Mundarija[Yashirish][Show]
Video o'yinlar butun dunyo bo'ylab milliardlab o'yinchilarga qiyinchilik tug'dirmoqda. Siz buni hali bilmasligingiz mumkin, lekin mashinani o'rganish algoritmlari ham qiyinchilikka qarshi ko'tarila boshladi.
Hozirgi vaqtda AI sohasida mashinani o'rganish usullarini video o'yinlarga qo'llash mumkinligini aniqlash uchun katta miqdordagi tadqiqotlar olib borilmoqda. Bu boradagi salmoqli yutuqlar shundan dalolat beradi kompyuterni o'rganish agentlar inson o'yinchisiga taqlid qilish yoki hatto almashtirish uchun ishlatilishi mumkin.
Bu kelajak uchun nimani anglatadi video O'yinlar?
Ushbu loyihalar shunchaki o'yin-kulgi uchunmi yoki ko'plab tadqiqotchilar o'yinlarga e'tibor qaratishlarining chuqur sabablari bormi?
Ushbu maqola video o'yinlarda AI tarixini qisqacha o'rganadi. Keyinchalik, biz sizga o'yinlarni qanday yengishni o'rganish uchun foydalanishimiz mumkin bo'lgan ba'zi mashina o'rganish usullari haqida qisqacha ma'lumot beramiz. Keyin ba'zi muvaffaqiyatli ilovalarni ko'rib chiqamiz neyron tarmoqlari maxsus video o'yinlarni o'rganish va o'zlashtirish.
O'yinda AIning qisqacha tarixi
Nega neyron tarmoqlari video o‘yinlarni echish uchun ideal algoritmga aylanganini tushunishdan oldin, keling, kompyuter olimlari sun’iy intellekt bo‘yicha tadqiqotlarini ilgari surish uchun video o‘yinlardan qanday foydalanganliklarini qisqacha ko‘rib chiqaylik.
Siz ta'kidlashingiz mumkinki, video o'yinlar paydo bo'lganidan beri AIga qiziqqan tadqiqotchilar uchun issiq tadqiqot sohasi bo'lib kelgan.
Kelib chiqishi aniq video o'yin bo'lmasa-da, AIning dastlabki kunlarida shaxmatga katta e'tibor berilgan. 1951 yilda doktor Ditrix Prinz Ferranti Mark 1 raqamli kompyuteridan foydalangan holda shaxmat o'ynash dasturini yozdi. Bu katta hajmli kompyuterlar dasturlarni qog'oz lentadan o'qishga majbur bo'lgan davrda edi.
Dasturning o'zi to'liq shaxmat AI emas edi. Kompyuterning cheklovlari tufayli Prinz faqat shaxmat bo'yicha o'rtoqlik masalalarini hal qiladigan dastur yaratishi mumkin edi. Oq va qora tanli o'yinchilarning har bir harakatini hisoblash uchun dastur o'rtacha 15-20 daqiqa davom etdi.
Shaxmat va shashka bo'yicha AIni takomillashtirish bo'yicha ishlar o'nlab yillar davomida barqaror ravishda yaxshilandi. 1997 yilda IBM kompaniyasi Deep Blue kompaniyasi rossiyalik shaxmat grossmeysteri Garri Kasparovni oltita o'yindan iborat juftlikda mag'lubiyatga uchratganidan keyin o'zining eng yuqori cho'qqisiga chiqdi. Hozirgi vaqtda mobil telefoningizda topishingiz mumkin bo'lgan shaxmat dvigatellari Deep Blueni mag'lub etishi mumkin.
AI raqiblari video arkada o'yinlarining oltin davrida mashhurlikka erisha boshladilar. 1978-yildagi Space Invaders va 1980-yillardagi Pac-Man hatto eng faxriy arcade oʻyinchilariga ham yetarlicha qarshilik koʻrsata oladigan sunʼiy intellektni yaratishda sanoatning kashshoflaridandir.
Ayniqsa, Pac-Man AI tadqiqotchilari uchun tajriba o'tkazish uchun mashhur o'yin edi. Har xil musobaqalar Pac-Man xonim uchun qaysi jamoa o'yinni engish uchun eng yaxshi sun'iy intellektni ishlab chiqishi mumkinligini aniqlash uchun tashkil etilgan.
O'yin AI va evristik algoritmlar aqlli raqiblarga ehtiyoj paydo bo'lganligi sababli rivojlanishda davom etdi. Masalan, jangovar AI mashhurlikka erishdi, chunki birinchi shaxs otishmalari kabi janrlar asosiy oqimga aylandi.
Video o'yinlarda mashinani o'rganish
Mashinani o'rganish usullari tezda mashhur bo'lib ketganligi sababli, turli tadqiqot loyihalari video o'yinlarni o'ynash uchun ushbu yangi usullardan foydalanishga harakat qilishdi.
Dota 2, StarCraft va Doom kabi o'yinlar bular uchun muammo bo'lishi mumkin mashinada o'rganish algoritmlari hal qilish. Chuqur o'rganish algoritmlari, xususan, inson darajasidagi ko'rsatkichlarga erisha oldi va hatto undan ham oshib ketdi.
The Arkada o'quv muhiti yoki ALE tadqiqotchilarga yuzdan ortiq Atari 2600 o'yinlari uchun interfeys berdi. Ochiq manba platformasi tadqiqotchilarga klassik Atari video o'yinlarida mashinani o'rganish texnikasi samaradorligini taqqoslash imkonini berdi. Google hatto o'zlarini ham nashr etdi qog'oz ALE'dan ettita o'yindan foydalanish
Ayni paytda, kabi loyihalar VizDoom AI tadqiqotchilariga 3D birinchi shaxs otishmalarini o'ynash uchun mashinani o'rganish algoritmlarini o'rgatish imkoniyatini berdi.
Bu qanday ishlaydi: ba'zi asosiy tushunchalar
Neyron tarmoqlari
Mashina o'rganish bilan video o'yinlarni hal qilishning aksariyat yondashuvlari neyron tarmoq deb nomlanuvchi algoritm turini o'z ichiga oladi.
Neyron tarmog'ini miya qanday ishlashini taqlid qilishga harakat qiladigan dastur deb o'ylashingiz mumkin. Bizning miyamiz signal uzatuvchi neyronlardan tashkil topganiga o'xshab, neyron tarmog'ida ham sun'iy neyronlar mavjud.
Ushbu sun'iy neyronlar signallarni ham bir-biriga uzatadi, har bir signal haqiqiy raqamdir. Neyron tarmoq kirish va chiqish qatlamlari o'rtasida chuqur neyron tarmoq deb ataladigan bir nechta qatlamlarni o'z ichiga oladi.
Mustahkamlashni o'rganish
Video o'yinlarni o'rganish bilan bog'liq bo'lgan yana bir keng tarqalgan mashinani o'rganish usuli - bu mustahkamlashni o'rganish g'oyasi.
Bu usul agentni mukofotlar yoki jazolar yordamida o'qitish jarayonidir. Ushbu yondashuv bilan agent sinov va xato orqali muammoni hal qilish imkoniyatiga ega bo'lishi kerak.
Aytaylik, biz sun'iy intellektdan Snake o'yinini qanday o'ynashni bilishni xohlaymiz. O'yinning maqsadi oddiy: narsalarni iste'mol qilish va o'sib borayotgan quyruqdan qochish orqali iloji boricha ko'proq ball oling.
Mustahkamlovchi oʻrganish yordamida biz R mukofot funksiyasini aniqlashimiz mumkin. Funksiya Ilon biror narsani isteʼmol qilganda ball qoʻshadi va Ilon toʻsiqga urilganda ballarni ayiradi. Joriy muhit va bir qator mumkin bo'lgan harakatlarni hisobga olgan holda, bizning mustahkamlashni o'rganish modelimiz mukofot funksiyamizni maksimal darajada oshiradigan optimal "siyosat"ni hisoblashga harakat qiladi.
Neyroevolyutsiya
Tabiatdan ilhomlangan mavzuni davom ettirgan tadqiqotchilar, shuningdek, neyroevolyutsiya deb nomlanuvchi texnika orqali MLni video o'yinlarga qo'llashda muvaffaqiyat qozonishdi.
Foydalanish o'rniga gradient tushish tarmoqdagi neyronlarni yangilash uchun biz yaxshi natijalarga erishish uchun evolyutsion algoritmlardan foydalanishimiz mumkin.
Evolyutsion algoritmlar odatda tasodifiy shaxslarning dastlabki populyatsiyasini yaratishdan boshlanadi. Keyin biz ushbu shaxslarni ma'lum mezonlar yordamida baholaymiz. Eng yaxshi shaxslar "ota-ona" sifatida tanlanadi va yangi avlod shaxslarini shakllantirish uchun birgalikda tarbiyalanadi. Keyinchalik bu shaxslar populyatsiyadagi eng mos bo'lmagan shaxslarni almashtiradilar.
Ushbu algoritmlar odatda genetik xilma-xillikni saqlab qolish uchun krossover yoki "naslchilik" bosqichida mutatsiya operatsiyalarining ba'zi shakllarini kiritadi.
