Παιχνίδι Minecraft (αυτήν ιστορία περιγράφεται αναλυτικά Denis Koshelev) δεν φαίνεται να είναι πολύ σημαντικό εργαλείο για την υποστήριξη της προηγμένης έρευνας στον τομέα της τεχνητής νοημοσύνης. Τελικά, είναι σημαντικό να διδάξουμε ένα μηχάνημα να παίζει ένα παιχνίδι sandbox που κυκλοφόρησε πριν από περισσότερα από 10 χρόνια; Θα εκπλαγείτε, αλλά ναι, και αυτό αποδεικνύεται από την τελευταία έρευνα του εργαστηρίου OpenAI, που μελετά την ανάπτυξη της τεχνητής νοημοσύνης.
OpenAI πάντα επικεντρωμένος στα επιτεύγματα Όλα συμπεριλαμβάνονται και μηχανική μάθηση που μπορεί να ωφελήσει την ανθρωπότητα. Η εταιρεία εκπαίδευσε πρόσφατα με επιτυχία ένα bot να παίζει Minecraft χρησιμοποιώντας πάνω από 70 ώρες πλάνα παιχνιδιού (δηλαδή πάνω από 2,9 ημέρες ή σχεδόν 8 χρόνια, αν μη τι άλλο). Αυτό το επίτευγμα σηματοδοτεί ένα τεράστιο βήμα προς τα εμπρός στην προηγμένη μηχανική μάθηση με χρήση παρατήρησης και προσομοίωσης.
Το OpenAI bot είναι ένα εξαιρετικό παράδειγμα του πώς λειτουργεί η προσομοίωση της μάθησης (γνωστή και ως «εποπτευόμενη μάθηση»). Σε αντίθεση με την ενισχυτική μάθηση, όπου ένας μαθησιακός πράκτορας ανταμείβεται μετά την επίτευξη ενός στόχου μέσω δοκιμής και λάθους, η προσομοίωση εκπαιδεύει τα νευρωνικά δίκτυα να εκτελούν συγκεκριμένες εργασίες παρατηρώντας πώς ένα άτομο τις εκτελεί. Σε αυτήν την περίπτωση, το OpenAI χρησιμοποίησε υπάρχοντα βίντεο παιχνιδιού και σεμινάρια για να επιτρέψει στο bot να εκτελεί περίπλοκα σενάρια παιχνιδιού που θα απαιτούσαν περίπου 24 ξεχωριστές ενέργειες για έναν κανονικό παίκτη.
Επίσης ενδιαφέρον:
Η εκμάθηση μίμησης απαιτεί τα δεδομένα βίντεο να φέρουν ειδική ετικέτα για να παρέχουν το πλαίσιο της δράσης και του αποτελέσματος, δηλ. Όλα συμπεριλαμβάνονται μπορούσε να καταλάβει ποια κουμπιά πατήθηκαν και ποιες κινήσεις έγιναν. Αλλά μια τέτοια προσέγγιση μπορεί να είναι χρονοβόρα, με αποτέλεσμα περιορισμένα διαθέσιμα σύνολα δεδομένων.
Αντί να κάμπτουν τους μυς τους εκτελώντας μια μεγάλης κλίμακας χειροκίνητη άσκηση σήμανσης δεδομένων, η ερευνητική ομάδα OpenAI χρησιμοποίησε μια ειδική προσέγγιση γνωστή ως Video Pre-Training (VPT) για να επεκτείνει τον αριθμό των διαθέσιμων βίντεο. Αρχικά, οι ερευνητές κατέγραψαν 2 ώρες σχολιασμένου παιχνιδιού Minecraft και το χρησιμοποίησε για να εκπαιδεύσει τον πράκτορα να συσχετίζει ορισμένες ενέργειες με συγκεκριμένα αποτελέσματα στην οθόνη. Το μοντέλο που προέκυψε χρησιμοποιήθηκε για την αυτόματη δημιουργία ετικετών για 70 ώρες περιεχομένου Minecraft χωρίς ετικέτα προηγουμένως διαθέσιμο στο διαδίκτυο. Αυτό έδωσε στο bot ένα πολύ μεγαλύτερο σύνολο δεδομένων για εξέταση και προσομοίωση.
Επίσης ενδιαφέρον:
Αυτή η μελέτη καταδεικνύει τη δυνητική αξία των προσβάσιμων αποθετηρίων βίντεο όπως π.χ YouTube, ως εκπαιδευτικό πόρο για AI. Οι επιστήμονες μηχανικής μάθησης μπορούν να χρησιμοποιήσουν προσβάσιμα και σωστά επισημασμένα βίντεο για να εκπαιδεύσουν την τεχνητή νοημοσύνη σε συγκεκριμένες εργασίες, από την απλή πλοήγηση στον ιστό μέχρι τη βοήθεια χρηστών με φυσικές ανάγκες στην πραγματική ζωή.
Μπορείτε να βοηθήσετε την Ουκρανία να πολεμήσει ενάντια στους Ρώσους εισβολείς. Ο καλύτερος τρόπος για να γίνει αυτό είναι να δωρίσετε χρήματα στις Ένοπλες Δυνάμεις της Ουκρανίας μέσω Savelife ή μέσω της επίσημης σελίδας NBU.
Επίσης ενδιαφέρον: