Een eindeloos veranderende speeltuin leert AI's multitasken

DeepMind

DeepMind heeft een enorme snoepkleurige virtuele speeltuin dat AI's algemene vaardigheden leert door de taken die het hen oplegt eindeloos te veranderen. In plaats van alleen de vaardigheden te ontwikkelen die nodig zijn om een ​​bepaalde taak op te lossen, leren de AI's te experimenteren en te verkennen, waarbij ze vaardigheden opdoen die ze vervolgens gebruiken om te slagen in taken die ze nog nooit eerder hebben gezien. Het is een kleine stap in de richting van algemene intelligentie.

Wat is het? XLand is een videogame-achtige 3D-wereld die de AI-spelers in kleur voelen. De speeltuin wordt beheerd door een centrale AI die de spelers miljarden verschillende taken geeft door de omgeving, de spelregels en het aantal spelers te veranderen. Zowel de spelers als de speelplaatsmanager gebruiken versterkend leren om met vallen en opstaan ​​te verbeteren.

Verwant verhaal

Kunstmatige algemene intelligentie: zijn we dichtbij, en heeft het zelfs zin om het te proberen?

Een machine die als een persoon zou kunnen denken, is sinds de vroegste dagen de leidende visie van AI-onderzoek geweest - en blijft het meest verdeeldheid zaaiende idee.

Tijdens de training krijgen de spelers eerst te maken met eenvoudige eenspelerspellen, zoals het vinden van een paarse kubus of het plaatsen van een gele bal op een rode vloer. Ze gaan door naar complexere multiplayer-spellen zoals verstoppertje of verover de vlag, waarbij teams strijden om als eerste de vlag van hun tegenstander te vinden en te grijpen. De speelplaatsbeheerder heeft geen specifiek doel, maar streeft ernaar om de algemene vaardigheden van de spelers in de loop van de tijd te verbeteren.

Waarom is dit gaaf? AI's zoals DeepMind's AlphaZero hebben 's werelds beste menselijke spelers bij schaken en Go verslagen. Maar ze kunnen maar één spel tegelijk leren. Zoals DeepMind-medeoprichter Shane Legg het uitdrukte toen ik hem vorig jaar sprak, is het alsof je schaakbrein moeten verwisselen voor je Go-brein elke keer dat u van spel wilt wisselen.

Onderzoekers proberen nu AI's te bouwen die meerdere taken tegelijk kunnen leren, wat inhoudt dat ze algemene vaardigheden aanleren die het gemakkelijker maken om zich aan te passen.

Nadat ze hadden geleerd te experimenteren, improviseerden deze bots een helling

DEEPMIND

Een opwindende trend in deze richting is open-end leren, waarbij AI's worden getraind in veel verschillende taken zonder een specifiek doel. In veel opzichten is dit hoe mensen en andere dieren lijken te leren, via doelloos spel. Maar daarvoor is een enorme hoeveelheid data nodig. XLand genereert die data automatisch, in de vorm van een eindeloze stroom uitdagingen. Het lijkt op DICHTER , een AI-trainingsdojo waar tweebenige bots leren om obstakels in een 2D-landschap te navigeren. De wereld van XLand is echter veel complexer en gedetailleerder.

XLand is ook een voorbeeld van AI leert zichzelf te maken , of wat Jeff Clune, die POET heeft helpen ontwikkelen en een team leidt werken aan dit onderwerp bij OpenAI, noemt AI-genererende algoritmen (AI-GA's). Dit werk verlegt de grenzen van AI-GA's, zegt Clune. Het is erg spannend om te zien.

Verwant verhaal

AI leert zichzelf te creëren

Mensen hebben geworsteld om echt intelligente machines te maken. Misschien moeten we ze hun gang laten gaan.

Wat hebben ze geleerd? Sommige XLand AI's van DeepMind speelden 700.000 verschillende games in 4.000 verschillende werelden en kwamen in totaal 3,4 miljoen unieke taken tegen. In plaats van te leren wat het beste is om in elke situatie te doen, wat de meeste bestaande AI's voor het leren van versterkingen doen, leerden de spelers te experimenteren: objecten verplaatsen om te zien wat er gebeurde, of een object gebruiken als hulpmiddel om een ​​ander object te bereiken of te verbergen achter - totdat ze de specifieke taak hebben voltooid.

In de video's kun je zien hoe de AI's objecten rondslingeren totdat ze iets nuttigs tegenkomen: een grote tegel wordt bijvoorbeeld een oprit naar een platform. Het is moeilijk om zeker te weten of al dergelijke uitkomsten opzettelijke of gelukkige ongelukken zijn, zeggen de onderzoekers. Maar ze gebeuren consequent.

AI's die leerden experimenteren hadden een voordeel bij de meeste taken, zelfs bij taken die ze nog niet eerder hadden gezien. De onderzoekers ontdekten dat de XLand AI's zich na slechts 30 minuten trainen op een complexe nieuwe taak er snel aan aanpasten. Maar AI's die geen tijd in XLand hadden doorgebracht, konden deze taken helemaal niet leren.

zich verstoppen