Spill Minecraft (henne historie beskrevet i detalj Denis Koshelev) ser ikke ut til å være et veldig viktig verktøy for å støtte avansert forskning innen AI. Tross alt, er det viktig å lære en maskin å spille et sandkassespill som ble utgitt for over 10 år siden? Du vil bli overrasket, men ja, og dette bevises av den siste forskningen fra OpenAI-laboratoriet, som studerer utviklingen av kunstig intelligens.
OpenAI alltid fokusert på prestasjoner AI og maskinlæring som kan komme menneskeheten til gode. Selskapet har nylig trent en bot til å spille Minecraft ved å bruke over 70 2,9 timer med spillopptak (det er over 8 XNUMX dager, eller nesten XNUMX år, om noe). Denne prestasjonen markerer et stort skritt fremover innen avansert maskinlæring ved bruk av observasjon og simulering.
OpenAI-boten er et godt eksempel på hvordan simuleringslæring (også kjent som "overvåket læring") fungerer. I motsetning til forsterkende læring, hvor en læringsagent blir belønnet etter å ha oppnådd et mål gjennom prøving og feiling, trener simulering nevrale nettverk til å utføre spesifikke oppgaver ved å observere hvordan en person utfører dem. I dette tilfellet brukte OpenAI eksisterende spillvideoer og opplæringsprogrammer for å gjøre det mulig for boten å utføre komplekse spillscenarier som ville ha krevd omtrent 24 XNUMX separate handlinger for en vanlig spiller.
Også interessant:
Imitasjonslæring krever at videodataene er spesielt merket for å gi konteksten til handlingen og resultatet, dvs. AI kunne forstå hvilke knapper som ble trykket og hvilke bevegelser som ble gjort. Men en slik tilnærming kan være tidkrevende, noe som resulterer i begrensede datasett tilgjengelig.
I stedet for å bøye musklene ved å utføre en storstilt manuell datamerkingsøvelse, brukte OpenAI-forskningsteamet en spesiell tilnærming kjent som Video Pre-Training (VPT) for å utvide antallet tilgjengelige videoer. Opprinnelig registrerte forskerne 2 timer med kommentert spilling Minecraft og brukte den til å trene agenten til å knytte bestemte handlinger til spesifikke resultater på skjermen. Den resulterende modellen ble brukt til å automatisk generere etiketter for 70 XNUMX timer med tidligere umerket Minecraft-innhold tilgjengelig på nettet. Dette ga boten et mye større datasett å se på og simulere.
Også interessant:
Denne studien demonstrerer den potensielle verdien av tilgjengelige videolager som f.eks YouTube, som en pedagogisk ressurs for AI. Maskinlæringsforskere kan bruke tilgjengelige og riktig merkede videoer for å trene AI på spesifikke oppgaver, fra enkel nettnavigasjon til å hjelpe brukere med fysiske behov i det virkelige liv.
Du kan hjelpe Ukraina med å kjempe mot de russiske inntrengerne. Den beste måten å gjøre dette på er å donere midler til Ukrainas væpnede styrker gjennom Redd livet eller via den offisielle siden NBU.
Også interessant: