Minecraft – это не только самая продаваемая видеоигра в истории, она также может стать ключом к созданию адаптивных моделей искусственного интеллекта (ИИ), которые смогут решать самые разные задачи практически так же, как это делают люди, пишет New Scientist.
Стивен Джеймс из Витватерсрандского университета в Южной Африке и его коллеги разработали эталонный тест в Minecraft для измерения общего интеллекта моделей ИИ. MinePlanner оценивает способность ИИ игнорировать несущественные детали при решении сложной задачи, состоящей из множества этапов.
Джеймс говорит, что во многих случаях при обучении ИИ "жульничают", предоставляя модели все данные, которые ей нужны для того, чтобы научиться выполнять работу, и ничего лишнего. Такой подход вполне оправдан, если вы хотите создать программное обеспечение для выполнения конкретной задачи – например, предсказания погоды или сворачивания белков, но не в том случае, если вы пытаетесь создать универсальный искусственный интеллект (AGI).
Будущие модели ИИ должны будут решать сложные задачи, и Джеймс надеется, что MinePlanner станет руководством для этих исследований. ИИ, работающий над решением проблемы в игре, будет видеть ландшафт, посторонние объекты и другие детали, которые не обязательно нужны для решения проблемы и должны быть проигнорированы. Ему придется изучить окружающую обстановку и самостоятельно разобраться, что нужно, а что не нужно.
MinePlanner состоит из 15 строительных задач, каждая из которых имеет легкий, средний и трудный уровни – всего 45 задач. Чтобы выполнить каждое задание, ИИ может потребоваться сделать промежуточные шаги - например, построить лестницу, чтобы разместить блоки на определенной высоте. Это требует от ИИ умения отвлекаться от проблемы и планировать дальнейшие действия для достижения цели.
Тем временем в экспериментах с современными моделями планирующего ИИ ENHSP и Fast Downward – программами с открытым исходным кодом, предназначенными для выполнения последовательных операций для достижения общей цели – ни одна из моделей не смогла решить ни одной сложной задачи. Fast Downward смогла решить только одну из задач среднего уровня и пять легких задач, в то время как ENHSP показала несколько лучшие результаты, решив все легкие задачи, кроме одной, и все задачи среднего уровня, кроме двух.
