OpenAI docet AI Duis in ludo corii et quaerite

Bonum antiqui lusum occultandi et quaerendi magnum experimentum esse potest ad intelligentiam artificialem (AI) automata demonstranda quomodo decernant et inter se cohaereant et circa eas res varias.

In his novum articulum, ab Inquisitoribus ab OpenAI editis, non-commodum artificialis intelligentiae investigationis institutio quae incluta facta est victoriam mundi pugiles in ludo computatorio Dota 2, phisicis describunt quomodo agentes moderati intellegentiae artificialis doctiores sint ad quaerendas et occultandas se invicem in ambitu virtuali. Eventus studii demonstratum est quod iunctio duorum autocinetorum efficacius et velocius discit quam quodvis unum agens sine sociis.

OpenAI docet AI Duis in ludo corii et quaerite

Scientes methodo usi sunt quae famam suam diu vicit apparatus discendi subsidioin qua scientia artificialis posita est in ambitu sibi ignoto, cum certos modos commercii habens, cum ratione praemiorum ac mulctarum pro uno alterove effectu actionum. Haec methodus admodum efficax est propter facultatem AI ad varias actiones faciendas in virtuali ambitu ingenti celeritate, decies centena millia velocius quam homo imaginari potest. Hoc permittit iudicium et errorem invenire efficacissima consilia ad datam quaestionem solvendam. Sed hic aditus etiam nonnullas limitationes habet, exempli gratia, ambitus faciendi et numerosos cyclos instituendi faciendos requirit ingentes facultates computandi, et ipse processus accuratam rationem requirit ad comparandas eventus AI actionum cum suo fine. Artes praeterea ab agente hoc modo acquisitae ad munus descriptum limitantur et, cum AI id obire discat, nulla adhuc meliora erunt.

Ad docendum AI ad pellendum et quaerendum ludendum, docti accessus adhibitae "explorationis indefinitae", quod est ubi agentium libertatem plenam habent ad intellegentiam ludi mundi et consilia conciliandi evolvendi. Hoc simile est cum multi-agente doctrinarum accessu qui investigatores in DeepMind usi sunt cum multiplex systemata intelligentiae artificialis docti ludere capere vexillum modus in Quake III Arena. Ut hoc in casu, procuratores AI in regulis ludi non ante exercitati sunt, sed tempore temporis fundamentalia consilia didicerunt et investigatores solutiones non-triviales mirari potuerunt.

In ludo corii et quaerunt, plures agentes, quorum officium erat occultare, requirebantur ad vitandam aciem visus adversariorum post leve initium capitis dum manipulus inquisitionis agentium immobilis erat. Praeterea, "linea visus" hoc contextu est 135 graduum pyramidis ante singularem automatarium. Agentes longius extra aream ludendi non ausi sunt et passim generatae cubicula navigare coacti sunt cum facultate aliqua externa obiecta (cippi, muri mobilis, aggeres speciales) sparsi circa quae tum ad operculum creandum et in eis transplantandum adhiberi possent. .

OpenAI docet AI Duis in ludo corii et quaerite

Per longam discendi processum, AI agentes sex consilia singularia didicerunt, quarum singulae progressus ad gradum ludi proximum contulit. In primis, quaerens et occultor iunctos simpliciter fugerunt et se invicem insecuti sunt, sed post circiter XXV decies centena milia compositus, bigas occultior didicit itinera cum capsulis claudere et ex eis casas aedificare. Post aliam 25 decies centena millia compositus, turmae vias inventae sunt ut aggeres ut in has latebras ingrediantur. Post alterum X decies centena millia circumeunt, celatores aggeres ad marginem areae ludentis trahere didicerunt et eos in loco claudunt ne adversarii ab iis utantur.

OpenAI docet AI Duis in ludo corii et quaerite

Post 388 decies centena millia, quaesitores aggeres clausos uti didicerunt ut craticulas ad eas conscenderent, ac deinde, directe in eas movendo, latebras hostium ex moenibus portabilibus creatos penetrant. Ac tandem, post 458 decies centena milia compositus, turmae occultationis concluserunt se opus esse omnibus obiectis obstruendum, ac deinde perfugium aedificandum, quod ad ultimam victoriam videntur ducere.

Quod maxime infigendum est quod post 22 decies centena milia agentes didicerunt actiones suas coordinare et efficientiam cooperationis eorum tantum in futurum augeri, exempli gratia, unusquisque suam capsam vel murum ad tegimen suum adduxit et partem obiecti elegit. impedio, to difficultate ludo adversarios inpedio.

OpenAI docet AI Duis in ludo corii et quaerite

Scientistae etiam notaverunt punctum momentum relatum ad influentiam plurium obiectis disciplinae (copia notitiarum per network neural - "Batch Size") de celeritate discendi. Exemplar defaltum requiritur 132,3 decies centena milia compositus supra 34 horas disciplinae ut eo perveniat ubi turma latens didicit aggeres claudere, cum plura notitia consecuta est in notabili deminutione in disciplina temporis. Exempli causa, numerus parametri augens (pars notitiarum per totam processum disciplinarum consecutus) ab 0,5 miliones ad 5,8 decies centena millia augens, auget efficaciam per 2,2 temporum, et auget magnitudinem initus notitiarum ab 64 KB ad 128 KB reducta formatio. fere sesquialtera.

OpenAI docet AI Duis in ludo corii et quaerite

In fine operis, investigatores probare constituerunt quantum in- gymnasium institutio ministros adiuvare posset cum similibus muneribus extra ludum obire. Fuerunt quinque experimenta in summa: conscientia de numero obiectorum (intelligendo quod objectum subsistit etiam si extra visum est et non ponitur); " seram et reditum " - facultas reminiscendi pristinum statum et ad eam reverti, peracto aliquo addito munere; "Sequentiales clausurae" - 4 pixides passim in tribus conclavibus extra fores positae sunt, sed aggeres ut intus adirent, agentibus opus erat ut omnes inveniret et clauderet; collocatio cippi in locis determinatis; condens tectumque circa objectum in modum cylindri.

Quam ob rem, in tribus ex quinque operibus, automata quae praeviam in ludo exercitationem subierant citius didicit et meliores eventus ostendit quam AI, qui difficultates solvendas de integro induxerat. Aliquanto melius perfecerunt ad perficiendum munus et ad initium revertentes, cistas in cubiculis clausis consequenter claudentes, cistas in locis datis collocantes, sed aliquantulum debiliores perfecerunt ad numerum rerum cognoscendum et operculum circa aliud obiectum creandum.

Investigatores mixtos eventus attribuunt quomodo AI quasdam artes discit et meminit. β€œPensa putamus opera in quibus in-venationibus praeexipiscendis optime implicatas artes familiariter antea didicerat, dum reliquas functiones melius quam AI a nouo exercitata exigerent, diverso utentes modo, quod multum Difficilius est, scribe co-auctores operis. "Hic effectus necessitatem elucidat methodi explicandi ad artes retrahendas efficaciter acquisitae per exercitationem cum eas ab uno in alterum ambitu transferendo".

Opus factum vere grave est, cum prospectus utendi methodo doctrinali longe superat limites quorumlibet ludorum. Investigatores dicunt suum opus insignem gradum esse ad partum AI cum "physicis-substructis" et "humanis-similis" moribus, qui morbos egritudinem facere possunt, structuras dapibus moleculorum complexorum praedicunt et CT scans resolvent.

In video infra clare videre potes quomodo tota discendi processio facta est, quomodo AI Duis laborem didicit, eiusque consilia magis magisque callidiora et implicata facta sunt.



Source: 3dnews.ru