பொருளடக்கம்[மறை][காட்டு]
உலகெங்கிலும் உள்ள பில்லியன் கணக்கான வீரர்களுக்கு வீடியோ கேம்கள் தொடர்ந்து சவாலாக உள்ளன. உங்களுக்கு இது இன்னும் தெரியாமல் இருக்கலாம், ஆனால் இயந்திர கற்றல் வழிமுறைகளும் சவாலை எதிர்கொள்ளத் தொடங்கியுள்ளன.
வீடியோ கேம்களுக்கு இயந்திரக் கற்றல் முறைகளைப் பயன்படுத்த முடியுமா என்பதைப் பார்க்க, AI துறையில் தற்போது குறிப்பிடத்தக்க அளவு ஆராய்ச்சி உள்ளது. இந்தத் துறையில் கணிசமான முன்னேற்றம் அதைக் காட்டுகிறது இயந்திர கற்றல் மனித வீரரைப் பின்பற்ற அல்லது மாற்றுவதற்கு முகவர்கள் பயன்படுத்தப்படலாம்.
இது எதிர்காலத்திற்கு என்ன அர்த்தம் வீடியோ விளையாட்டுகள்?
இந்தத் திட்டங்கள் வெறுமனே வேடிக்கைக்காகவா அல்லது பல ஆராய்ச்சியாளர்கள் விளையாட்டுகளில் கவனம் செலுத்துவதற்கு ஆழமான காரணங்கள் உள்ளதா?
இந்த கட்டுரை வீடியோ கேம்களில் AI இன் வரலாற்றை சுருக்கமாக ஆராயும். அதன்பிறகு, கேம்களை எவ்வாறு வெல்வது என்பதை அறிய நாங்கள் பயன்படுத்தக்கூடிய சில இயந்திர கற்றல் நுட்பங்களின் விரைவான மேலோட்டத்தை உங்களுக்கு வழங்குவோம். சில வெற்றிகரமான பயன்பாடுகளைப் பார்ப்போம் நரம்பு வலைகள் குறிப்பிட்ட வீடியோ கேம்களைக் கற்றுக் கொள்ளவும் மாஸ்டர் செய்யவும்.
கேமிங்கில் AI இன் சுருக்கமான வரலாறு
நரம்பியல் வலைகள் ஏன் வீடியோ கேம்களைத் தீர்ப்பதற்கான சிறந்த வழிமுறையாக மாறியுள்ளன என்பதைப் பற்றிப் பார்ப்பதற்கு முன், கணினி விஞ்ஞானிகள் AI இல் தங்கள் ஆராய்ச்சியை மேம்படுத்த வீடியோ கேம்களை எவ்வாறு பயன்படுத்தினர் என்பதைச் சுருக்கமாகப் பார்ப்போம்.
அதன் தொடக்கத்திலிருந்தே, AI இல் ஆர்வமுள்ள ஆராய்ச்சியாளர்களுக்கு வீடியோ கேம்கள் ஒரு சூடான ஆராய்ச்சிப் பகுதி என்று நீங்கள் வாதிடலாம்.
தோற்றத்தில் கண்டிப்பாக வீடியோ கேம் இல்லாவிட்டாலும், AI இன் ஆரம்ப நாட்களில் சதுரங்கம் அதிக கவனம் செலுத்தியது. 1951 ஆம் ஆண்டில், டாக்டர் டீட்ரிச் பிரின்ஸ், ஃபெரான்டி மார்க் 1 டிஜிட்டல் கணினியைப் பயன்படுத்தி சதுரங்கம் விளையாடும் திட்டத்தை எழுதினார். இந்த பருமனான கணினிகள் காகித நாடாவிலிருந்து நிரல்களைப் படிக்க வேண்டிய சகாப்தத்தில் இது இருந்தது.
நிரல் ஒரு முழுமையான செஸ் AI அல்ல. கம்ப்யூட்டரின் வரம்புகள் காரணமாக, மேட்-இன்-டூ செஸ் பிரச்சனைகளை தீர்க்கும் திட்டத்தை மட்டுமே பிரின்ஸ் உருவாக்க முடியும். சராசரியாக, வெள்ளை மற்றும் கருப்பு வீரர்களுக்கு சாத்தியமான ஒவ்வொரு நகர்வையும் கணக்கிடுவதற்கு நிரல் 15-20 நிமிடங்கள் எடுத்தது.
செஸ் மற்றும் செக்கர்ஸ் AI ஐ மேம்படுத்துவதற்கான பணிகள் பல தசாப்தங்களாக சீராக மேம்பட்டுள்ளன. 1997 ஆம் ஆண்டில் ஐபிஎம்மின் டீப் ப்ளூ ரஷ்ய செஸ் கிராண்ட்மாஸ்டர் கேரி காஸ்பரோவை ஒரு ஜோடி ஆறு-விளையாட்டு போட்டிகளில் தோற்கடித்தபோது முன்னேற்றம் உச்சக்கட்டத்தை அடைந்தது. இப்போதெல்லாம், உங்கள் மொபைல் ஃபோனில் நீங்கள் காணக்கூடிய செஸ் என்ஜின்கள் டீப் ப்ளூவை தோற்கடிக்க முடியும்.
வீடியோ ஆர்கேட் கேம்களின் பொற்காலத்தின் போது AI எதிர்ப்பாளர்கள் பிரபலமடையத் தொடங்கினர். 1978 இன் ஸ்பேஸ் இன்வேடர்ஸ் மற்றும் 1980 களின் பேக்-மேன் ஆகியவை AI ஐ உருவாக்குவதில் தொழில்துறையின் முன்னோடிகளாகும்.
பேக்-மேன், குறிப்பாக, AI ஆராய்ச்சியாளர்கள் பரிசோதனை செய்ய ஒரு பிரபலமான விளையாட்டு. பல்வேறு போட்டிகள் Ms. Pac-Man க்கு எந்த அணி சிறந்த AI உடன் வர முடியும் என்பதை தீர்மானிக்க ஏற்பாடு செய்யப்பட்டுள்ளது.
கேம் AI மற்றும் ஹூரிஸ்டிக் அல்காரிதம்கள், புத்திசாலித்தனமான எதிரிகளின் தேவை எழுந்ததால் தொடர்ந்து உருவாகி வந்தன. எடுத்துக்காட்டாக, ஃபர்ஸ்ட்-பர்சன் ஷூட்டர்ஸ் போன்ற வகைகள் முக்கிய நீரோட்டமாக மாறியதால், போர் AI பிரபலமடைந்தது.
வீடியோ கேம்களில் இயந்திர கற்றல்
இயந்திர கற்றல் நுட்பங்கள் விரைவாக பிரபலமடைந்ததால், பல்வேறு ஆராய்ச்சி திட்டங்கள் வீடியோ கேம்களை விளையாட இந்த புதிய நுட்பங்களைப் பயன்படுத்த முயற்சித்தன.
Dota 2, StarCraft, Doom போன்ற கேம்கள் இவற்றுக்குச் சிக்கல்களாகச் செயல்படலாம் இயந்திர கற்றல் வழிமுறைகள் தீர்க்க. ஆழ்ந்த கற்றல் வழிமுறைகள், குறிப்பாக, மனித அளவிலான செயல்திறனை அடையவும் விஞ்சவும் முடிந்தது.
தி ஆர்கேட் கற்றல் சூழல் அல்லது ALE நூற்றுக்கும் மேற்பட்ட அடாரி 2600 கேம்களுக்கான இடைமுகத்தை ஆராய்ச்சியாளர்களுக்கு வழங்கியது. திறந்த மூல தளமானது கிளாசிக் அடாரி வீடியோ கேம்களில் இயந்திர கற்றல் நுட்பங்களின் செயல்திறனை தரப்படுத்த ஆராய்ச்சியாளர்களை அனுமதித்தது. கூகுள் தங்கள் சொந்தத்தை கூட வெளியிட்டது காகித ALE இலிருந்து ஏழு கேம்களைப் பயன்படுத்துகிறது
இதற்கிடையில், போன்ற திட்டங்கள் விஸ்டூம் AI ஆராய்ச்சியாளர்களுக்கு 3D ஃபர்ஸ்ட்-பர்சன் ஷூட்டர்களை விளையாட இயந்திர கற்றல் வழிமுறைகளைப் பயிற்றுவிக்கும் வாய்ப்பை வழங்கியது.
