Far funzionare una rete neurale attraverso semplici videogiochi è un modo ideale per testare l'efficacia del suo allenamento, grazie alla semplice capacità di valutare i risultati del completamento. Sviluppato nel 2012 da DeepMind (parte di Alphabet), il benchmark di 57 iconici giochi Atari 2600 è diventato una cartina di tornasole per testare le capacità dei sistemi di autoapprendimento. Ed ecco Agent57, un agente RL avanzato (Reinforcement Learning) DeepMind, di recente un enorme passo avanti rispetto ai sistemi precedenti ed è stata la prima iterazione dell'IA a superare la linea di base del giocatore umano.
Agent57 AI tiene conto dell'esperienza dei sistemi precedenti dell'azienda e combina algoritmi per l'esplorazione efficiente dell'ambiente con il meta-controllo. In particolare, l'Agente57 ha dimostrato le sue abilità sovrumane in Pitfall, Montezuma's Revenge, Solaris e Skiing, giochi che hanno messo a dura prova le precedenti reti neurali. Secondo la ricerca, Pitfall e Montezuma's Revenge costringono l'IA a sperimentare di più per ottenere risultati migliori. Solaris e Skiing sono difficili per le reti neurali perché non ci sono molti segnali di successo: l'intelligenza artificiale non sa per molto tempo se sta facendo la cosa giusta. DeepMind si è basato sui suoi agenti IA legacy per consentire ad Agent57 di prendere decisioni migliori sull'esplorazione dell'ambiente e sulla valutazione delle prestazioni dei giochi, oltre a ottimizzare il compromesso tra comportamento a breve e lungo termine in giochi come Skiing.
I risultati sono impressionanti, ma l’intelligenza artificiale ha ancora molta strada da fare. Questi sistemi possono gestire solo un gioco alla volta, il che, secondo gli sviluppatori, è contrario alle capacità umane: “La vera flessibilità che arriva così facilmente al cervello umano è ancora fuori dalla portata dell’intelligenza artificiale”.
Fonte: 3dnews.ru