen ditugu. Gizabanako onenak "guraso" gisa aukeratzen dira eta elkarrekin hazten dira gizabanakoen belaunaldi berri bat osatzeko. Ondoren, gizabanako hauek populazioko gutxien egokitzen diren pertsonak ordezkatuko dituzte.
Algoritmo hauek normalean mutazio-eragiketa bat ere sartzen dute gurutzaketa edo "hazkuntza" urratsean aniztasun genetikoa mantentzeko.
Bideo-jokoetako ikaskuntza automatikoari buruzko ikerketa adibidea
OpenAI Bost
OpenAI Bost OpenAI-ren ordenagailu-programa bat da, DOTA 2-ra jokatzea helburu duena, jokalari anitzeko mugikor-battle arena (MOBA) joko ezaguna.
Programak lehendik zeuden indartze-ikaskuntza-teknikak baliatu zituen, segundoko milioika fotogrametatik ikasteko eskalatua. Banatutako prestakuntza-sistema bati esker, OpenAIk egunero 180 urteko jokoetan jokatu ahal izan zuen.
Entrenamendu-aldiaren ostean, OpenAI Five-k aditu-mailako errendimendua lortu eta giza jokalariekin lankidetza frogatu ahal izan zuen. 2019an, OpenAI bost gai izan zen garaitzeko Jokalarien %99.4 partida publikoetan.
Zergatik erabaki zuen OpenAIk joko hau? Ikertzaileen arabera, DOTA 2-k mekanika konplexua zuen, lehendik zegoen sakonetik kanpo zeudenak sendotzeko ikaskuntza algoritmoak.
Super Mario Bros.
Bideo-jokoetan sare neuronalen beste aplikazio interesgarri bat neuroeboluzioa erabiltzea da Super Mario Bros bezalako plataformetan jolasteko.
Adibidez, hau hackaton sarrera jokoaren ezagutzarik gabe hasten da eta poliki-poliki maila batean aurrera egiteko behar den oinarria eraikitzen du.
Autoeboluzionatzen ari den sare neuronalak jokoaren egungo egoera hartzen du fitxa-sare gisa. Hasieran, sare neuronalak ez du ulertzen fitxa bakoitzak zer esan nahi duen, soilik "airea" fitxak "lurzoruko fitxak" eta "etsaiaren fitxak" desberdinak direla.
Hackathon proiektuak neuroevolution bat ezartzeko NEAT algoritmo genetikoa erabili zuen neurona-sare desberdinak modu selektiboan hazteko.
Garrantzizko
Orain bideo-jokoetan jolasten duten sare neuronalen adibide batzuk ikusi dituzunean, baliteke hau guztia zertarako balio duen galdetzea.
Bideo-jokoek agenteen eta haien inguruneen arteko interakzio konplexuak dakartzanez, AI egiteko proba-gune ezin hobea da. Ingurune birtualak seguruak eta kontrolagarriak dira eta datu-eskaintza infinitua eskaintzen dute.
Arlo honetan egindako ikerketek sare neuronalak nola optimizatu daitezkeen ezagutzeko aukera eman die ikerlariei mundu errealeko arazoak nola ebazten ikasteko.
Neurona sareak garunak mundu naturalean nola funtzionatzen duten inspiratuta daude. Neurona artifizialek nola jokatzen duten bideo-joko batean jolasten ikastean aztertuz gero, giza garuna lan egiten du.
Ondorioa
Neurona-sareen eta garunaren arteko antzekotasunak bi esparruetan ezagutzak ekarri ditu. Neurona-sareek arazoak konpontzeko moduari buruzko etengabeko ikerketek noizbait forma aurreratuagoak ekar ditzake adimen artifizialeko.
Imajinatu zure zehaztapenetara egokitutako AI bat erabiltzea, erosi aurretik bideo-joko oso bat erreproduzitzeko, zure denbora merezi duen ala ez jakiteko. Bideojoko enpresek sare neuronalak erabiliko al dituzte jokoaren diseinua, maila doitzeko eta aurkariaren zailtasuna hobetzeko?
Zer gertatuko dela uste duzu sare neuronalak azken jokalari bilakatzen direnean?
Utzi erantzun bat