Orodha ya Yaliyomo[Ficha][Onyesha]
Michezo ya video inaendelea kutoa changamoto kwa mabilioni ya wachezaji kote ulimwenguni. Huenda hujui bado, lakini kanuni za kujifunza kwa mashine zimeanza kukabiliana na changamoto pia.
Kwa sasa kuna kiasi kikubwa cha utafiti katika uwanja wa AI ili kuona kama mbinu za kujifunza kwa mashine zinaweza kutumika kwa michezo ya video. Maendeleo makubwa katika uwanja huu yanaonyesha hivyo mashine kujifunza mawakala wanaweza kutumika kuiga au hata kuchukua nafasi ya mchezaji wa kibinadamu.
Hii ina maana gani kwa mustakabali wa video michezo?
Je, miradi hii ni ya kujifurahisha tu, au kuna sababu za kina kwa nini watafiti wengi wanaangazia michezo?
Nakala hii itachunguza kwa ufupi historia ya AI katika michezo ya video. Baadaye, tutakupa muhtasari wa haraka wa baadhi ya mbinu za kujifunza kwa mashine tunazoweza kutumia kujifunza jinsi ya kushinda michezo. Kisha tutaangalia baadhi ya maombi yaliyofanikiwa ya nyavu za neva kujifunza na kusimamia michezo maalum ya video.
Historia fupi ya AI katika Michezo ya Kubahatisha
Kabla ya kufahamu kwa nini neti za neva zimekuwa kanuni bora ya kutatua michezo ya video, hebu tuangalie kwa ufupi jinsi wanasayansi wa kompyuta wametumia michezo ya video kuendeleza utafiti wao katika AI.
Unaweza kusema kwamba, tangu kuanzishwa kwake, michezo ya video imekuwa eneo moto la utafiti kwa watafiti wanaopenda AI.
Ingawa sio mchezo wa video asilia, chess imekuwa lengo kuu katika siku za mwanzo za AI. Mnamo 1951, Dk. Dietrich Prinz aliandika programu ya kucheza chess kwa kutumia kompyuta ya kidijitali ya Ferranti Mark 1. Hii ilikuwa zamani sana wakati kompyuta hizi kubwa zililazimika kusoma programu kutoka kwa mkanda wa karatasi.
Programu yenyewe haikuwa AI kamili ya chess. Kwa sababu ya mapungufu ya kompyuta, Prinz inaweza tu kuunda programu ambayo ilisuluhisha shida za chess-in-mbili. Kwa wastani, programu ilichukua dakika 15-20 kuhesabu kila hatua inayowezekana kwa wachezaji Weupe na Weusi.
Fanya kazi katika kuboresha chess na cheki AI imeimarika kwa kasi katika miongo yote. Maendeleo hayo yalifikia kilele chake mnamo 1997 wakati Deep Blue ya IBM ilipomshinda mwalimu mkuu wa chess wa Urusi Garry Kasparov katika jozi ya mechi sita. Siku hizi, injini za chess unazoweza kupata kwenye simu yako ya mkononi zinaweza kushinda Deep Blue.
Wapinzani wa AI walianza kupata umaarufu wakati wa enzi ya dhahabu ya michezo ya arcade ya video. Wavamizi wa Nafasi ya 1978 na Pac-Man wa miaka ya 1980 ni baadhi ya waanzilishi wa sekta hii katika kuunda AI ambayo inaweza kutoa changamoto za kutosha hata kwa wachezaji wa zamani zaidi wa wacheza arcade.
Pac-Man, haswa, ulikuwa mchezo maarufu kwa watafiti wa AI kufanya majaribio. Mbalimbali mashindano kwa Bi. Pac-Man wamepangwa kubainisha ni timu gani inaweza kuja na AI bora kushinda mchezo.
AI ya Mchezo na algoriti za kiheuristic ziliendelea kubadilika kadiri hitaji la wapinzani mahiri lilipotokea. Kwa mfano, AI ya mapigano iliongezeka kwa umaarufu kwani aina kama vile wapiga risasi wa kwanza zikawa maarufu zaidi.
