Laro Minecraft (siya kasaysayan inilarawan nang detalyado Denis Koshelev) ay tila hindi isang napakahalagang tool para sa pagsuporta sa advanced na pananaliksik sa larangan ng AI. Pagkatapos ng lahat, mahalaga bang turuan ang isang makina na maglaro ng sandbox game na inilabas mahigit 10 taon na ang nakalipas? Magugulat ka, ngunit oo, at ito ay pinatunayan ng pinakabagong pananaliksik ng laboratoryo ng OpenAI, na pinag-aaralan ang pagbuo ng artificial intelligence.
OpenAI laging nakatutok sa mga tagumpay AI at machine learning na maaaring makinabang sa sangkatauhan. Ang kumpanya kamakailan ay matagumpay na nagsanay ng isang bot upang maglaro ng Minecraft gamit ang higit sa 70 oras ng gameplay footage (higit sa 2,9 araw, o halos 8 taon, kung mayroon man). Ang tagumpay na ito ay nagmamarka ng isang malaking hakbang pasulong sa advanced machine learning gamit ang obserbasyon at simulation.
Ang OpenAI bot ay isang magandang halimbawa ng kung paano gumagana ang simulation learning (kilala rin bilang “supervised learning”). Hindi tulad ng reinforcement learning, kung saan ang isang learning agent ay ginagantimpalaan pagkatapos makamit ang isang layunin sa pamamagitan ng trial and error, ang simulation ay nagsasanay sa mga neural network upang magsagawa ng mga partikular na gawain sa pamamagitan ng pagmamasid kung paano ginagawa ng isang tao ang mga ito. Sa kasong ito, ginamit ng OpenAI ang mga umiiral na video at tutorial ng gameplay upang paganahin ang bot na magsagawa ng mga kumplikadong sitwasyon ng laro na mangangailangan ng humigit-kumulang 24 magkakahiwalay na pagkilos para sa isang normal na manlalaro.
Kawili-wili din:
Ang pag-aaral ng imitasyon ay nangangailangan na ang data ng video ay may espesyal na label upang maibigay ang konteksto ng aksyon at kinalabasan, ibig sabihin, na AI maaaring maunawaan kung aling mga pindutan ang pinindot at kung aling mga paggalaw ang ginawa. Ngunit ang ganitong diskarte ay maaaring magtagal, na nagreresulta sa limitadong mga dataset na magagamit.
Sa halip na ibaluktot ang kanilang mga kalamnan sa pamamagitan ng pagsasagawa ng malakihang manu-manong ehersisyo sa pag-label ng data, gumamit ang koponan ng pananaliksik ng OpenAI ng espesyal na diskarte na kilala bilang Video Pre-Training (VPT) upang palawakin ang bilang ng mga available na video. Sa una, ang mga mananaliksik ay nagtala ng 2 oras ng annotated gameplay Minecraft at ginamit ito upang sanayin ang ahente na iugnay ang ilang partikular na pagkilos sa mga partikular na resulta sa screen. Ang resultang modelo ay ginamit upang awtomatikong bumuo ng mga label para sa 70 oras ng dating walang label na nilalamang Minecraft na available online. Nagbigay ito sa bot ng mas malaking dataset upang tingnan at gayahin.
Kawili-wili din:
Ang pag-aaral na ito ay nagpapakita ng potensyal na halaga ng mga naa-access na video repository tulad ng YouTube, bilang isang mapagkukunang pang-edukasyon para sa AI. Maaaring gumamit ang mga machine learning scientist ng mga video na naa-access at wastong may label para sanayin ang AI sa mga partikular na gawain, mula sa simpleng web navigation hanggang sa pagtulong sa mga user na may pisikal na pangangailangan sa totoong buhay.
Matutulungan mo ang Ukraine na labanan ang mga mananakop na Ruso. Ang pinakamahusay na paraan upang gawin ito ay ang mag-abuloy ng mga pondo sa Armed Forces of Ukraine sa pamamagitan ng Savelife o sa pamamagitan ng opisyal na pahina NBU.
Kawili-wili din: