មាតិកា[លាក់][បង្ហាញ]
ហ្គេមវីដេអូបន្តផ្តល់បញ្ហាប្រឈមដល់អ្នកលេងរាប់លាននាក់ជុំវិញពិភពលោក។ អ្នកប្រហែលជាមិនទាន់ដឹងវានៅឡើយទេ ប៉ុន្តែក្បួនដោះស្រាយការរៀនតាមម៉ាស៊ីនក៏ចាប់ផ្តើមប្រឈមមុខនឹងបញ្ហាផងដែរ។
បច្ចុប្បន្ននេះមានការស្រាវជ្រាវជាច្រើននៅក្នុងវិស័យ AI ដើម្បីមើលថាតើវិធីសាស្ត្ររៀនម៉ាស៊ីនអាចត្រូវបានអនុវត្តចំពោះហ្គេមវីដេអូដែរឬទេ។ ការរីកចម្រើនយ៉ាងសំខាន់ក្នុងវិស័យនេះបង្ហាញថា ការរៀនម៉ាស៊ីន ភ្នាក់ងារអាចត្រូវបានប្រើដើម្បីត្រាប់តាម ឬសូម្បីតែជំនួសអ្នកលេងមនុស្ស។
តើនេះមានន័យយ៉ាងណាសម្រាប់អនាគតរបស់ វីដេអូហ្គេម?
តើគម្រោងទាំងនេះគ្រាន់តែជាការកម្សាន្ត ឬមានហេតុផលកាន់តែស៊ីជម្រៅ ហេតុអ្វីបានជាអ្នកស្រាវជ្រាវជាច្រើនផ្តោតលើហ្គេម?
អត្ថបទនេះនឹងស្វែងយល់ដោយសង្ខេបអំពីប្រវត្តិរបស់ AI នៅក្នុងវីដេអូហ្គេម។ បន្ទាប់មក យើងនឹងផ្តល់ឱ្យអ្នកនូវទិដ្ឋភាពទូទៅខ្លីៗនៃបច្ចេកទេសរៀនម៉ាស៊ីនមួយចំនួនដែលយើងអាចប្រើដើម្បីរៀនពីរបៀបវាយហ្គេម។ បន្ទាប់មកយើងនឹងពិនិត្យមើលកម្មវិធីជោគជ័យមួយចំនួន សំណាញ់សរសៃប្រសាទ ដើម្បីរៀន និងធ្វើជាម្ចាស់នៃហ្គេមវីដេអូជាក់លាក់។
ប្រវត្តិសង្ខេបរបស់ AI នៅក្នុងហ្គេម
មុននឹងយើងដឹងពីមូលហេតុដែលសំណាញ់សរសៃប្រសាទបានក្លាយទៅជាក្បួនដោះស្រាយដ៏ល្អសម្រាប់ដោះស្រាយវីដេអូហ្គេម ចូរយើងពិនិត្យមើលដោយសង្ខេបអំពីរបៀបដែលអ្នកវិទ្យាសាស្ត្រកុំព្យូទ័របានប្រើហ្គេមវីដេអូដើម្បីជំរុញការស្រាវជ្រាវរបស់ពួកគេនៅក្នុង AI ។
អ្នកអាចជជែកវែកញែកបានថា តាំងពីដើមដំបូងមក ហ្គេមវីដេអូបានក្លាយជាតំបន់ស្រាវជ្រាវដ៏ក្តៅគគុកសម្រាប់អ្នកស្រាវជ្រាវដែលចាប់អារម្មណ៍លើ AI ។
ខណៈពេលដែលមិនមែនជាហ្គេមវីដេអូដែលមានដើមកំណើតយ៉ាងតឹងរ៉ឹង ហ្គេមអុកគឺជាចំណុចសំខាន់មួយនៅក្នុងយុគសម័យដំបូងនៃ AI ។ នៅឆ្នាំ 1951 លោកវេជ្ជបណ្ឌិត Dietrich Prinz បានសរសេរកម្មវិធីលេងអុកដោយប្រើកុំព្យូទ័រឌីជីថល Ferranti Mark 1 ។ នេះជាការត្រលប់ទៅសម័យកាលដែលកុំព្យូទ័រសំពីងសំពោងទាំងនេះត្រូវអានកម្មវិធីដោយបិទក្រដាស។
