AI WORLD HQ
Emlékszel még, amikor először játszottál a számítógép ellen, és úgy érezted, hogy az tényleg gondolkodik előre? Ez az érzés az elmúlt tizenöt évben sokkal valóságosabb lett – és ahogy az MI megtanult játszani, az már a játékok világán messze túlmutató eszközöket is alakítja.
Az Ataritól a világűri gazdaságig
A történet igazán 2013-ban indult be, amikor a DeepMind kutatócsoportja megmutatta, hogy egy MI a nulláról megtanítható 49 különböző Atari-játékot játszani. Az MI nem ismerte a szabályokat. Csak a képernyőn megjelenő pixeleket látta, kipróbált dolgokat, és apró jutalmat kapott, amikor nőtt a pontszáma. Elég sok gyakorlás után a legtöbb játékban legyőzte az emberi játékosokat.
Ez volt az áttörés pillanata. A mögötte álló technikának neve is van: megerősítéses tanulás. Képzeld el úgy, mint egy kutyát, akit jutalomfalatokkal tanítasz. Az MI kipróbál egy lépést, megnézi, kap-e „jutalomfalatot" (magasabb pontszámot vagy egy győztes lépést), és lassan kitalálja, melyik cselekvés vezet több falathoz. Ha ezt néhány milliószor megismétli, az MI már anélkül kezd okosnak tűnő döntéseket hozni, hogy bárki leírta volna a szabályokat.
2016-ban ugyanez az alapötlet segített az MI-nek legyőzni egy Go-világbajnokot – azt a társasjátékot, amely annyira összetett, hogy az emberiség évezredekig játszotta anélkül, hogy a számítógépek utolérték volna. Aztán jött 2019-ben a StarCraft II, egy valós idejű stratégiai játék, ahol a játékosok hadseregeket irányítanak, bázisokat építenek, és másodpercenként több tucat döntést hoznak. Az MI eljutott a Grandmaster szintig, az emberi játékosok legfelsőbb kategóriájáig.
Most a kutatók még kaotikusabb kihívásokra pályáznak: olyan játékokra, mint az EVE Online, ahol több ezer emberi játékos irányítja a saját űrhajóját, erőforrásokat kereskedik és szövetségeket köt egy közös univerzumban. Itt nincsenek „helyes" válaszok, nincs fix tábla. Csak egy élő gazdaság működik éjjel-nappal.
Miért éppen játékok – és miért pont most?
A játékok három okból is tökéletes tanítóterepet jelentenek. Először: világos visszajelzést adnak – győzöl, vesztesz, vagy szerzel pontot. Másodszor: gyorsan le lehet futtatni millió számú próbát, valódi következmények nélkül. Harmadszor: azok a készségek, amelyek megnyernek egy játékot (előretervezés, alkalmazkodás a meglepetésekhez, együttműködés másokkal) pontosan azok, amelyekre a MI-asszisztenseknek is szükségük van ahhoz, hogy a te életedben is hasznosak legyenek.
Mit jelent ez neked
- Ha játszol: Az MI a „kiszámítható ellenfélből" „kreatív társ" lesz – amely stratégiákat javasol, küldetéseket generál, vagy akár menet közben új pályákat is tervez.
- Ha nem játszol: Ugyanezt a próbálgatós tanulást alkalmazzák a logisztikában, a chiptervezésben és a nyelvi asszisztensekben is. Amikor egy MI-eszköz úgy tűnik, mintha előre tervezne vagy több lépésből álló feladatot oldana meg, gyakran a megerősítéses tanulás az egyik ok.
- Ha csak kíváncsi vagy: Nem kell egyetlen játékot sem játszanod ahhoz, hogy ezt értékeld. Az MI a gyakorlástól fejlődik, ugyanúgy, mint egy ember – és a játékok a legolcsóbb, legbiztonságosabb helyek, ahol több millió órán át gyakorolhat.
Összefoglalás
Tizenöt évnyi MI-játéktanításból egyszerű tanulság szűrhető le: az intelligencia sok gyakorlással, világos visszajelzéssel és a kísérletezés szabadságával fejlődik. Amikor legközelebb olyan hírt olvasol, hogy egy MI „gondolkodik" vagy „tervez", jó eséllyel ugyanígy jutott el odáig – játszással, hibázással és újabb próbálkozással. Ha szeretnéd érezni, milyen nyomokat hagy ez maga után, játssz egy kört bármilyen stratégiai játékban, és figyeld meg, mennyi apró döntést hozol meg gondolkodás nélkül. Pontosan ez az a készség, amelyet az MI tizenöt évig tanult.