Modelli di intelligenza artificiale (AI) che giocano imparare ad agire seguendo istruzioni verbali.
I modelli di AI per il gioco esistono da decenni, ma di solito si concentrano su un solo gioco e mirano sempre a vincere. I ricercatori di Google Deepmind adottano un approccio diverso.
“`html
DeepMind di Google addestra l’IA a essere il tuo compagno di cooperazione nei videogiochi!
I modelli di intelligenza artificiale che giocano ai giochi esistono da decenni, ma spesso sono stati limitati a specializzarsi in un solo gioco e cercare sempre di vincere. Tuttavia, i ricercatori di Google DeepMind hanno adottato un approccio diverso con la loro creazione più recente: un modello che non solo impara a giocare a più giochi 3D come un essere umano, ma cerca anche di capire e agire su istruzioni verbali.
Nella maggior parte dei giochi, ci sono già personaggi controllati dall’IA o dal computer che possono eseguire azioni simili, ma di solito sono controllati in modo indiretto attraverso comandi formali nel gioco. Il nuovo modello di DeepMind, chiamato SIMA (agente multi-mondiale instruibile scalabile), si discosta da questo approccio. Invece di avere accesso al codice o alle regole interne del gioco, SIMA è stato addestrato su ore infinite di filmati che mostrano il gameplay di esseri umani. Il modello impara ad associare rappresentazioni visive specifiche di azioni, oggetti e interazioni attraverso questi dati, insieme alle annotazioni fornite dagli etichettatori di dati. I ricercatori hanno anche registrato video di giocatori che istruivano gli altri a svolgere compiti all’interno del gioco.
Per esempio, il modello potrebbe apprendere che un determinato pattern di movimento dei pixel sullo schermo corrisponde all’azione di “muoversi in avanti”. Allo stesso modo, quando il personaggio si avvicina a un oggetto simile a una porta e utilizza l’oggetto a forma di maniglia, riconosce questo come “aprire” una “porta”. Si tratta di azioni o eventi semplici che richiedono pochi secondi ma che richiedono più del semplice premere un tasto o identificare qualcosa.
I video di addestramento sono stati tratti da giochi multipli, dal Valheim al Goat Simulator 3. Gli sviluppatori di questi giochi sono stati coinvolti e hanno acconsentito all’uso del loro software. Uno degli obiettivi principali dei ricercatori era determinare se addestrare un modello AI a giocare con un insieme di giochi lo rendesse in grado di giocare ad altri giochi che non aveva mai visto prima, un processo noto come generalizzazione.
- Volley La Rivoluzione delle Macchine per l’Allenamento Sporti...
- Ultimo aggiornamento della PS5 porta un audio migliorato e nuove fu...
- Il Nintendo Switch Motivi per acquistarlo e Offerte da non perdere! 🎮💰
La risposta, con alcuni caveat, è sì. Gli agenti AI addestrati su più giochi si sono comportati meglio nei giochi a cui non erano stati esposti. Tuttavia, è importante notare che molti giochi incorporano meccaniche o termini specifici che potrebbero presentare sfide persino per l’AI più preparata. Tuttavia, il modello può imparare queste sfumature con dati di addestramento sufficienti.
Curiosamente, nonostante la varietà di gergo di gioco, ci sono solo un numero limitato di “verbi” che i giocatori hanno che influenzano significativamente il mondo del gioco. Che tu stia montando un riparo improvvisato, piazzando una tenda o evocando un rifugio magico, fondamentalmente stai “costruendo una casa”. Questa mappa illustra le diverse dozzine di primitive che l’agente SIMA riconosce attualmente, rivelando come interpreta varie azioni all’interno del gioco:
🏢 Costruzione di una casa 🛡 Difesa 🍌 Raccolta di risorse ✈ Viaggio
L’ambizione dei ricercatori, a parte l’avanzamento dell’IA basata su agenti, è quella di creare un compagno di gioco più naturale rispetto a quelli rigidi e hard-coded che abbiamo oggi. Piuttosto che competere contro un’IA superumana, i giocatori potrebbero avere giocatori SIMA al loro fianco che sono cooperativi e reattivi alle istruzioni verbali. Poiché i giocatori SIMA vedono solo i pixel dello schermo del gioco, imparano a compiere compiti in modo simile agli esseri umani. Questo permette loro di adattarsi e sviluppare comportamenti emergenti.
🤖💬 Vuoi sapere come l’IA sta trasformando varie industrie? Guarda questo video per vedere più applicazioni della vita reale dell’IA in azione: Collaborazione e Creazione Aperte 👈
Ora, potresti chiederti come questo approccio si confronta con il metodo del simulatore comunemente usato per costruire tipi di agenti AI. Nel metodo del simulatore, un modello principalmente non supervisionato sperimenta in un mondo simulato in 3D, apprendendo intuitivamente le regole e progettando comportamenti basati su di esse. Tuttavia, questo metodo richiede un segnale di ricompensa fornito dal gioco o dall’ambiente da cui l’agente può imparare. In molti giochi commerciali, tali segnali non sono disponibili. Inoltre, i ricercatori erano interessati ad addestrare agenti capaci di svolgere una vasta gamma di compiti descritti in testo aperto, che sarebbe improbabile valutare utilizzando segnali di ricompensa specifici per ciascun obiettivo. Invece, hanno addestrato gli agenti utilizzando l’apprendimento per imitazione dal comportamento umano, dove gli obiettivi sono forniti in formato di testo.
