DeepMind AI បានស្ទាត់ជំនាញការលេងជាក្រុម និងសមត្ថភាពជាងមនុស្សនៅក្នុង Quake III

ការចាប់យកទង់ជាតិគឺជារបៀបប្រកួតប្រជែងដ៏សាមញ្ញមួយ ដែលត្រូវបានរកឃើញនៅក្នុងអ្នកបាញ់ប្រហារដ៏ពេញនិយមជាច្រើន។ ក្រុមនីមួយៗមានសញ្ញាសម្គាល់ដែលមានទីតាំងនៅមូលដ្ឋានរបស់ខ្លួន ហើយគោលដៅគឺដើម្បីចាប់យកសញ្ញាសម្គាល់របស់ក្រុមប្រឆាំង ហើយនាំវាទៅដោយជោគជ័យ។ ទោះយ៉ាងណាក៏ដោយ អ្វីដែលងាយស្រួលសម្រាប់មនុស្សក្នុងការយល់គឺមិនងាយស្រួលសម្រាប់ម៉ាស៊ីននោះទេ។ ដើម្បីចាប់យកទង់ជាតិ តួអក្សរដែលមិនមែនជាអ្នកលេង (រូបយន្ត) ត្រូវបានសរសេរកម្មវិធីតាមបែបប្រពៃណីដោយប្រើទ្រឹស្តីបទ និងក្បួនដោះស្រាយសាមញ្ញ ដែលផ្តល់នូវសេរីភាពក្នុងការជ្រើសរើសមានកម្រិត និងទាបជាងមនុស្សយ៉ាងខ្លាំង។ ប៉ុន្តែបញ្ញាសិប្បនិមិត្ត និងការរៀនម៉ាស៊ីនសន្យាថានឹងផ្លាស់ប្តូរស្ថានភាពនេះទាំងស្រុង។

В អត្ថបទដែលត្រូវបានបោះពុម្ពក្នុងសប្តាហ៍នេះនៅក្នុងទិនានុប្បវត្តិវិទ្យាសាស្ត្រប្រហែលមួយឆ្នាំបន្ទាប់ពី បោះពុម្ពជាមុនក៏ដូចជានៅក្នុង ប្លុករបស់អ្នក។អ្នកស្រាវជ្រាវមកពី DeepMind ដែលជាក្រុមហ៊ុនបុត្រសម្ព័ន្ធរបស់ Alphabet មានមូលដ្ឋាននៅទីក្រុងឡុងដ៍ ពិពណ៌នាអំពីប្រព័ន្ធដែលមិនត្រឹមតែអាចរៀនលេងចាប់យកទង់ជាតិនៅលើផែនទី id Software's Quake III Arena ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងបង្កើតយុទ្ធសាស្ត្រក្រុមថ្មីទាំងស្រុង ដោយមិនទាបជាងមនុស្សឡើយ។

"គ្មាននរណាម្នាក់បានប្រាប់ AI ពីរបៀបលេងហ្គេមនេះទេ វាគ្រាន់តែទទួលបានលទ្ធផល - ថាតើ AI បានផ្តួលគូប្រជែងរបស់ខ្លួនឬអត់។ ភាពស្រស់ស្អាតនៃការប្រើប្រាស់វិធីសាស្រ្តនេះគឺថាអ្នកមិនដឹងថាអាកប្បកិរិយាបែបណានឹងលេចឡើងនៅពេលអ្នកបណ្តុះបណ្តាលភ្នាក់ងារ" Max Jaderberg អ្នកវិទ្យាសាស្ត្រស្រាវជ្រាវនៅ DeepMind ដែលពីមុនធ្វើការលើប្រព័ន្ធរៀនម៉ាស៊ីន AlphaStar (ថ្មីៗនេះ។ លើស ក្រុមអ្នកជំនាញនៅក្នុង StarCraft II) ។ លោកបានពន្យល់បន្ថែមថា វិធីសាស្ត្រសំខាន់នៃការងារថ្មីរបស់ពួកគេ គឺដំបូងបង្អស់ ការពង្រឹងការរៀនសូត្រ ដែលប្រើប្រាស់ប្រព័ន្ធផ្តល់រង្វាន់មួយប្រភេទ ដើម្បីជំរុញភ្នាក់ងារកម្មវិធីឱ្យសម្រេចបាននូវគោលដៅដែលបានកំណត់ ហើយប្រព័ន្ធផ្តល់រង្វាន់ដំណើរការមិនថាក្រុម AI ឈ្នះឬអត់នោះទេ។ ប៉ុន្តែទីពីរ ភ្នាក់ងារត្រូវបានបណ្តុះបណ្តាលជាក្រុម ដែលបង្ខំ AI ដើម្បីធ្វើជាម្ចាស់អន្តរកម្មជាក្រុមតាំងពីដំបូង។