இது எப்படி வேலை செய்கிறது: சில முக்கிய கருத்துக்கள்
நரம்பியல் வலையமைப்புகள்
இயந்திர கற்றல் மூலம் வீடியோ கேம்களைத் தீர்ப்பதற்கான பெரும்பாலான அணுகுமுறைகள் நரம்பியல் நெட்வொர்க் எனப்படும் ஒரு வகை அல்காரிதத்தை உள்ளடக்கியது.
ஒரு மூளை எவ்வாறு செயல்படக்கூடும் என்பதைப் பிரதிபலிக்க முயற்சிக்கும் ஒரு நரம்பியல் வலையைப் பற்றி நீங்கள் நினைக்கலாம். நமது மூளை ஒரு சிக்னலை அனுப்பும் நியூரான்களால் ஆனது போலவே, ஒரு நரம்பு வலையிலும் செயற்கை நியூரான்கள் உள்ளன.
இந்த செயற்கை நியூரான்கள் சிக்னல்களை ஒன்றுக்கொன்று மாற்றுகின்றன, ஒவ்வொரு சமிக்ஞையும் உண்மையான எண்ணாக இருக்கும். ஒரு நரம்பியல் வலையில் உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளுக்கு இடையில் பல அடுக்குகள் உள்ளன, இது ஆழமான நரம்பியல் நெட்வொர்க் என்று அழைக்கப்படுகிறது.
வலுவூட்டல் கற்றல்
வீடியோ கேம்களைக் கற்க தொடர்புடைய மற்றொரு பொதுவான இயந்திர கற்றல் நுட்பம் வலுவூட்டல் கற்றல் யோசனையாகும்.
இந்த நுட்பம் வெகுமதிகள் அல்லது தண்டனைகளைப் பயன்படுத்தி ஒரு முகவருக்கு பயிற்சி அளிக்கும் செயல்முறையாகும். இந்த அணுகுமுறையின் மூலம், சோதனை மற்றும் பிழை மூலம் ஒரு சிக்கலுக்கு முகவர் ஒரு தீர்வைக் கொண்டு வர முடியும்.
பாம்பு விளையாட்டை எப்படி விளையாடுவது என்பதைக் கண்டறிய AI தேவை என்று வைத்துக்கொள்வோம். விளையாட்டின் குறிக்கோள் எளிதானது: பொருட்களை உட்கொள்வதன் மூலமும், உங்கள் வளரும் வாலைத் தவிர்ப்பதன் மூலமும் முடிந்தவரை பல புள்ளிகளைப் பெறுங்கள்.
வலுவூட்டல் கற்றல் மூலம், ரிவார்டு செயல்பாட்டை நாம் வரையறுக்கலாம் R. பாம்பு ஒரு பொருளை உட்கொள்ளும் போது செயல்பாடு புள்ளிகளைச் சேர்க்கிறது மற்றும் பாம்பு ஒரு தடையைத் தாக்கும் போது புள்ளிகளைக் கழிக்கிறது. தற்போதைய சூழல் மற்றும் சாத்தியமான செயல்களின் தொகுப்பைக் கருத்தில் கொண்டு, எங்கள் வலுவூட்டல் கற்றல் மாதிரியானது எங்களின் வெகுமதி செயல்பாட்டை அதிகப்படுத்தும் உகந்த 'கொள்கையை' கணக்கிட முயற்சிக்கும்.
நரம்பியல் வளர்ச்சி
இயற்கையால் ஈர்க்கப்பட்ட கருப்பொருளை வைத்து, நியூரோஎவல்யூஷன் எனப்படும் நுட்பத்தின் மூலம் வீடியோ கேம்களுக்கு ML ஐப் பயன்படுத்துவதில் ஆராய்ச்சியாளர்கள் வெற்றி கண்டுள்ளனர்.
பயன்படுத்துவதற்கு பதிலாக சாய்வு வம்சாவளி நெட்வொர்க்கில் நியூரான்களைப் புதுப்பிக்க, சிறந்த முடிவுகளை அடைய பரிணாம வழிமுறைகளைப் பயன்படுத்தலாம்.
பரிணாம வழிமுறைகள் பொதுவாக சீரற்ற தனிநபர்களின் ஆரம்ப மக்கள்தொகையை உருவாக்குவதன் மூலம் தொடங்குகின்றன. சில அளவுகோல்களைப் பயன்படுத்தி இந்த நபர்களை நாங்கள் மதிப்பீடு செய்கிறோம். சிறந்த நபர்கள் "பெற்றோர்களாக" தேர்ந்தெடுக்கப்பட்டு புதிய தலைமுறை தனிநபர்களை உருவாக்க ஒன்றாக வளர்க்கப்படுகிறார்கள். இந்த நபர்கள் மக்கள்தொகையில் குறைந்த தகுதியுள்ள நபர்களை மாற்றுவார்கள்.
இந்த வழிமுறைகள் பொதுவாக மரபணு வேறுபாட்டை பராமரிக்க குறுக்குவழி அல்லது "இனப்பெருக்கம்" படியின் போது சில வகையான பிறழ்வு செயல்பாட்டை அறிமுகப்படுத்துகின்றன.
வீடியோ கேம்களில் இயந்திர கற்றல் பற்றிய மாதிரி ஆராய்ச்சி
OpenAI ஃபைவ்
OpenAI ஃபைவ் OpenAI இன் கணினி நிரலாகும், இது DOTA 2 ஐ விளையாடுவதை நோக்கமாகக் கொண்டுள்ளது, இது ஒரு பிரபலமான மல்டிபிளேயர் மொபைல் போர் அரங்கில் (MOBA)
நிரல் ஏற்கனவே உள்ள வலுவூட்டல் கற்றல் நுட்பங்களைப் பயன்படுத்தியது, ஒரு வினாடிக்கு மில்லியன் கணக்கான பிரேம்களிலிருந்து கற்றுக்கொள்ள அளவிடப்பட்டது. விநியோகிக்கப்பட்ட பயிற்சி முறைக்கு நன்றி, OpenAI ஒவ்வொரு நாளும் 180 ஆண்டுகள் மதிப்புள்ள விளையாட்டுகளை விளையாட முடிந்தது.
பயிற்சி காலத்திற்குப் பிறகு, ஓபன்ஏஐ ஃபைவ் நிபுணர்-நிலை செயல்திறனை அடைய முடிந்தது மற்றும் மனித வீரர்களுடன் ஒத்துழைப்பை நிரூபிக்க முடிந்தது. 2019 இல், OpenAI ஐந்து முடிந்தது தோல்வியை பொது போட்டிகளில் 99.4% வீரர்கள்.
OpenAI ஏன் இந்த விளையாட்டை முடிவு செய்தது? ஆராய்ச்சியாளர்களின் கூற்றுப்படி, DOTA 2 சிக்கலான இயக்கவியலைக் கொண்டிருந்தது, அவை ஏற்கனவே உள்ள ஆழத்திற்கு வெளியே இருந்தன வலுவூட்டல் கற்றல் வழிமுறைகள்.
சூப்பர் மரியோ பிரதர்ஸ்.
வீடியோ கேம்களில் நரம்பியல் வலைகளின் மற்றொரு சுவாரஸ்யமான பயன்பாடு சூப்பர் மரியோ பிரதர்ஸ் போன்ற இயங்குதளங்களை விளையாட நியூரோஎவல்யூஷனைப் பயன்படுத்துவதாகும்.
உதாரணமாக, இது ஹேக்கத்தான் நுழைவு விளையாட்டைப் பற்றிய அறிவு இல்லாமல் தொடங்கி, ஒரு நிலை மூலம் முன்னேறத் தேவையானவற்றின் அடித்தளத்தை மெதுவாக உருவாக்குகிறது.
