ویڈیو گیمز دنیا بھر کے اربوں کھلاڑیوں کو چیلنج فراہم کرتے رہتے ہیں۔ ہو سکتا ہے آپ کو ابھی تک یہ معلوم نہ ہو، لیکن مشین لرننگ الگورتھم نے بھی چیلنج کا مقابلہ کرنا شروع کر دیا ہے۔
فی الحال AI کے میدان میں کافی تحقیق کی جا رہی ہے تاکہ یہ دیکھا جا سکے کہ آیا ویڈیو گیمز پر مشین لرننگ کے طریقوں کا اطلاق کیا جا سکتا ہے۔ اس میدان میں نمایاں پیش رفت اس بات کو ظاہر کرتی ہے۔ مشین لرننگ ایجنٹوں کو انسانی کھلاڑی کی تقلید یا اس کی جگہ لینے کے لیے بھی استعمال کیا جا سکتا ہے۔
کے مستقبل کے لیے اس کا کیا مطلب ہے۔ ویڈیو گیمز?
کیا یہ منصوبے محض تفریح کے لیے ہیں، یا اس کی گہری وجوہات ہیں کیوں کہ بہت سارے محقق گیمز پر توجہ مرکوز کر رہے ہیں؟
یہ مضمون ویڈیو گیمز میں AI کی تاریخ کو مختصراً دریافت کرے گا۔ اس کے بعد، ہم آپ کو مشین سیکھنے کی کچھ تکنیکوں کا فوری جائزہ دیں گے جو ہم گیمز کو شکست دینے کا طریقہ سیکھنے کے لیے استعمال کر سکتے ہیں۔ پھر ہم کچھ کامیاب ایپلی کیشنز کو دیکھیں گے۔ اعصابی جال مخصوص ویڈیو گیمز سیکھنے اور اس میں مہارت حاصل کرنے کے لیے۔
گیمنگ میں AI کی مختصر تاریخ
اس سے پہلے کہ ہم یہ دیکھیں کہ کیوں نیورل نیٹس ویڈیو گیمز کو حل کرنے کے لیے مثالی الگورتھم بن گئے ہیں، آئیے مختصراً دیکھتے ہیں کہ کمپیوٹر سائنس دانوں نے AI میں اپنی تحقیق کو آگے بڑھانے کے لیے ویڈیو گیمز کو کس طرح استعمال کیا ہے۔
آپ بحث کر سکتے ہیں کہ، اپنے آغاز سے، ویڈیو گیمز AI میں دلچسپی رکھنے والے محققین کے لیے تحقیق کا ایک گرم علاقہ رہا ہے۔
اگرچہ اصل میں سختی سے ویڈیو گیم نہیں ہے، لیکن AI کے ابتدائی دنوں میں شطرنج پر زیادہ توجہ مرکوز رہی ہے۔ 1951 میں، ڈاکٹر ڈائیٹرک پرنز نے فرانٹی مارک 1 ڈیجیٹل کمپیوٹر کا استعمال کرتے ہوئے شطرنج کھیلنے کا پروگرام لکھا۔ یہ اس دور کی بات ہے جب ان بڑے کمپیوٹرز کو کاغذی ٹیپ سے دور پروگرام پڑھنا پڑتا تھا۔
پروگرام بذات خود ایک مکمل شطرنج AI نہیں تھا۔ کمپیوٹر کی محدودیتوں کی وجہ سے، پرنز صرف ایک ایسا پروگرام بنا سکتا تھا جس نے شطرنج میں دو شطرنج کے مسائل حل کیے ہوں۔ اوسطاً، پروگرام کو سفید اور سیاہ فام کھلاڑیوں کے لیے ہر ممکنہ اقدام کا حساب لگانے میں 15-20 منٹ لگے۔
شطرنج اور چیکرس AI کو بہتر بنانے کے کام میں کئی دہائیوں میں مسلسل بہتری آئی ہے۔ یہ پیشرفت 1997 میں اپنے عروج پر پہنچی جب آئی بی ایم کے ڈیپ بلیو نے روسی شطرنج کے گرینڈ ماسٹر گیری کاسپروف کو چھ گیمز کے میچوں میں شکست دی۔ آج کل، شطرنج کے انجن جو آپ کو اپنے موبائل فون پر مل سکتے ہیں وہ ڈیپ بلیو کو شکست دے سکتے ہیں۔