Max បានបន្ថែមថា "តាមទស្សនៈនៃការស្រាវជ្រាវ នេះគឺជាភាពថ្មីថ្មោងសម្រាប់វិធីសាស្រ្ត algorithmic ដែលពិតជាគួរឱ្យរំភើប" ។ "វិធីដែលយើងបានបណ្តុះបណ្តាល AI របស់យើងបង្ហាញយ៉ាងច្បាស់ពីរបៀបធ្វើមាត្រដ្ឋាន និងអនុវត្តគំនិតវិវត្តន៍បុរាណមួយចំនួន។"

មានឈ្មោះថា For The Win (FTW) ភ្នាក់ងាររបស់ DeepMind រៀនដោយផ្ទាល់ពីភីកសែលអេក្រង់ ដោយប្រើបណ្តាញសរសៃប្រសាទ convolutional ដែលជាសំណុំនៃមុខងារគណិតវិទ្យា (ណឺរ៉ូន) ដែលត្រូវបានរៀបចំជាស្រទាប់ដែលយកគំរូតាម Cortex ដែលមើលឃើញរបស់មនុស្ស។ ទិន្នន័យដែលទទួលបានត្រូវបានបញ្ជូនទៅបណ្តាញពីរដែលមានអង្គចងចាំរយៈពេលខ្លីច្រើន (អង្គចងចាំរយៈពេលខ្លីភាសាអង់គ្លេស - LSTM) ដែលមានសមត្ថភាពទទួលស្គាល់ភាពអាស្រ័យរយៈពេលវែង។ មួយក្នុងចំនោមពួកគេគ្រប់គ្រងទិន្នន័យប្រតិបត្តិការជាមួយនឹងល្បឿនឆ្លើយតបរហ័ស ខណៈពេលដែលមួយទៀតធ្វើការយឺតៗក្នុងការវិភាគ និងបង្កើតយុទ្ធសាស្ត្រ។ ទាំងពីរត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការចងចាំបំរែបំរួល ដែលពួកគេប្រើរួមគ្នាដើម្បីទស្សន៍ទាយការផ្លាស់ប្តូរនៅក្នុងពិភពហ្គេម និងអនុវត្តសកម្មភាពតាមរយៈឧបករណ៍បញ្ជាហ្គេមដែលបានត្រាប់តាម។

សរុបមក DeepMind បានបណ្តុះបណ្តាលភ្នាក់ងារចំនួន 30 នាក់ ផ្តល់ឱ្យពួកគេនូវជួរនៃមិត្តរួមក្រុម និងគូប្រជែងដើម្បីលេងជាមួយ ហើយបានជ្រើសរើសកាតហ្គេមដោយចៃដន្យដើម្បីការពារ AI ពីការចងចាំពួកគេ។ ភ្នាក់ងារនីមួយៗមានសញ្ញារង្វាន់ផ្ទាល់ខ្លួន ដែលអនុញ្ញាតឱ្យវាបង្កើតគោលដៅផ្ទៃក្នុងរបស់ខ្លួន ដូចជាការចាប់យកទង់ជាតិជាដើម។ AI នីមួយៗបានលេងហ្គេមចាប់យកទង់ជាតិប្រហែល 450 ពាន់ដោយឡែកៗ ដែលស្មើនឹងបទពិសោធន៍លេងហ្គេមប្រហែល XNUMX ឆ្នាំ។