កម្មវិធីខ្លួនវាមិនមែនជា AI អុកពេញលេញទេ។ ដោយសារតែការកំណត់របស់កុំព្យូទ័រ Prinz អាចបង្កើតបានតែកម្មវិធីដែលដោះស្រាយបញ្ហាអុក mate-in- two ប៉ុណ្ណោះ។ ជាមធ្យម កម្មវិធីនេះចំណាយពេល 15-20 នាទីដើម្បីគណនារាល់ចលនាដែលអាចធ្វើបានសម្រាប់កីឡាករស្បែកស និងខ្មៅ។
ការងារលើការកែលម្អអុក និងឧបករណ៍ត្រួតពិនិត្យ AI បានប្រសើរឡើងជាលំដាប់ពេញមួយទសវត្សរ៍។ ការរីកចម្រើនបានឈានដល់ចំណុចកំពូលក្នុងឆ្នាំ 1997 នៅពេលដែលក្រុមហ៊ុន IBM's Deep Blue បានយកឈ្នះលើលោក Garry Kasparov ដែលជាមេអុករុស្ស៊ីក្នុងការប្រកួតចំនួនប្រាំមួយគូ។ សព្វថ្ងៃនេះ ម៉ាស៊ីនអុកដែលអ្នកអាចរកបាននៅលើទូរស័ព្ទដៃរបស់អ្នកអាចកម្ចាត់ Deep Blue ។
គូប្រជែង AI បានចាប់ផ្តើមទទួលបានប្រជាប្រិយភាពក្នុងអំឡុងយុគមាសនៃហ្គេមវីដេអូ arcade ។ Space Invaders ឆ្នាំ 1978 និង Pac-Man ឆ្នាំ 1980 គឺជាអ្នកត្រួសត្រាយផ្លូវក្នុងឧស្សាហកម្មមួយចំនួនក្នុងការបង្កើត AI ដែលអាចប្រកួតប្រជែងបានគ្រប់គ្រាន់សូម្បីតែអ្នកលេងល្បែង Arcade ជើងចាស់បំផុតក៏ដោយ។
ជាពិសេស Pac-Man គឺជាហ្គេមដ៏ពេញនិយមមួយសម្រាប់អ្នកស្រាវជ្រាវ AI ដើម្បីធ្វើការពិសោធន៍។ ផ្សេងៗ ការប្រកួត សម្រាប់លោកស្រី Pac-Man ត្រូវបានរៀបចំឡើងដើម្បីកំណត់ថាក្រុមណាអាចបង្កើត AI ល្អបំផុតដើម្បីយកឈ្នះការប្រកួតនេះ។
ហ្គេម AI និងក្បួនដោះស្រាយ heuristic បានបន្តវិវឌ្ឍនៅពេលដែលតម្រូវការសម្រាប់គូប្រជែងដែលឆ្លាតជាងមុនបានកើតឡើង។ ជាឧទាហរណ៍ ការប្រយុទ្ធ AI បានកើនឡើងក្នុងប្រជាប្រិយភាព ដោយសារប្រភេទដូចជាអ្នកបាញ់មនុស្សដំបូងបានក្លាយជារឿងសំខាន់។
ការរៀនម៉ាស៊ីននៅក្នុងវីដេអូហ្គេម
ដោយសារបច្ចេកទេសរៀនម៉ាស៊ីនកើនឡើងយ៉ាងឆាប់រហ័ស គម្រោងស្រាវជ្រាវផ្សេងៗបានព្យាយាមប្រើបច្ចេកទេសថ្មីទាំងនេះ ដើម្បីលេងហ្គេមវីដេអូ។
ហ្គេមដូចជា Dota 2, StarCraft និង Doom អាចដើរតួជាបញ្ហាសម្រាប់អ្នកទាំងនេះ ក្បួនដោះស្រាយការរៀនម៉ាស៊ីន ដើម្បីដោះស្រាយ។ ក្បួនដោះស្រាយការរៀនសូត្រជ្រៅជាពិសេស គឺអាចសម្រេចបាន និងលើសពីការអនុវត្តកម្រិតមនុស្ស។
នេះ បរិយាកាសសិក្សា Arcade ឬ ALE បានផ្តល់ឱ្យអ្នកស្រាវជ្រាវនូវចំណុចប្រទាក់សម្រាប់ហ្គេម Atari 2600 ជាងមួយរយ។ វេទិកាប្រភពបើកចំហបានអនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវធ្វើការប្រៀបធៀបការអនុវត្តបច្ចេកទេសរៀនម៉ាស៊ីននៅលើវីដេអូហ្គេម Atari បុរាណ។ Google ថែមទាំងបានបោះពុម្ភផ្សាយរបស់ពួកគេទៀតផង។ ក្រដាស ដោយប្រើហ្គេមចំនួនប្រាំពីរពី ALE
ទន្ទឹមនឹងនេះគម្រោងដូចជា VizDoom ផ្តល់ឱ្យអ្នកស្រាវជ្រាវ AI នូវឱកាសដើម្បីបណ្តុះបណ្តាលក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដើម្បីលេង 3D អ្នកបាញ់មនុស្សដំបូង។
តើវាដំណើរការយ៉ាងដូចម្តេច៖ គំនិតសំខាន់ៗមួយចំនួន
បណ្តាញសរសៃប្រសាទ
វិធីសាស្រ្តភាគច្រើនក្នុងការដោះស្រាយវីដេអូហ្គេមជាមួយនឹងការរៀនម៉ាស៊ីនពាក់ព័ន្ធនឹងប្រភេទនៃក្បួនដោះស្រាយដែលគេស្គាល់ថាជាបណ្តាញសរសៃប្រសាទ។
អ្នកអាចគិតពីសំណាញ់សរសៃប្រសាទជាកម្មវិធីដែលព្យាយាមធ្វើត្រាប់តាមរបៀបដែលខួរក្បាលអាចដំណើរការបាន។ ស្រដៀងគ្នាទៅនឹងរបៀបដែលខួរក្បាលរបស់យើងត្រូវបានផ្សំឡើងដោយណឺរ៉ូនដែលបញ្ជូនសញ្ញាមួយ សំណាញ់សរសៃប្រសាទក៏មានផ្ទុកនូវណឺរ៉ូនសិប្បនិម្មិតផងដែរ។
ណឺរ៉ូនសិប្បនិម្មិតទាំងនេះក៏ផ្ទេរសញ្ញាទៅគ្នាទៅវិញទៅមកផងដែរ ដោយសញ្ញានីមួយៗជាចំនួនពិតប្រាកដ។ សំណាញ់សរសៃប្រសាទមានស្រទាប់ជាច្រើនរវាងស្រទាប់បញ្ចូល និងទិន្នផល ដែលហៅថាបណ្តាញសរសៃប្រសាទជ្រៅ។
ការរៀនសូត្រពង្រឹង
បច្ចេកទេសរៀនម៉ាស៊ីនទូទៅមួយផ្សេងទៀតដែលទាក់ទងនឹងការរៀនវីដេអូហ្គេមគឺជាគំនិតនៃការពង្រឹងការរៀន។
បច្ចេកទេសនេះគឺជាដំណើរការនៃការបណ្តុះបណ្តាលភ្នាក់ងារដោយប្រើប្រាស់រង្វាន់ ឬការដាក់ទណ្ឌកម្ម។ ជាមួយនឹងវិធីសាស្រ្តនេះ ភ្នាក់ងារគួរតែអាចបង្កើតដំណោះស្រាយចំពោះបញ្ហាតាមរយៈការសាកល្បង និងកំហុស។
ឧបមាថាយើងចង់បាន AI ដើម្បីស្វែងយល់ពីរបៀបលេងហ្គេម Snake ។ គោលបំណងនៃហ្គេមគឺសាមញ្ញ៖ ទទួលបានពិន្ទុច្រើនតាមតែអាចធ្វើទៅបានដោយប្រើប្រាស់របស់របរ និងជៀសវាងកន្ទុយដែលកំពុងលូតលាស់របស់អ្នក។
ជាមួយនឹងការរៀនពង្រឹង យើងអាចកំណត់មុខងារផ្តល់រង្វាន់ R. មុខងារបន្ថែមពិន្ទុនៅពេលដែលពស់ស៊ីរបស់មួយ ហើយដកពិន្ទុនៅពេលដែលពស់ប៉ះនឹងឧបសគ្គ។ ដោយគិតពីបរិយាកាសបច្ចុប្បន្ន និងសំណុំនៃសកម្មភាពដែលអាចធ្វើបាន គំរូសិក្សាពង្រឹងរបស់យើងនឹងព្យាយាមគណនា 'គោលការណ៍' ដ៏ល្អប្រសើរដែលបង្កើនមុខងាររង្វាន់របស់យើង។
ការវិវត្តន៍សរសៃប្រសាទ
ដោយរក្សាប្រធានបទជាមួយនឹងការបំផុសគំនិតដោយធម្មជាតិ អ្នកស្រាវជ្រាវក៏បានរកឃើញភាពជោគជ័យក្នុងការអនុវត្ត ML ទៅនឹងហ្គេមវីដេអូតាមរយៈបច្ចេកទេសដែលគេស្គាល់ថាជា neuroevolution ។
ជំនួសឱ្យការប្រើប្រាស់ ជម្រាលជម្រាល ដើម្បីធ្វើបច្ចុប្បន្នភាពណឺរ៉ូននៅក្នុងបណ្តាញ យើងអាចប្រើក្បួនដោះស្រាយការវិវត្តន៍ ដើម្បីសម្រេចបានលទ្ធផលប្រសើរជាងមុន។
ក្បួនដោះស្រាយការវិវត្តន៍ជាធម្មតាចាប់ផ្តើមដោយការបង្កើតចំនួនប្រជាជនដំបូងរបស់បុគ្គលចៃដន្យ។ បន្ទាប់មក យើងវាយតម្លៃបុគ្គលទាំងនេះដោយប្រើលក្ខណៈវិនិច្ឆ័យជាក់លាក់។ បុគ្គលដែលល្អបំផុតត្រូវបានជ្រើសរើសជា "ឪពុកម្តាយ" ហើយត្រូវបានបង្កាត់ពូជដើម្បីបង្កើតជាបុគ្គលជំនាន់ថ្មី។ បន្ទាប់មក បុគ្គលទាំងនេះនឹងជំនួសបុគ្គលដែលសមតិចបំផុតក្នុងចំនួនប្រជាជន។
ក្បួនដោះស្រាយទាំងនេះជាធម្មតាណែនាំទម្រង់នៃប្រតិបត្តិការផ្លាស់ប្តូរមួយចំនួនក្នុងអំឡុងពេលឆ្លងកាត់ ឬជំហាន "បង្កាត់ពូជ" ដើម្បីរក្សាភាពចម្រុះនៃហ្សែន។
ការស្រាវជ្រាវគំរូលើការរៀនម៉ាស៊ីននៅក្នុងវីដេអូហ្គេម
អូអាយអាយប្រាំ
អូអាយអាយប្រាំ គឺជាកម្មវិធីកុំព្យូទ័រមួយរបស់ OpenAI ដែលមានគោលបំណងលេងហ្គេម DOTA 2 ដែលជាហ្គេមសមរភូមិតាមទូរស័ព្ទច្រើននាក់ពេញនិយម (MOBA)។
កម្មវិធីនេះបានប្រើប្រាស់បច្ចេកទេសសិក្សាពង្រឹងដែលមានស្រាប់ ដោយធ្វើមាត្រដ្ឋានដើម្បីរៀនពីរាប់លានស៊ុមក្នុងមួយវិនាទី។ សូមអរគុណដល់ប្រព័ន្ធបណ្តុះបណ្តាលដែលបានចែកចាយ OpenAI អាចលេងហ្គេមដែលមានតម្លៃ 180 ឆ្នាំជារៀងរាល់ថ្ងៃ។
បន្ទាប់ពីរយៈពេលបណ្តុះបណ្តាល OpenAI Five អាចសម្រេចបាននូវការអនុវត្តកម្រិតជំនាញ និងបង្ហាញពីកិច្ចសហប្រតិបត្តិការជាមួយអ្នកលេងមនុស្ស។ នៅឆ្នាំ 2019 OpenAI ប្រាំអាចធ្វើបាន បរាជ័យ 99.4% នៃអ្នកលេងនៅក្នុងការប្រកួតសាធារណៈ។
ហេតុអ្វីបានជា OpenAI សម្រេចចិត្តលើហ្គេមនេះ? យោងទៅតាមអ្នកស្រាវជ្រាវ DOTA 2 មានមេកានិចស្មុគស្មាញដែលនៅក្រៅកន្លែងជ្រៅដែលមានស្រាប់ ការពង្រឹងការរៀន។ ក្បួនដោះស្រាយ។
ក្រុម Super ខ្សែប្រយុទ្ធ Mario Bros.
កម្មវិធីគួរឱ្យចាប់អារម្មណ៍មួយផ្សេងទៀតនៃសំណាញ់សរសៃប្រសាទនៅក្នុងហ្គេមវីដេអូគឺការប្រើប្រាស់ការវិវត្តន៍សរសៃប្រសាទដើម្បីលេងវេទិកាដូចជា Super Mario Bros ។
ឧទាហរណ៍នេះ ការចូល hackathon ចាប់ផ្តើមដោយមិនមានចំណេះដឹងអំពីហ្គេម ហើយចាប់ផ្តើមបន្តិចម្តងៗនូវមូលដ្ឋានគ្រឹះនៃអ្វីដែលចាំបាច់ ដើម្បីឈានទៅដល់កម្រិតមួយ។
សំណាញ់សរសៃប្រសាទដែលវិវឌ្ឍដោយខ្លួនឯងត្រូវចំណាយពេលក្នុងស្ថានភាពបច្ចុប្បន្នរបស់ហ្គេមជាក្រឡាក្បឿង។ ដំបូងឡើយ សំណាញ់ប្រសាទមិនយល់ពីអត្ថន័យនៃក្បឿងនីមួយៗទេ មានតែក្បឿង "ខ្យល់" ខុសពី "ក្បឿងដី" និង "ក្បឿងសត្រូវ"។
ការអនុវត្តគម្រោង hackathon នៃការវិវត្តន៍នៃសរសៃប្រសាទបានប្រើក្បួនដោះស្រាយហ្សែន NEAT ដើម្បីបង្កាត់សំណាញ់សរសៃប្រសាទផ្សេងៗគ្នាដោយជ្រើសរើស។
សារៈសំខាន់
ឥឡូវនេះអ្នកបានឃើញឧទាហរណ៍មួយចំនួននៃសំណាញ់សរសៃប្រសាទលេងហ្គេមវីដេអូ អ្នកប្រហែលជាឆ្ងល់ថាតើចំណុចទាំងអស់នេះជាអ្វី។
ដោយសារហ្គេមវីដេអូពាក់ព័ន្ធនឹងអន្តរកម្មស្មុគ្រស្មាញរវាងភ្នាក់ងារ និងបរិស្ថានរបស់វា វាជាកន្លែងសាកល្បងដ៏ល្អឥតខ្ចោះសម្រាប់បង្កើត AI ។ បរិស្ថាននិម្មិតមានសុវត្ថិភាព និងអាចគ្រប់គ្រងបាន និងផ្តល់នូវការផ្គត់ផ្គង់ទិន្នន័យគ្មានកំណត់។
ការស្រាវជ្រាវដែលបានធ្វើឡើងនៅក្នុងវិស័យនេះបានផ្តល់ឱ្យអ្នកស្រាវជ្រាវនូវការយល់ដឹងអំពីរបៀបដែលសំណាញ់សរសៃប្រសាទអាចត្រូវបានធ្វើឱ្យប្រសើរដើម្បីរៀនពីរបៀបដោះស្រាយបញ្ហានៅក្នុងពិភពពិត។
បណ្តាញសរសៃប្រសាទ ត្រូវបានបំផុសគំនិតដោយរបៀបដែលខួរក្បាលធ្វើការនៅក្នុងពិភពធម្មជាតិ។ តាមរយៈការសិក្សាពីរបៀបដែលណឺរ៉ូនសិប្បនិមិត្តមានឥរិយាបទនៅពេលរៀនពីរបៀបលេងហ្គេមវីដេអូ យើងក៏អាចទទួលបានការយល់ដឹងអំពីរបៀបដែល ខួរក្បាលរបស់មនុស្ស ការងារ។
សន្និដ្ឋាន
ភាពស្រដៀងគ្នារវាងបណ្តាញសរសៃប្រសាទ និងខួរក្បាលបាននាំឱ្យមានការយល់ដឹងក្នុងវិស័យទាំងពីរ។ ការស្រាវជ្រាវបន្តអំពីរបៀបដែលសំណាញ់សរសៃប្រសាទអាចដោះស្រាយបញ្ហានៅថ្ងៃណាមួយអាចនាំទៅរកទម្រង់ទំនើបបន្ថែមទៀតនៃ ក្លែងបន្លំ.
ស្រមៃថាប្រើ AI ដែលតម្រូវតាមលក្ខណៈជាក់លាក់របស់អ្នក ដែលអាចលេងហ្គេមវីដេអូទាំងមូល មុនពេលអ្នកទិញវា ដើម្បីប្រាប់អ្នកថាតើវាសមនឹងពេលវេលារបស់អ្នក។ តើក្រុមហ៊ុនវីដេអូហ្គេមនឹងប្រើសំណាញ់សរសៃប្រសាទដើម្បីកែលម្អការរចនាហ្គេម កម្រិតកែប្រែ និងការលំបាករបស់គូប្រជែងដែរឬទេ?
តើអ្នកគិតថានឹងមានអ្វីកើតឡើងនៅពេលដែលសំណាញ់សរសៃប្រសាទក្លាយជាអ្នកលេងល្បែងចុងក្រោយ?
សូមផ្ដល់យោបល់