Kujifunza kwa Mashine katika Michezo ya Video
Mbinu za kujifunza mashine zilipoongezeka haraka, miradi mbalimbali ya utafiti ilijaribu kutumia mbinu hizi mpya kucheza michezo ya video.
Michezo kama vile Dota 2, StarCraft na Doom inaweza kuwa matatizo kwa haya kanuni za kujifunza mashine kusuluhisha. Algorithms ya kujifunza kwa kina, hasa, waliweza kufikia na hata kupita utendakazi wa kiwango cha binadamu.
The Mazingira ya Kujifunza ya Arcade au ALE iliwapa watafiti kiolesura cha zaidi ya michezo mia moja ya Atari 2600. Mfumo wa programu huria uliruhusu watafiti kuainisha utendaji wa mbinu za kujifunza kwa mashine kwenye michezo ya video ya Atari ya kawaida. Google hata ilichapisha zao karatasi kutumia michezo saba kutoka ALE
Wakati huo huo, miradi kama VizDoom iliwapa watafiti wa AI fursa ya kufunza algoriti za kujifunza kwa mashine ili kucheza wapiga risasi wa mtu wa kwanza wa 3D.
Jinsi Inafanya Kazi: Baadhi ya Dhana Muhimu
Mitandao ya Neural
Mbinu nyingi za kutatua michezo ya video kwa kujifunza kwa mashine huhusisha aina ya algoriti inayojulikana kama mtandao wa neva.
Unaweza kufikiria wavu wa neva kama programu inayojaribu kuiga jinsi ubongo unavyoweza kufanya kazi. Sawa na jinsi ubongo wetu unavyoundwa na niuroni zinazosambaza ishara, wavu wa neva pia una niuroni bandia.
Neuroni hizi bandia pia huhamisha ishara kwa kila mmoja, na kila ishara ikiwa nambari halisi. Wavu ya neva ina tabaka nyingi kati ya tabaka za ingizo na pato, zinazoitwa mtandao wa neva wa kina.
Kuimarisha ujifunzaji
Mbinu nyingine ya kawaida ya kujifunza kwa mashine inayohusiana na kujifunza michezo ya video ni wazo la ujifunzaji wa kuimarisha.
Mbinu hii ni mchakato wa kumfundisha wakala kwa kutumia thawabu au adhabu. Kwa mbinu hii, wakala anapaswa kuwa na uwezo wa kuja na suluhu la tatizo kupitia majaribio na makosa.
Wacha tuseme tunataka AI ili kujua jinsi ya kucheza mchezo wa Nyoka. Lengo la mchezo ni rahisi: kupata pointi nyingi iwezekanavyo kwa kutumia vitu na kuepuka mkia wako kukua.
Kwa kujifunza kwa uimarishaji, tunaweza kufafanua chaguo la kukokotoa la zawadi R. Chaguo za kukokotoa huongeza pointi Nyoka anapotumia bidhaa na kuondoa pointi Nyoka anapogonga kizuizi. Kwa kuzingatia mazingira ya sasa na seti ya vitendo vinavyowezekana, modeli yetu ya uimarishaji wa mafunzo itajaribu kukokotoa 'sera' mojawapo inayoongeza utendakazi wetu wa zawadi.
Neuroevolution
Kwa kuzingatia mandhari na kuhamasishwa na maumbile, watafiti pia wamepata mafanikio katika kutumia ML kwenye michezo ya video kupitia mbinu inayojulikana kama neuroevolution.
Badala ya kutumia kushuka kwa gradient kusasisha niuroni katika mtandao, tunaweza kutumia algoriti za mageuzi kufikia matokeo bora.
Algorithms ya mageuzi kwa kawaida huanza kwa kuzalisha idadi ya awali ya watu binafsi. Kisha tunatathmini watu hawa kwa kutumia vigezo fulani. Watu bora zaidi huchaguliwa kama "wazazi" na wanakuzwa pamoja ili kuunda kizazi kipya cha watu binafsi. Watu hawa basi watachukua nafasi ya watu wasiofaa kabisa katika idadi ya watu.
Algoriti hizi pia kwa kawaida huanzisha aina fulani ya operesheni ya mabadiliko wakati wa kuvuka au hatua ya "uzalishaji" ili kudumisha uanuwai wa kijeni.
Sampuli ya Utafiti wa Kujifunza kwa Mashine katika Michezo ya Video
OpenAI Tano
OpenAI Tano ni programu ya kompyuta ya OpenAI ambayo inalenga kucheza DOTA 2, mchezo maarufu wa uwanja wa vita wa simu ya mkononi (MOBA) wa wachezaji wengi.
Mpango huu ulitumia mbinu za uimarishaji zilizopo za kujifunza, zilizokuzwa ili kujifunza kutoka kwa mamilioni ya fremu kwa sekunde. Shukrani kwa mfumo uliosambazwa wa mafunzo, OpenAI iliweza kucheza michezo ya thamani ya miaka 180 kila siku.
Baada ya kipindi cha mafunzo, OpenAI Five iliweza kufikia utendaji wa kiwango cha utaalam na kuonyesha ushirikiano na wachezaji wa kibinadamu. Mnamo 2019, OpenAI tano iliweza kushindwa 99.4% ya wachezaji katika mechi za umma.
Kwa nini OpenAI iliamua kuhusu mchezo huu? Kulingana na watafiti, DOTA 2 ilikuwa na mechanics tata ambayo ilikuwa nje ya ufikiaji wa kina kilichopo kuimarisha kujifunza algorithms.
Super Mario Bros
Utumizi mwingine wa kuvutia wa neti za neva katika michezo ya video ni matumizi ya mabadiliko ya akili kucheza jukwaa kama vile Super Mario Bros.
Kwa mfano, hii kuingia kwa hackathon huanza kwa kutokuwa na ufahamu wa mchezo na polepole hujenga msingi wa kile kinachohitajika ili kuendelea kupitia kiwango.
Neural neural net inayojibadilisha inachukua katika hali ya sasa ya mchezo kama gridi ya vigae. Mwanzoni, wavu wa neva hauelewi kila kigae kinamaanisha nini, ila tu kwamba vigae vya "hewa" ni tofauti na "vigae vya ardhini" na "vigae vya adui."
Utekelezaji wa mradi wa hackathon wa mabadiliko ya neva ulitumia kanuni ya kijeni ya NEAT kuzaliana chandarua tofauti za neva kwa kuchagua.
Umuhimu
Sasa kwa kuwa umeona baadhi ya mifano ya nyavu za neva zinazocheza michezo ya video, unaweza kuwa unashangaa maana ya haya yote ni nini.
Kwa kuwa michezo ya video inahusisha mwingiliano changamano kati ya mawakala na mazingira yao, ni uwanja mwafaka wa majaribio ya kutengeneza AI. Mazingira pepe ni salama na yanaweza kudhibitiwa na hutoa usambazaji usio na kikomo wa data.
Utafiti uliofanywa katika uwanja huu umewapa watafiti maarifa kuhusu jinsi neti za neva zinaweza kuboreshwa ili kujifunza jinsi ya kutatua matatizo katika ulimwengu halisi.
Mitandao ya Neural wanahamasishwa na jinsi ubongo unavyofanya kazi katika ulimwengu wa asili. Kwa kusoma jinsi niuroni bandia hutenda wakati wa kujifunza jinsi ya kucheza mchezo wa video, tunaweza pia kupata ufahamu wa jinsi ubongo wa binadamu inafanya kazi.
Hitimisho
Kufanana kati ya mitandao ya neva na ubongo kumesababisha maarifa katika nyanja zote mbili. Utafiti unaoendelea kuhusu jinsi neti za neva zinaweza kutatua matatizo siku moja unaweza kusababisha aina za juu zaidi za bandia akili.
Hebu fikiria kutumia AI iliyoundwa kulingana na vipimo vyako inayoweza kucheza mchezo mzima wa video kabla ya kuununua ili kukujulisha ikiwa inafaa wakati wako. Je, kampuni za michezo ya video zinaweza kutumia neti za neva ili kuboresha muundo wa mchezo, kiwango cha kurekebisha na ugumu wa wapinzani?
Je, unafikiri nini kitatokea wakati nyavu za neva zitakuwa wachezaji bora zaidi?
Acha Reply