ភ្នាក់ងារ FTW ដែលបានទទួលការបណ្តុះបណ្តាលយ៉ាងពេញលេញបានរៀនអនុវត្តយុទ្ធសាស្រ្តទូទៅចំពោះផែនទីណាមួយ បញ្ជីឈ្មោះក្រុម និងទំហំក្រុម។ ពួកគេបានរៀនពីអាកប្បកិរិយារបស់មនុស្សដូចជាការដើរតាមមិត្តរួមក្រុម ការបោះជំរុំក្នុងមូលដ្ឋានសត្រូវ និងការការពារមូលដ្ឋានរបស់ពួកគេពីអ្នកវាយប្រហារ ហើយពួកគេបានបាត់បង់បន្តិចម្តងៗនូវគំរូដែលមានប្រយោជន៍ដូចជាការមើលសម្ព័ន្ធមិត្តជិតស្និទ្ធពេក។

ដូច្នេះតើលទ្ធផលអ្វីខ្លះត្រូវបានសម្រេច? នៅក្នុងការប្រកួតដែលមានមនុស្សចំនួន 40 នាក់ ដែលមនុស្ស និងភ្នាក់ងារបានលេងដោយចៃដន្យទាំងពីររួមគ្នា និងប្រឆាំងនឹងគ្នាទៅវិញទៅមក ភ្នាក់ងារ FTW បានដំណើរការលើសពីអត្រាឈ្នះនៃអ្នកលេងមនុស្សយ៉ាងច្រើន។ ការវាយតម្លៃ Elo របស់ AI ដែលជាប្រូបាប៊ីលីតេនៃការឈ្នះគឺ 1600 ធៀបនឹង 1300 សម្រាប់អ្នកលេងមនុស្ស "ខ្លាំង" និង 1050 សម្រាប់អ្នកលេងមនុស្ស "មធ្យម" ។

នេះមិនមែនជារឿងគួរឱ្យភ្ញាក់ផ្អើលនោះទេ ដោយសារតែល្បឿនប្រតិកម្មរបស់ AI គឺខ្ពស់ជាងមនុស្សយ៉ាងខ្លាំង ដែលបានផ្តល់អត្ថប្រយោជន៍យ៉ាងសំខាន់ដល់អតីតក្នុងការពិសោធន៍ដំបូង។ ប៉ុន្តែសូម្បីតែនៅពេលដែលភាពត្រឹមត្រូវរបស់ភ្នាក់ងារត្រូវបានកាត់បន្ថយ ហើយពេលវេលាប្រតិកម្មកើនឡើងដោយសារភាពយឺតយ៉ាវក្នុង 257 មីលីវិនាទី AI នៅតែដំណើរការលើសពីមនុស្ស។ អ្នកលេងកម្រិតខ្ពស់ និងធម្មតាបានឈ្នះតែ 21% និង 12% នៃហ្គេមសរុបរៀងគ្នា។

លើសពីនេះទៅទៀត បន្ទាប់ពីការបោះពុម្ពផ្សាយនៃការសិក្សា អ្នកវិទ្យាសាស្ត្របានសម្រេចចិត្តសាកល្បងភ្នាក់ងារនៅលើផែនទី Quake III Arena ពេញលេញជាមួយនឹងស្ថាបត្យកម្មកម្រិតស្មុគស្មាញ និងវត្ថុបន្ថែមដូចជា Future Crossings និង Ironwood ជាកន្លែងដែល AI បានចាប់ផ្តើមប្រកួតប្រជែងមនុស្សដោយជោគជ័យក្នុងការប្រកួតសាកល្បង។ . នៅពេលដែលអ្នកស្រាវជ្រាវបានពិនិត្យមើលគំរូនៃការធ្វើឱ្យសកម្មបណ្តាញសរសៃប្រសាទរបស់ភ្នាក់ងារ នោះគឺជាមុខងាររបស់ណឺរ៉ូនដែលទទួលខុសត្រូវក្នុងការកំណត់លទ្ធផលដោយផ្អែកលើព័ត៌មានចូល ពួកគេបានរកឃើញចង្កោមតំណាងឱ្យបន្ទប់ ស្ថានភាពទង់ជាតិ ភាពមើលឃើញរបស់មិត្តរួមក្រុម និងគូប្រជែង និង វត្តមាន ឬអវត្តមានរបស់ភ្នាក់ងារនៅឯមូលដ្ឋានសត្រូវ ឬផ្អែកលើក្រុម និងទិដ្ឋភាពសំខាន់ៗផ្សេងទៀតនៃការលេងហ្គេម។ ភ្នាក់ងារដែលបានទទួលការបណ្តុះបណ្តាល ថែមទាំងមានណឺរ៉ូនដែលបានអ៊ិនកូដស្ថានភាពជាក់លាក់ដោយផ្ទាល់ ដូចជានៅពេលដែលទង់មួយត្រូវបានយកដោយភ្នាក់ងារ ឬនៅពេលដែលសម្ព័ន្ធមិត្តកំពុងកាន់វា។