Video o'yinlarda mashinani o'rganish bo'yicha namunaviy tadqiqotlar
OpenAI besh
OpenAI besh OpenAI kompaniyasining kompyuter dasturi boʻlib, u DOTA 2, mashhur multiplayer mobil jang maydoni (MOBA) oʻyinini oʻynashga qaratilgan.
Dastur soniyada millionlab kadrlardan o'rganish uchun kengaytirilgan mavjud mustahkamlashni o'rganish usullaridan foydalangan. Tarqalgan o'qitish tizimi tufayli OpenAI har kuni 180 yillik o'yinlarni o'ynashga muvaffaq bo'ldi.
O'quv davridan so'ng OpenAI Five mutaxassislar darajasida ishlashga erishdi va inson o'yinchilari bilan hamkorlikni namoyish etdi. 2019-yilda OpenAI beshga muvaffaq bo'ldi mag'lubiyat Ommaviy o'yinlarda o'yinchilarning 99.4 foizi.
Nima uchun OpenAI bu o'yinga qaror qildi? Tadqiqotchilarning fikriga ko'ra, DOTA 2 mavjud chuqurlikdan tashqarida bo'lgan murakkab mexanikaga ega edi takomillashtirishni o'rganish algoritmlar.
Super Mario jig'a
Video o'yinlarda neyron tarmoqlarning yana bir qiziqarli qo'llanilishi bu Super Mario Bros kabi platformalarni o'ynash uchun neyroevolyutsiyadan foydalanishdir.
Masalan, bu hackathon kirish o'yin haqida hech qanday ma'lumotga ega bo'lmaslik bilan boshlanadi va bosqichma-bosqich o'tish uchun zarur bo'lgan poydevorni asta-sekin quradi.
O'z-o'zidan rivojlanayotgan neyron tarmoq o'yinning hozirgi holatini plitkalar to'ri sifatida oladi. Dastlab, neyron tarmoq har bir plitka nimani anglatishini tushunmaydi, faqat "havo" plitkalari "er plitkalari" va "dushman plitkalari" dan farq qiladi.
Hackathon loyihasining neyroevolyutsiyani amalga oshirishi NEAT genetik algoritmidan foydalanib, turli neyron tarmoqlarni tanlab ko'paytirdi.
ahamiyat
Endi siz neyron tarmoqlarning video o'yinlarni o'ynashiga oid ba'zi misollarni ko'rganingizdan so'ng, bularning barchasi nimada ekanligiga hayron bo'lishingiz mumkin.
Video o'yinlar agentlar va ularning muhitlari o'rtasidagi murakkab o'zaro ta'sirlarni o'z ichiga olganligi sababli, bu sun'iy intellektni yaratish uchun mukammal sinov maydonidir. Virtual muhitlar xavfsiz va boshqarilishi mumkin va cheksiz ma'lumotlar ta'minotini ta'minlaydi.
Ushbu sohada olib borilgan tadqiqotlar tadqiqotchilarga real dunyodagi muammolarni qanday hal qilishni o'rganish uchun neyron tarmoqlarni qanday optimallashtirish mumkinligi haqida tushuncha berdi.
Neyron tarmoqlar miyaning tabiiy dunyoda qanday ishlashidan ilhomlangan. Video o'yinni o'ynashni o'rganayotganda sun'iy neyronlarning o'zini qanday tutishini o'rganish orqali biz qanday qilib o'ynashni tushunishimiz mumkin. inson miyasi ishlaydi.
Xulosa
Neyron tarmoqlar va miya o'rtasidagi o'xshashliklar ikkala sohada ham tushunchalarga olib keldi. Neyron tarmoqlar muammolarni qanday hal qilishi bo'yicha davom etayotgan izlanishlar, bir kun kelib, yanada rivojlangan shakllariga olib kelishi mumkin sun'iy intellekt.
Tasavvur qiling-a, sizning texnik xususiyatlaringizga moslashtirilgan sun'iy intellektdan foydalanishni tasavvur qiling, bu sizning vaqtingizga arziydimi yoki yo'qligini bilish uchun uni sotib olishdan oldin butun video o'yinni o'ynay oladi. Video o'yin kompaniyalari o'yin dizaynini yaxshilash, darajani sozlash va raqibning qiyinchiliklarini yaxshilash uchun neyron tarmoqlardan foydalanadimi?
Neyron tarmoqlari yakuniy geymerlarga aylanganda nima bo'ladi deb o'ylaysiz?
Leave a Reply