भिडियो गेमहरूले विश्वभरका अरबौं खेलाडीहरूलाई चुनौती दिन जारी राख्छन्। तपाईलाई यो अझै थाहा नहुन सक्छ, तर मेसिन लर्निङ एल्गोरिदमले पनि चुनौतीको सामना गर्न थालेको छ।
भिडियो गेमहरूमा मेशिन लर्निङ विधिहरू लागू गर्न सकिन्छ कि भनेर हेर्नको लागि AI को क्षेत्रमा हाल महत्त्वपूर्ण मात्रामा अनुसन्धान भइरहेको छ। यस क्षेत्रमा भएको उल्लेखनीय प्रगतिले देखाउँछ मेशिन सिकाइ एजेन्टहरू अनुकरण गर्न वा मानव खेलाडीलाई प्रतिस्थापन गर्न प्रयोग गर्न सकिन्छ।
यसको भविष्यको लागि के अर्थ छ भिडियो खेल?
के यी परियोजनाहरू केवल रमाईलोको लागि हुन्, वा त्यहाँ धेरै अनुसन्धानकर्ताहरूले खेलहरूमा ध्यान केन्द्रित गर्ने गहिरो कारणहरू छन्?
यस लेखले भिडियो गेमहरूमा एआईको इतिहासलाई संक्षिप्त रूपमा अन्वेषण गर्नेछ। पछि, हामी तपाइँलाई केहि मेसिन लर्निंग प्रविधिहरूको द्रुत सिंहावलोकन दिनेछौं जुन हामीले खेलहरू कसरी हराउने भनेर जान्न प्रयोग गर्न सक्छौं। हामी त्यसपछि केही सफल अनुप्रयोगहरू हेर्नेछौं तंत्रिका जाल विशेष भिडियो गेमहरू सिक्न र मास्टर गर्न।
गेमिङमा एआईको संक्षिप्त इतिहास
भिडियो गेमहरू समाधान गर्न न्युरल नेटहरू किन आदर्श एल्गोरिदम बनेको छ भनी जान्न अघि, कम्प्युटर वैज्ञानिकहरूले AI मा आफ्नो अनुसन्धानलाई अगाडि बढाउन भिडियो गेमहरू कसरी प्रयोग गरेका छन् भनी संक्षिप्त रूपमा हेरौं।
तपाइँ तर्क गर्न सक्नुहुन्छ, यसको सुरुवात देखि, भिडियो गेमहरू AI मा रुचि राख्ने अनुसन्धानकर्ताहरूको लागि अनुसन्धानको तातो क्षेत्र भएको छ।
मूल रूपमा कडा रूपमा भिडियो गेम नभए पनि, चेस एआईको प्रारम्भिक दिनहरूमा ठूलो फोकस भएको छ। 1951 मा, डा. डिट्रिच प्रिन्जले फेरान्टी मार्क 1 डिजिटल कम्प्युटर प्रयोग गरेर चेस खेल्ने कार्यक्रम लेखे। यो त्यो युगमा फर्किएको थियो जब यी ठूला कम्प्युटरहरूले कागजको टेपबाट प्रोग्रामहरू पढ्नुपर्थ्यो।
कार्यक्रम आफैंमा पूर्ण चेस एआई थिएन। कम्प्युटरको सीमितताका कारण, प्रिन्जले मेट-इन-टू चेस समस्याहरू समाधान गर्ने प्रोग्राम मात्र सिर्जना गर्न सके। औसतमा, कार्यक्रमले सेतो र कालो खेलाडीहरूको लागि हरेक सम्भावित चाल गणना गर्न 15-20 मिनेट लियो।
चेस र चेकर्स AI लाई सुधार गर्ने कार्यमा दशकौंको अवधिमा लगातार सुधार भएको छ। 1997 मा आईबीएमको डीप ब्लूले रूसी चेस ग्रान्डमास्टर ग्यारी कास्पारोभलाई छ-खेल खेलको जोडीमा पराजित गर्दा प्रगति चरम सीमामा पुग्यो। आजकल, तपाईले आफ्नो मोबाइल फोनमा फेला पार्न सक्ने चेस इन्जिनहरूले गहिरो निलोलाई हराउन सक्छ।
