DeepMind Agent57 AI એ અટારી ગેમ્સને માણસ કરતાં વધુ સારી રીતે હરાવે છે

સરળ વિડિયો ગેમ્સ દ્વારા ન્યુરલ નેટવર્કને ચલાવવું એ તેની તાલીમની અસરકારકતા ચકાસવાની એક આદર્શ રીત છે, પૂર્ણતાના પરિણામોનું મૂલ્યાંકન કરવાની સરળ ક્ષમતાને કારણે આભાર. ડીપમાઇન્ડ (આલ્ફાબેટનો ભાગ) દ્વારા 2012 માં વિકસાવવામાં આવેલ, 57 આઇકોનિક એટારી 2600 રમતોનો બેંચમાર્ક સ્વ-શિક્ષણ પ્રણાલીઓની ક્ષમતાઓને ચકાસવા માટે લિટમસ ટેસ્ટ બની ગયો. અને અહીં Agent57, એક અદ્યતન RL એજન્ટ (રિઇન્ફોર્સમેન્ટ લર્નિંગ) ડીપમાઇન્ડ, તાજેતરમાં બતાવ્યું અગાઉની સિસ્ટમોથી મોટી છલાંગ અને માનવીય ખેલાડીની બેઝલાઇનને વટાવનાર AI નું પ્રથમ પુનરાવર્તન હતું.

Agent57 AI કંપનીની અગાઉની સિસ્ટમોના અનુભવને ધ્યાનમાં લે છે અને મેટા-કંટ્રોલ સાથે પર્યાવરણના કાર્યક્ષમ સંશોધન માટે અલ્ગોરિધમ્સને જોડે છે. ખાસ કરીને, Agent57 એ પીટફોલ, મોન્ટેઝુમાઝ રીવેન્જ, સોલારિસ અને સ્કીઇંગમાં તેની અતિમાનવીય કૌશલ્ય સાબિત કરી છે - રમતો કે જેણે અગાઉના ન્યુરલ નેટવર્કનું ગંભીર પરીક્ષણ કર્યું છે. સંશોધન મુજબ, પિટફોલ અને મોન્ટેઝુમા રિવેન્જ એઆઈને વધુ સારા પરિણામો મેળવવા માટે વધુ પ્રયોગ કરવા દબાણ કરે છે. સોલારિસ અને સ્કીઇંગ ન્યુરલ નેટવર્ક્સ માટે મુશ્કેલ છે કારણ કે ત્યાં સફળતાના ઘણા ચિહ્નો નથી - AI લાંબા સમય સુધી જાણતું નથી કે તે યોગ્ય વસ્તુ કરી રહ્યું છે કે નહીં. DeepMind એ Agent57 ને પર્યાવરણની શોધખોળ કરવા અને રમતોના પ્રદર્શનનું મૂલ્યાંકન કરવા તેમજ સ્કીઇંગ જેવી રમતોમાં ટૂંકા ગાળાના અને લાંબા ગાળાના વર્તન વચ્ચેના ટ્રેડ-ઓફને ઑપ્ટિમાઇઝ કરવા વિશે વધુ સારા નિર્ણયો લેવાની મંજૂરી આપવા માટે તેના લેગસી AI એજન્ટો પર બાંધ્યું છે.

પરિણામો પ્રભાવશાળી છે, પરંતુ AI એ હજી લાંબી મજલ કાપવાની છે. આ સિસ્ટમો એક સમયે માત્ર એક જ ગેમને હેન્ડલ કરી શકે છે, જે વિકાસકર્તાઓના મતે, માનવ ક્ષમતાઓથી વિપરીત છે: "માનવ મગજમાં આટલી સરળતાથી આવતી સાચી લવચીકતા હજુ પણ AIની પહોંચની બહાર છે."

સોર્સ: 3dnews.ru