Questo approccio consente agli agenti di perseguire una gamma più ampia di obiettivi, poiché non è limitato da una struttura di ricompensa rigida. Piuttosto che essere guidati solo dai punteggi o dai risultati di vittoria/sconfitta, gli agenti possono essere addestrati a valutare criteri più astratti, come la similarità delle loro azioni a quelle osservate in precedenza. Di conseguenza, possono essere addestrati a “voler” eseguire quasi qualsiasi compito, purché i dati di addestramento lo rappresentino in qualche modo.
“`Traduci questo html in italiano (mantieni il codice html nel risultato e conserva invariata l’informazione originale dell’attributo src nel tag.):
Altre iniziative simili sono state esplorate anche da altre aziende. Gli NPC nei giochi stanno venendo esaminati come potenziali opportunità per impiegare grandi modelli linguistici (LLM) come chatbot. Inoltre, la ricerca sull’IA sta approfondendo la simulazione e il tracciamento di azioni o interazioni improvvisate semplici, portando allo sviluppo di comportamenti di agenti affascinanti. Ad esempio, i ricercatori hanno popolato con successo una piccola città virtuale con l’IA, portando a interazioni salutari e a un senso di comunità.
🏡👥 Curioso della città virtuale popolata con l’IA? Leggi di più in questo articolo: Researchers Populated a Tiny Virtual Town with AI (and It Was Very Wholesome)
Infine, ci sono esperimenti in corso che esplorano giochi infiniti come MarioGPT, che approfondiscono il potenziale degli agenti di IA nel giocare giochi con possibilità infinite. Tuttavia, questo è un argomento per un’altra discussione.
In conclusione, il modello SIMA di DeepMind rappresenta un significativo progresso nel campo degli agenti di gioco di IA. Addestrando i modelli a imparare da gameplay umano e a rispondere a istruzioni verbali, i ricercatori non solo stanno spingendo i confini dell’IA, ma stanno anche cercando di creare compagni di gioco più naturali, cooperativi e interattivi. Man mano che l’IA continua a svilupparsi, possiamo aspettarci di vedere nuove ed entusiasmanti applicazioni attraverso diverse industrie e forme di intrattenimento.
Q&A
Q: Gli AI addestrati su vari giochi possono giocare effettivamente giochi che non hanno mai visto prima?
A: Sì, gli agenti di IA addestrati su vari giochi hanno dimostrato di essere in grado di performare bene in giochi a cui non sono stati esposti. Tuttavia, ci sono meccaniche o termini specifici in giochi individuali che potrebbero rappresentare sfide per gli agenti di IA. Con dati di addestramento sufficienti, il modello può superare tali sfide.
Q: Come il modello SIMA impara a comprendere istruzioni verbali nei giochi?
A: Il modello SIMA è addestrato su filmati di video di esseri umani che giocano ai giochi, insieme ad annotazioni fornite dai data labeler. Associando rappresentazioni visive di azioni, oggetti e interazioni con istruzioni verbali, il modello impara a comprendere e agire su tali istruzioni.
Q: In che modo l’addestramento di SIMA differisce dall’addestramento tradizionale degli agenti basato sui simulatori?
A: L’addestramento tradizionale degli agenti basato sui simulatori si basa sull’apprendimento per rinforzo e richiede un segnale di ricompensa dal gioco o dall’ambiente. Tuttavia, l’approccio di addestramento di SIMA si concentra sull’apprendimento per imitazione dal comportamento umano, utilizzando obiettivi di testo aperti anziché segnali di ricompensa specifici. Ciò consente al modello di perseguire un’ampia gamma di compiti e obiettivi.
Q: Ci sono altre applicazioni dell’IA nel gioco oltre a giocare e comprendere i giochi?
A: Assolutamente! L’IA ha numerose applicazioni nel gioco, tra cui comportamento degli NPC, simulazioni realistiche della fisica, riconoscimento vocale per comandi in-game e altro ancora. La tecnologia dell’IA continua a evolversi, migliorando vari aspetti delle esperienze di gioco.
📚 Riferimenti: – DeepMind’s Agent57 AI agent can best human players across a suite of 57 Atari games – Researchers Populated a Tiny Virtual Town with AI (and It Was Very Wholesome) – Open-Ended Collaboration and Creation (Video)
Cosa pensi degli AI in grado di giocare come gli esseri umani e rispondere a istruzioni verbali? Credi che questa tecnologia abbia il potenziale per rivoluzionare l’industria del gioco? Condividi le tue opinioni nei commenti qui sotto! E non dimenticare di condividere questo articolo con i tuoi amici sui social media! 🎮🤖✨