एआई विरोधीहरूले भिडियो आर्केड गेमहरूको स्वर्ण युगमा लोकप्रियता प्राप्त गर्न थाले। 1978 को स्पेस इनभेडर्स र 1980s Pac-Man AI सिर्जना गर्ने उद्योगका अग्रगामीहरू हुन् जसले आर्केड गेमरहरूको सबैभन्दा अनुभवीलाई पनि पर्याप्त रूपमा चुनौती दिन सक्छ।
Pac-Man, विशेष गरी, AI अनुसन्धानकर्ताहरूको लागि प्रयोग गर्न लोकप्रिय खेल थियो। विभिन्न प्रतियोगिताहरू सुश्री प्याक-म्यानको लागि कुन टोलीले खेललाई हराउनको लागि उत्कृष्ट एआई ल्याउन सक्छ भनेर निर्धारण गर्न आयोजना गरिएको छ।
खेल एआई र ह्युरिस्टिक एल्गोरिदमहरू विकसित हुन जारी राखे जब कि स्मार्ट विरोधीहरूको आवश्यकता उत्पन्न भयो। उदाहरणका लागि, फर्स्ट पर्सन शूटरहरू जस्ता विधाहरू मुख्यधारा बनेकाले कम्ब्याट एआई लोकप्रियतामा बढ्यो।
भिडियो गेमहरूमा मेसिन लर्निङ
मेसिन लर्निङ प्रविधिहरू द्रुत रूपमा लोकप्रियतामा बढ्दै जाँदा, विभिन्न अनुसन्धान परियोजनाहरूले भिडियो गेमहरू खेल्न यी नयाँ प्रविधिहरू प्रयोग गर्ने प्रयास गरे।
Dota 2, StarCraft, र Doom जस्ता खेलहरूले यी समस्याहरूको रूपमा काम गर्न सक्छन् मेशिन शिक्षा एल्गोरिदम समाधान गर्न। गहिरो शिक्षा एल्गोरिदम, विशेष गरी, मानव-स्तर प्रदर्शन हासिल गर्न र पार गर्न सक्षम थिए।
यो आर्केड लर्निंग वातावरण वा ALE ले अन्वेषकहरूलाई सय भन्दा बढी अटारी 2600 खेलहरूको लागि इन्टरफेस दियो। खुला स्रोत प्लेटफर्मले अनुसन्धानकर्ताहरूलाई क्लासिक अटारी भिडियो गेमहरूमा मेसिन लर्निङ प्रविधिहरूको प्रदर्शन बेन्चमार्क गर्न अनुमति दियो। गुगलले आफ्नै प्रकाशन पनि गर्यो कागज ALE बाट सात खेलहरू प्रयोग गर्दै
यसैबीच, परियोजनाहरू जस्तै VizDoom AI अनुसन्धानकर्ताहरूलाई थ्रीडी फर्स्ट पर्सन शूटरहरू खेल्न मेसिन लर्निङ एल्गोरिदमहरू तालिम दिने अवसर दियो।
यसले कसरी काम गर्छ: केही मुख्य अवधारणाहरू
न्यूरल नेटवर्कहरू
मेशिन लर्निङको साथ भिडियो गेमहरू समाधान गर्ने धेरै तरिकाहरूमा न्यूरल नेटवर्क भनेर चिनिने एल्गोरिदमको प्रकार समावेश हुन्छ।
तपाइँ एक प्रोग्रामको रूपमा तंत्रिका नेटलाई सोच्न सक्नुहुन्छ जुन मस्तिष्कले कसरी काम गर्न सक्छ भनेर नक्कल गर्ने प्रयास गर्दछ। हाम्रो मस्तिष्क कसरी संकेत पठाउने न्यूरोन्सबाट बनेको हुन्छ, जस्तै न्यूरल नेटमा पनि कृत्रिम न्यूरोन्सहरू हुन्छन्।
यी कृत्रिम न्युरोन्सहरूले पनि एकअर्कालाई संकेतहरू हस्तान्तरण गर्छन्, प्रत्येक सङ्केत वास्तविक सङ्ख्याको साथ। एक न्यूरल नेटले इनपुट र आउटपुट तहहरू बीच धेरै तहहरू समावेश गर्दछ, जसलाई गहिरो न्यूरल नेटवर्क भनिन्छ।
सुदृढीकरण शिक्षण
भिडियो गेमहरू सिक्नका लागि सान्दर्भिक अर्को सामान्य मेसिन लर्निङ प्रविधि सुदृढीकरण शिक्षाको विचार हो।