Jaderberg និយាយថា "ខ្ញុំគិតថារឿងមួយដែលត្រូវមើលគឺថាក្រុមពហុភ្នាក់ងារទាំងនេះមានថាមពលខ្លាំង ហើយការសិក្សារបស់យើងបង្ហាញថា" ។ "នោះហើយជាអ្វីដែលយើងបានរៀនដើម្បីធ្វើឱ្យកាន់តែល្អ និងកាន់តែប្រសើរឡើងក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ—របៀបដោះស្រាយបញ្ហានៃការពង្រឹងការរៀនសូត្រ។" ហើយ​ការ​បណ្តុះបណ្តាល​ដែល​បាន​ពង្រឹង​ពិតជា​ដំណើរការ​យ៉ាង​អស្ចារ្យ​»​។

លោក Thore Graepel សាស្ត្រាចារ្យផ្នែកវិទ្យាសាស្ត្រកុំព្យូទ័រនៅសាកលវិទ្យាល័យ University College London និងជាអ្នកវិទ្យាសាស្ត្រ DeepMind ជឿជាក់ថាការងាររបស់ពួកគេបង្ហាញពីសក្តានុពលនៃការរៀនពហុភ្នាក់ងារសម្រាប់អនាគតនៃ AI ។ វាក៏អាចបម្រើជាមូលដ្ឋានសម្រាប់ការស្រាវជ្រាវលើអន្តរកម្មរវាងមនុស្ស និងម៉ាស៊ីន និងប្រព័ន្ធដែលបំពេញគ្នាទៅវិញទៅមក ឬធ្វើការជាមួយគ្នា។

“លទ្ធផលរបស់យើងបង្ហាញថា ការរៀនពង្រឹងភ្នាក់ងារចម្រុះអាចធ្វើជាម្ចាស់ហ្គេមដ៏ស្មុគស្មាញមួយដោយជោគជ័យ រហូតដល់អ្នកលេងដែលជាមនុស្សជឿថាអ្នកលេងកុំព្យូទ័របង្កើតមិត្តរួមក្រុមបានល្អជាង។ Grapel និយាយថា ការសិក្សានេះក៏ផ្តល់នូវការវិភាគស៊ីជម្រៅដ៏គួរឱ្យចាប់អារម្មណ៍ផងដែរអំពីរបៀបដែលភ្នាក់ងារដែលត្រូវបានបណ្តុះបណ្តាលមានអាកប្បកិរិយា និងធ្វើការជាមួយគ្នា។ "អ្វីដែលធ្វើឱ្យលទ្ធផលទាំងនេះគួរឱ្យរំភើបនោះគឺថាភ្នាក់ងារទាំងនេះយល់ឃើញបរិយាកាសរបស់ពួកគេនៅក្នុងមនុស្សដំបូង [នោះគឺ] ដូចជាអ្នកលេងមនុស្ស។ ដើម្បីរៀនពីរបៀបលេងប្រកបដោយកលល្បិច និងសហការជាមួយមិត្តរួមក្រុម ភ្នាក់ងារទាំងនេះត្រូវពឹងផ្អែកលើមតិកែលម្អពីលទ្ធផលនៃការប្រកួត ដោយមិនមានគ្រូ ឬគ្រូបង្វឹកណាម្នាក់បង្ហាញពួកគេថាត្រូវធ្វើអ្វីឡើយ»។

ប្រភព: 3dnews.ru