ویڈیو آرکیڈ گیمز کے سنہری دور میں اے آئی کے مخالفین نے مقبولیت حاصل کرنا شروع کر دی۔ 1978 کے Space Invaders اور 1980s Pac-Man AI بنانے میں صنعت کے کچھ علمبردار ہیں جو آرکیڈ گیمرز کے سب سے تجربہ کار کو بھی کافی حد تک چیلنج کر سکتے ہیں۔
Pac-Man، خاص طور پر، AI محققین کے لیے تجربہ کرنے کے لیے ایک مقبول گیم تھا۔ مختلف مقابلوں محترمہ کے لیے پی اے سی مین کو اس بات کا تعین کرنے کے لیے منظم کیا گیا ہے کہ کون سی ٹیم کھیل کو ہرانے کے لیے بہترین AI لے کر آسکتی ہے۔
گیم AI اور ہورسٹک الگورتھم تیار ہوتے رہے کیونکہ ہوشیار مخالفین کی ضرورت پیدا ہوئی۔ مثال کے طور پر، جنگی AI مقبولیت میں اضافہ ہوا کیونکہ فرسٹ پرسن شوٹرز جیسی صنفیں زیادہ مرکزی دھارے میں شامل ہو گئیں۔
ویڈیو گیمز میں مشین لرننگ
جیسے جیسے مشین لرننگ کی تکنیک تیزی سے مقبول ہوئی، مختلف تحقیقی منصوبوں نے ویڈیو گیمز کھیلنے کے لیے ان نئی تکنیکوں کو استعمال کرنے کی کوشش کی۔
Dota 2، StarCraft، اور Doom جیسے گیمز ان کے لیے مسائل کے طور پر کام کر سکتے ہیں۔ مشین لرننگ الگورتھم حل کرنا. گہری سیکھنے کے الگورتھمخاص طور پر، انسانی سطح کی کارکردگی کو حاصل کرنے اور اس سے بھی آگے نکلنے کے قابل تھے۔
۔ آرکیڈ سیکھنے کا ماحول یا ALE نے محققین کو سو سے زائد Atari 2600 گیمز کے لیے ایک انٹرفیس دیا۔ اوپن سورس پلیٹ فارم نے محققین کو کلاسک اٹاری ویڈیو گیمز پر مشین لرننگ تکنیک کی کارکردگی کو بینچ مارک کرنے کی اجازت دی۔ یہاں تک کہ گوگل نے ان کا اپنا شائع کیا۔ کاغذ ALE سے سات گیمز استعمال کر رہے ہیں۔
دریں اثنا، جیسے منصوبوں VizDoom AI محققین کو 3D فرسٹ پرسن شوٹرز کھیلنے کے لیے مشین لرننگ الگورتھم کی تربیت دینے کا موقع فراہم کیا۔
یہ کیسے کام کرتا ہے: کچھ کلیدی تصورات
عصبی نیٹ ورک
مشین لرننگ کے ساتھ ویڈیو گیمز کو حل کرنے کے زیادہ تر طریقوں میں ایک قسم کا الگورتھم شامل ہوتا ہے جسے نیورل نیٹ ورک کہا جاتا ہے۔
آپ نیورل نیٹ کو ایک ایسے پروگرام کے طور پر سوچ سکتے ہیں جو دماغ کے کام کرنے کے طریقے کی نقل کرنے کی کوشش کرتا ہے۔ اسی طرح ہمارا دماغ نیوران پر مشتمل ہے جو سگنل منتقل کرتے ہیں، نیورل نیٹ میں مصنوعی نیوران بھی ہوتے ہیں۔
یہ مصنوعی نیوران ایک دوسرے کو سگنلز بھی منتقل کرتے ہیں، ہر سگنل کا اصل نمبر ہوتا ہے۔ اعصابی جال میں ان پٹ اور آؤٹ پٹ تہوں کے درمیان متعدد تہوں پر مشتمل ہوتا ہے، جسے ڈیپ نیورل نیٹ ورک کہتے ہیں۔
کمک سیکھنا
ویڈیو گیمز سیکھنے سے متعلق ایک اور عام مشین لرننگ تکنیک کمک سیکھنے کا خیال ہے۔
یہ تکنیک انعام یا سزا کا استعمال کرتے ہوئے ایجنٹ کو تربیت دینے کا عمل ہے۔ اس نقطہ نظر کے ساتھ، ایجنٹ کو آزمائش اور غلطی کے ذریعے کسی مسئلے کا حل تلاش کرنے کے قابل ہونا چاہیے۔
ہم کہتے ہیں کہ ہم ایک AI چاہتے ہیں کہ یہ معلوم کرے کہ Snake گیم کیسے کھیلا جائے۔ گیم کا مقصد آسان ہے: اشیاء کو کھا کر اور اپنی بڑھتی ہوئی دم سے بچ کر زیادہ سے زیادہ پوائنٹس حاصل کریں۔
کمک سیکھنے کے ساتھ، ہم انعامی فنکشن R کی وضاحت کر سکتے ہیں۔ فنکشن پوائنٹس کا اضافہ کرتا ہے جب سانپ کسی چیز کو کھاتا ہے اور جب سانپ کسی رکاوٹ سے ٹکراتا ہے تو پوائنٹس کاٹتا ہے۔ موجودہ ماحول اور ممکنہ اقدامات کے ایک سیٹ کے پیش نظر، ہمارا کمک سیکھنے کا ماڈل بہترین 'پالیسی' کی گنتی کرنے کی کوشش کرے گا جو ہمارے انعامی کام کو زیادہ سے زیادہ بناتی ہے۔
نیورویوولوشن
فطرت سے متاثر ہونے کے ساتھ تھیم کو مدنظر رکھتے ہوئے، محققین نے نیورویوولوشن کے نام سے معروف تکنیک کے ذریعے ایم ایل کو ویڈیو گیمز میں لاگو کرنے میں بھی کامیابی حاصل کی ہے۔
استعمال کرنے کے بجائے تدریجی نزول نیٹ ورک میں نیوران کو اپ ڈیٹ کرنے کے لیے، ہم بہتر نتائج حاصل کرنے کے لیے ارتقائی الگورتھم استعمال کر سکتے ہیں۔
ارتقائی الگورتھم عام طور پر بے ترتیب افراد کی ابتدائی آبادی پیدا کرکے شروع کرتے ہیں۔ اس کے بعد ہم مخصوص معیارات کا استعمال کرتے ہوئے ان افراد کا جائزہ لیتے ہیں۔ بہترین افراد کو "والدین" کے طور پر چنا جاتا ہے اور افراد کی ایک نئی نسل کی تشکیل کے لیے ان کی پرورش کی جاتی ہے۔ یہ افراد پھر آبادی میں سب سے کم فٹ افراد کی جگہ لیں گے۔
یہ الگورتھم عام طور پر جینیاتی تنوع کو برقرار رکھنے کے لیے کراس اوور یا "بریڈنگ" کے مرحلے کے دوران میوٹیشن آپریشن کی کچھ شکلیں بھی متعارف کراتے ہیں۔
ویڈیو گیمز میں مشین لرننگ پر نمونہ تحقیق
اوپن اے آئی فائیو
اوپن اے آئی فائیو OpenAI کا ایک کمپیوٹر پروگرام ہے جس کا مقصد DOTA 2، ایک مقبول ملٹی پلیئر موبائل بیٹل ایرینا (MOBA) گیم کھیلنا ہے۔
پروگرام نے موجودہ کمک سیکھنے کی تکنیکوں کا فائدہ اٹھایا، جو لاکھوں فریم فی سیکنڈ سے سیکھنے کے لیے سکیل کی گئی۔ ایک تقسیم شدہ تربیتی نظام کی بدولت، OpenAI ہر روز 180 سال کے کھیل کھیلنے کے قابل تھا۔
تربیتی مدت کے بعد، OpenAI فائیو ماہرین کی سطح کی کارکردگی حاصل کرنے اور انسانی کھلاڑیوں کے ساتھ تعاون کا مظاہرہ کرنے میں کامیاب رہا۔ 2019 میں، اوپن اے آئی فائیو اس قابل تھا۔ کو شکست عوامی میچوں میں 99.4% کھلاڑی۔
اوپن اے آئی نے اس گیم کا فیصلہ کیوں کیا؟ محققین کے مطابق، DOTA 2 میں پیچیدہ میکانکس تھے جو موجودہ گہرائی کی پہنچ سے باہر تھے۔ قابو پانے کی تعلیم الگورتھم.