यो प्रविधि पुरस्कार वा सजाय प्रयोग गरेर एजेन्टलाई प्रशिक्षण दिने प्रक्रिया हो। यस दृष्टिकोणको साथ, एजेन्ट परीक्षण र त्रुटि मार्फत समस्याको समाधानको साथ आउन सक्षम हुनुपर्छ।
मानौं कि हामी Snake खेल कसरी खेल्ने भनेर पत्ता लगाउन AI चाहन्छौं। खेलको उद्देश्य सरल छ: वस्तुहरू उपभोग गरेर र तपाईंको बढ्दो पुच्छरलाई बेवास्ता गरेर सकेसम्म धेरै अंकहरू प्राप्त गर्नुहोस्।
सुदृढीकरण सिकाइको साथ, हामी पुरस्कार प्रकार्य R परिभाषित गर्न सक्छौं। कार्यले अंकहरू थप्छ जब सर्पले कुनै वस्तु खान्छ र अंकहरू घटाउँछ जब सर्पले अवरोधमा हिर्काउँछ। हालको वातावरण र सम्भावित कार्यहरूको सेटलाई ध्यानमा राख्दै, हाम्रो सुदृढीकरण सिकाइ मोडेलले हाम्रो पुरस्कार कार्यलाई अधिकतम बनाउने इष्टतम 'नीति' गणना गर्ने प्रयास गर्नेछ।
न्यूरोइभोलुसन
प्रकृतिबाट प्रेरित भएर विषयवस्तुलाई ध्यानमा राख्दै अनुसन्धानकर्ताहरूले न्यूरोइभोल्युसन भनिने प्रविधि मार्फत भिडियो गेमहरूमा एमएल लागू गर्न सफल भएका छन्।
यसको सट्टामा ढाल वंश नेटवर्कमा न्युरोनहरू अद्यावधिक गर्न, हामी राम्रो परिणामहरू प्राप्त गर्न विकासवादी एल्गोरिदमहरू प्रयोग गर्न सक्छौं।
विकासवादी एल्गोरिदमहरू सामान्यतया अनियमित व्यक्तिहरूको प्रारम्भिक जनसंख्या उत्पन्न गरेर सुरु हुन्छ। त्यसपछि हामी यी व्यक्तिहरूलाई निश्चित मापदण्डहरू प्रयोग गरेर मूल्याङ्कन गर्छौं। उत्कृष्ट व्यक्तिहरूलाई "अभिभावक" को रूपमा छनोट गरिन्छ र व्यक्तिहरूको नयाँ पुस्ता गठन गर्न सँगै प्रजनन गरिन्छ। यी व्यक्तिहरूले त्यसपछि जनसंख्यामा सबैभन्दा कम फिट व्यक्तिहरूलाई प्रतिस्थापन गर्नेछन्।
यी एल्गोरिदमहरूले सामान्यतया क्रसओभर वा "प्रजनन" चरणको समयमा आनुवंशिक विविधता कायम राख्नको लागि उत्परिवर्तन सञ्चालनको केही रूपहरू पनि परिचय गराउँछन्।
भिडियो गेमहरूमा मेसिन लर्निङमा नमूना अनुसन्धान
OpenAI पाँच
OpenAI पाँच ओपनएआई द्वारा एक कम्प्यूटर प्रोग्राम हो जसको उद्देश्य DOTA 2, एक लोकप्रिय मल्टिप्लेयर मोबाइल युद्ध क्षेत्र (MOBA) खेल खेल्ने हो।
कार्यक्रमले विद्यमान सुदृढीकरण सिकाउने प्रविधिहरू प्रयोग गर्यो, प्रति सेकेन्ड लाखौं फ्रेमहरूबाट सिक्नको लागि मापन गरियो। एक वितरित प्रशिक्षण प्रणाली को लागी धन्यवाद, OpenAI हरेक दिन 180 वर्ष को लायक खेलहरु खेल्न सक्षम थियो।
प्रशिक्षण अवधि पछि, ओपनएआई फाइभले विशेषज्ञ स्तरको प्रदर्शन हासिल गर्न र मानव खेलाडीहरूसँग सहकार्य प्रदर्शन गर्न सक्षम भयो। 2019 मा, OpenAI पाँच सक्षम थियो हार सार्वजनिक खेलहरूमा 99.4% खेलाडीहरू।
किन OpenAI ले यो खेलमा निर्णय गर्यो? अन्वेषकहरूका अनुसार DOTA 2 मा जटिल मेकानिक्सहरू थिए जुन अवस्थित गहिरोको पहुँच बाहिर थियो प्रबलन सिकाउने एल्गोरिदम
सुपर मारियो Bros.
