DeepMind's Quake III
Vi har set spil, hvor udviklere sætter bots for at gøre det let for menneskelige spillere eller lave singleplayer-gendannelser af multiplayertilstandene i mange spil. Disse AI-spillere er sjældent i stand til at konkurrere mod deres menneskelige kolleger. Således bruges de til at lette indlæringskurven for mange multiplayer-spil. På den anden side er DeepMind et firma, der specialiserer sig i brugen af AI inden for mange arbejdsområder. De afslørede, at deres AI-drevne bots endelig kunne slå deres menneskelige kolleger i et af de mest spillede multiplayer-spil Quake III. Deres fund er fascinerende for dem, der har noget for AI-læring og -funktioner.
Dette er ikke DeepMinds første venture inden for videospil, de har allerede udviklet en neuralmotor, der er i stand til at besejre pro-spillere i mange multiplayer-spil. Det bedste eksempel her er AlphaGo, hvor deres AI besejrede den velkendte pro-spiller i det nævnte spil. De har også udviklet AI til mange andre spil.
Fradrag
Kommer tilbage til deres fradrag for deres AI i Quake III. Quake III er drastisk anderledes end mange andre spil derude. Spillet er kategorisk anderledes på grund af de proceduremæssigt genererede faser og det faktum, at spillet er i førstepersonsperspektiv. Problemet med AI-udvikling her er, at de ikke kunne lære den bedst mulige metode til at slå spillet. Problemet viste sig faktisk at være en velsignelse i forklædning, da AI lignede humanoid læringskurve, mere om dette senere.
AI startede fra bunden og lærte reglerne for at fange selve flagtilstanden. AI var derefter i stand til at slå 40 menneskelige spillere, hvor mennesker såvel som AI, blev matchet. Efter at have besejret mennesker betydeligt accepterede DeepMind, at deres sejr tilskrives deres AI-agents pro-humane responstider. Så de besluttede at bremse dem, men AI var stadig i stand til at slå deres menneskelige kolleger.
AI's fremskridt
Tomshardware rapporterer, at deres fradrag er specielt fascinerende, da AI måtte lære det grundlæggende i selve spillet og det faktum, at AI var i stand til at få resultaterne, når stadier blev genereret proceduremæssigt.
DeepMind sagde, at deres arbejde med dette projekt fremhæver det faktum, at vi kan træne AI effektivt ved hjælp af multi-agent teknikker, hvilket betyder AI mod AI. Det gør ikke kun AI opmærksom på sine fejl, men arbejder også på ting, der kan gøres bedre. De sagde, ' Det fremhæver resultaterne ved at udnytte den naturlige læseplan, der leveres af multi-agent træning, og tvinge udviklingen af robuste agenter, der endda kan gå sammen med mennesker . '
Mærker AI