سپر ماریو Bros.
ویڈیو گیمز میں نیورل نیٹس کی ایک اور دلچسپ ایپلی کیشن سپر ماریو بروس جیسے پلیٹ فارمرز کو کھیلنے کے لیے نیورویوولوشن کا استعمال ہے۔
مثال کے طور پر ، یہ ہیکاتھون میں داخلہ کھیل کے بارے میں علم نہ ہونے کے ساتھ شروع ہوتا ہے اور آہستہ آہستہ اس کی بنیاد بناتا ہے کہ ایک سطح پر ترقی کرنے کے لیے کیا ضروری ہے۔
خود ساختہ نیورل نیٹ گیم کی موجودہ حالت کو ٹائلوں کے گرڈ کے طور پر لیتا ہے۔ سب سے پہلے، نیورل نیٹ کو ہر ٹائل کا کیا مطلب ہے اس کی کوئی سمجھ نہیں ہے، صرف یہ کہ "ایئر" ٹائلیں "گراؤنڈ ٹائل" اور "دشمن ٹائل" سے مختلف ہیں۔
ہیکاتھون پراجیکٹ کے نیورویوولوشن کے نفاذ میں NEAT جینیاتی الگورتھم کا استعمال کیا گیا تاکہ مختلف عصبی جالوں کو چن چن کر پیدا کیا جا سکے۔
اہمیت
اب جب کہ آپ نے ویڈیو گیمز کھیلنے والے نیورل نیٹ کی کچھ مثالیں دیکھی ہیں، تو آپ سوچ رہے ہوں گے کہ اس سب کا مقصد کیا ہے۔
چونکہ ویڈیو گیمز میں ایجنٹوں اور ان کے ماحول کے درمیان پیچیدہ تعاملات شامل ہوتے ہیں، اس لیے یہ AI بنانے کے لیے بہترین ٹیسٹنگ گراؤنڈ ہے۔ ورچوئل ماحول محفوظ اور قابل کنٹرول ہیں اور ڈیٹا کی لامحدود فراہمی فراہم کرتے ہیں۔
اس شعبے میں کی گئی تحقیق نے محققین کو بصیرت فراہم کی ہے کہ حقیقی دنیا میں مسائل کو حل کرنے کا طریقہ سیکھنے کے لیے نیورل نیٹ کو کس طرح بہتر بنایا جا سکتا ہے۔
نیند نیٹ ورک قدرتی دنیا میں دماغ کیسے کام کرتے ہیں اس سے متاثر ہیں۔ ویڈیو گیم کھیلنے کا طریقہ سیکھنے پر مصنوعی نیوران کس طرح برتاؤ کرتے ہیں اس کا مطالعہ کرنے سے، ہم یہ بھی بصیرت حاصل کر سکتے ہیں کہ کیسے انسانی دماغ کام کرتا ہے.
نتیجہ
اعصابی نیٹ ورکس اور دماغ کے درمیان مماثلت دونوں شعبوں میں بصیرت کا باعث بنی ہے۔ اعصابی جال کس طرح مسائل کو حل کرسکتے ہیں اس پر جاری تحقیق کسی دن مزید جدید شکلوں کا باعث بن سکتی ہے۔ مصنوعی ذہانت.
آپ کی تصریحات کے مطابق ایک AI استعمال کرنے کا تصور کریں جو آپ کو خریدنے سے پہلے ایک پورا ویڈیو گیم کھیل سکتا ہے تاکہ آپ کو معلوم ہو سکے کہ آیا یہ آپ کے وقت کے قابل ہے۔ کیا ویڈیو گیم کمپنیاں گیم ڈیزائن، موافقت کی سطح، اور مخالف کی مشکل کو بہتر بنانے کے لیے نیورل نیٹ کا استعمال کریں گی؟
آپ کے خیال میں جب نیورل نیٹ حتمی گیمر بن جائیں گے تو کیا ہوگا؟
جواب دیجئے