भिडियो गेमहरूमा न्यूरल नेटहरूको अर्को चाखलाग्दो अनुप्रयोग सुपर मारियो ब्रोस जस्ता प्लेटफार्मरहरू खेल्न न्यूरोइभोल्युसनको प्रयोग हो।
उदाहरण को लागी, यो ह्याकाथन प्रवेश खेलको कुनै ज्ञान नभएको साथ सुरु हुन्छ र बिस्तारै स्तर मार्फत प्रगति गर्न के आवश्यक छ भन्ने आधार बनाउँछ।
आत्म-विकसित न्यूरल नेटले खेलको हालको अवस्थालाई टाइल्सको ग्रिडको रूपमा लिन्छ। सुरुमा, न्यूरल नेटले प्रत्येक टाइलको अर्थ के हो भन्ने कुरा बुझ्दैन, केवल "एयर" टाइलहरू "ग्राउन्ड टाइलहरू" र "शत्रु टाइलहरू" भन्दा फरक हुन्छन्।
ह्याकाथन परियोजनाको न्यूरोइभोल्युसनको कार्यान्वयनले NEAT आनुवंशिक एल्गोरिथ्म प्रयोग गरी विभिन्न न्यूरल जालहरू छनौट गरी प्रजनन गर्यो।
महत्व
अब तपाईंले भिडियो गेमहरू खेल्ने तंत्रिका नेटका केही उदाहरणहरू देख्नुभएको छ, तपाईं सोचिरहनुभएको हुन सक्छ कि यो सबैको बिन्दु के हो।
भिडियो गेमहरूले एजेन्टहरू र तिनीहरूको वातावरणहरू बीच जटिल अन्तरक्रियाहरू समावेश गरेको हुनाले, यो एआई बनाउनको लागि उत्तम परीक्षण मैदान हो। भर्चुअल वातावरणहरू सुरक्षित र नियन्त्रणयोग्य छन् र डाटाको असीम आपूर्ति प्रदान गर्दछ।
यस क्षेत्रमा गरिएको अनुसन्धानले अनुसन्धानकर्ताहरूलाई वास्तविक संसारमा समस्याहरू कसरी समाधान गर्ने भनेर सिक्नको लागि तंत्रिका जालहरूलाई कसरी अनुकूलित गर्न सकिन्छ भन्ने बारे अन्तरदृष्टि दिएको छ।
तंत्रिका सञ्जालहरू मस्तिष्कले प्राकृतिक संसारमा कसरी काम गर्छ भनेर प्रेरित गरिन्छ। भिडियो गेम कसरी खेल्ने भनेर सिकाउँदा कृत्रिम न्यूरोन्सले कसरी व्यवहार गर्छ भन्ने अध्ययन गरेर, हामीले कसरी अन्तर्दृष्टि प्राप्त गर्न सक्छौं। मानव मस्तिष्क काम गर्दछ।
निष्कर्ष
तंत्रिका सञ्जाल र मस्तिष्क बीचको समानताले दुवै क्षेत्रहरूमा अन्तरदृष्टिको नेतृत्व गरेको छ। कसरी तंत्रिका जालले समस्याहरू समाधान गर्न सक्छ भन्ने बारे निरन्तर अनुसन्धानले कुनै दिन थप उन्नत रूपहरू निम्त्याउन सक्छ कृत्रिम बुद्धि.
तपाइँको स्पेसिफिकेशन अनुसार तयार पारिएको AI प्रयोग गर्ने कल्पना गर्नुहोस् जुन तपाइँले खरिद गर्नु अघि तपाइँको समयको लायक छ कि छैन भनेर तपाइँलाई थाहा दिनको लागि सम्पूर्ण भिडियो गेम खेल्न सक्छ। के भिडियो गेम कम्पनीहरूले खेल डिजाइन, ट्वीक स्तर, र विपक्षी कठिनाई सुधार गर्न न्यूरल नेटहरू प्रयोग गर्नेछन्?
तपाई के सोच्नुहुन्छ जब न्यूरल नेटहरू परम गेमर बन्छन्?
जवाफ छाड्नुस्