சுய-உருவாக்கும் நரம்பியல் வலையானது விளையாட்டின் தற்போதைய நிலையை ஓடுகளின் கட்டமாக எடுத்துக்கொள்கிறது. முதலில், நரம்பியல் வலைக்கு ஒவ்வொரு ஓடுகளின் அர்த்தம் என்ன என்பதைப் புரிந்து கொள்ளவில்லை, "காற்று" ஓடுகள் "தரையில் ஓடுகள்" மற்றும் "எதிரி ஓடுகள்" ஆகியவற்றிலிருந்து வேறுபட்டவை.
ஹேக்கத்தான் திட்டத்தின் ஒரு நரம்பியல் பரிணாமத்தை செயல்படுத்துவது வெவ்வேறு நரம்பியல் வலைகளைத் தேர்ந்தெடுத்து இனப்பெருக்கம் செய்ய நீட் மரபணு வழிமுறையைப் பயன்படுத்தியது.
முக்கியத்துவம்
நியூரல் வலைகள் வீடியோ கேம்களை விளையாடுவதற்கான சில உதாரணங்களை இப்போது நீங்கள் பார்த்திருப்பீர்கள், இதன் பயன் என்ன என்று நீங்கள் யோசிக்கலாம்.
வீடியோ கேம்கள் முகவர்கள் மற்றும் அவற்றின் சூழல்களுக்கு இடையேயான சிக்கலான தொடர்புகளை உள்ளடக்கியிருப்பதால், AI ஐ உருவாக்குவதற்கான சரியான சோதனைக் களம் இதுவாகும். மெய்நிகர் சூழல்கள் பாதுகாப்பானவை மற்றும் கட்டுப்படுத்தக்கூடியவை மற்றும் எல்லையற்ற தரவை வழங்குகின்றன.
இந்த துறையில் செய்யப்பட்ட ஆராய்ச்சி, நிஜ உலகில் உள்ள சிக்கல்களை எவ்வாறு தீர்ப்பது என்பதை அறிய நரம்பியல் வலைகளை எவ்வாறு மேம்படுத்தலாம் என்பது பற்றிய நுண்ணறிவை ஆராய்ச்சியாளர்களுக்கு வழங்கியுள்ளது.
நரம்பியல் வலையமைப்புகள் இயற்கை உலகில் மூளை எவ்வாறு செயல்படுகிறது என்பதன் மூலம் ஈர்க்கப்படுகின்றன. வீடியோ கேம் விளையாடுவதைக் கற்றுக்கொள்வதன் மூலம் செயற்கை நியூரான்கள் எவ்வாறு செயல்படுகின்றன என்பதைப் படிப்பதன் மூலம், அது எப்படி என்பதைப் பற்றிய நுண்ணறிவைப் பெறலாம். மனித மூளை வேலை.
தீர்மானம்
நரம்பியல் நெட்வொர்க்குகளுக்கும் மூளைக்கும் இடையிலான ஒற்றுமைகள் இரு துறைகளிலும் உள்ள நுண்ணறிவுக்கு வழிவகுத்தன. நரம்பியல் வலைகள் எவ்வாறு சிக்கல்களைத் தீர்க்கும் என்பது பற்றிய தொடர்ச்சியான ஆராய்ச்சி, ஒரு நாள் இன்னும் மேம்பட்ட வடிவங்களுக்கு வழிவகுக்கும் செயற்கை நுண்ணறிவு.
உங்கள் விவரக்குறிப்புகளுக்கு ஏற்ப AI ஐப் பயன்படுத்துவதை கற்பனை செய்து பாருங்கள், அது உங்கள் நேரத்திற்கு மதிப்புள்ளதா என்பதை உங்களுக்குத் தெரியப்படுத்த, அதை வாங்குவதற்கு முன் முழு வீடியோ கேமையும் விளையாடலாம். வீடியோ கேம் நிறுவனங்கள் கேம் டிசைன், ட்வீக் லெவல் மற்றும் எதிராளியின் சிரமத்தை மேம்படுத்த நரம்பியல் வலைகளைப் பயன்படுத்துமா?
நியூரல் வலைகள் இறுதி ஆட்டக்காரர்களாக மாறும்போது என்ன நடக்கும் என்று நினைக்கிறீர்கள்?
ஒரு பதில் விடவும்