Qabo calanku waa hab tartan oo fudud oo laga helay toogayaal badan oo caan ah. Koox kastaa waxay leedahay calaamad ku taal salkeeda, ujeedaduna waa inay soo qabtaan kooxda ka soo horjeeda calaamadahooda oo ay si guul leh isugu keenaan. Si kastaba ha ahaatee, waxa u sahlan bini'aadamka si ay u fahmaan maaha mid sahlan mashiinka. Si loo qabto calanka, jilayaasha aan ciyaartoyga ahayn (bots) waxaa dhaqan ahaan loo qorsheeyey iyadoo la isticmaalayo heuristics iyo algorithms fudud kuwaas oo bixiya xorriyadda doorashada xaddidan oo aad uga hooseeya bini'aadamka. Laakiin sirdoonka macmal iyo barashada mashiinka waxay ballanqaadayaan inay si buuxda u beddelaan xaaladdan.
Π , oo toddobaadkan lagu daabacay joornaalka Sayniska sannad ka dib sidoo kale Cilmi-baarayaal ka socda DeepMind, oo ah shirkad fadhigeedu yahay London oo ka tirsan Alphabet, ayaa qeexaya nidaam aan ku baran karin oo keliya in lagu ciyaaro qabashada calanka id Software's Quake III Arena maps, laakiin sidoo kale horumariya xeelado kooxeed oo cusub, oo aan sinaba uga hoosayn bini'aadamka.
"Qofna uma sheegin AI sida loo ciyaaro ciyaartan, kaliya waxay heshay natiijada - haddii AI ay garaacday kooxda ka soo horjeeda iyo haddii kale. Quruxda isticmaalka habkan ayaa ah inaadan waligaa ogaanin dabeecadda soo bixi doonta markaad tababarto wakiilada, "ayuu yidhi Max Jaderberg, saynisyahan cilmi-baaris oo DeepMind oo hore uga soo shaqeeyay nidaamka barashada mashiinka AlphaStar kooxda aadanaha ee xirfadlayaasha ee StarCraft II). Waxa kale oo uu sharraxay in habka ugu muhiimsan ee shaqadooda cusub ay tahay, marka hore, barashada la xoojiyay, taas oo adeegsata nooc ka mid ah nidaamka abaalmarinta si ay u riixdo wakiilada software si ay u gaaraan yoolalka la dajiyay, iyo nidaamka abaalgudka ayaa shaqeeyay iyada oo aan loo eegin in kooxda AI ay ku guuleysatay iyo in kale. , laakiin marka labaad, wakiillada ayaa loo tababaray kooxo, taas oo ku qasabtay AI inay si fiican u yaqaanaan isdhexgalka kooxda bilowgii hore.
"Marka laga eego dhinaca cilmi-baarista, tani waa wax cusub oo loogu talagalay habka algorithmic kaas oo runtii xiiso leh," Max ayaa raaciyay. "Sida aan u tababarnay AI waxay si fiican u muujineysaa sida loo cabbiro loona hirgeliyo qaar ka mid ah fikradaha kobcinta caadiga ah."
Daandaansi loogu magac daray Win (FTW), wakiilada DeepMind waxay si toos ah wax uga bartaan pixels-yada iyagoo isticmaalaya shabakad neural ah oo isku dhafan, hawlo xisaabeed (neurons) oo loo habeeyey lakabyo loo qaabeeyey kiliyaha aragga aadanaha. Xogta la helay waxaa lagu kala qaadaa laba shabakadood oo leh xusuusta muddada-gaaban ee badan (Xusuusta muddada-gaaban ee Ingiriisiga - LSTM), oo awood u leh inay aqoonsato ku-tiirsanaanta muddada-dheer. Mid ka mid ah wuxuu ku maareeyaa xogta hawlgalka isagoo leh xawaare jawaab celin degdeg ah, halka kan kalena uu si tartiib ah u shaqeeyo si uu u falanqeeyo oo loo dejiyo xeelado. Labaduba waxay ku xidhan yihiin xusuusta kala duwan, kuwaas oo ay si wadajir ah u isticmaalaan si ay u saadaaliyaan isbeddelada ciyaaraha adduunka oo ay sameeyaan ficillo iyada oo loo marayo xakamaynta ciyaarta.
Isku soo wada duuboo, DeepMind waxay tababartay wakiilada 30, waxayna siisay saaxiibo kala duwan iyo kuwa ka soo horjeeda si ay ula ciyaaraan, iyo kaararka ciyaarta si aan kala sooc lahayn loo doortay si AI looga ilaaliyo inay xasuustaan. Wakiil kastaa wuxuu lahaa calaamad u gaar ah oo abaal-marin ah, taasoo u oggolaanaysa inay abuurto yoolal gudaha ah, sida qabashada calanka. AI kasta wuxuu si gaar ah u ciyaaray ilaa 450 kun oo ciyaarood oo calanka lagu qabto, taas oo u dhiganta ilaa afar sano oo waayo-aragnimo ciyaaraha ah.
Wakiilada FTW oo si buuxda u tababaran waxay barteen in ay adeegsadaan xeeladaha ay wadaagaan khariidad kasta, liiska kooxda, iyo tirada kooxda. Waxay barteen dabeecadaha bini'aadamka sida inay raacaan asxaabta, xero cadowga, iyo inay ka difaacaan saldhigooda kuwa soo weeraray, waxayna si tartiib tartiib ah u lumiyeen qaabab aan faa'iido lahayn sida inay si dhow u daawadaan xulafada.
Haddaba maxaa natiijadii la gaaray? Tartan 40-qof ah oo ay bini'aadamka iyo wakiiladu si aan kala sooc lahayn u wada ciyaarayeen isla markaana iska soo horjeeda, wakiilada FTW ayaa si weyn uga sarreeyay heerka guusha ciyaartoyda bini'aadamka. Qiimaynta AI ee Elo, taas oo ah suurtogalnimada in lagu guuleysto, waxay ahayd 1600, marka la barbar dhigo 1300 ee ciyaartoyda "xoog leh" iyo 1050 ee "celceliska" ciyaartoyga aadanaha.
Tani maahan wax la yaab leh, maadaama xawaaraha falcelinta AI uu aad uga sarreeyo kan bini'aadamka, taas oo hore u siisay faa'iido weyn oo ku jirta tijaabooyinka bilowga ah. Laakiin xitaa markii saxnaanta wakiillada la dhimay oo waqtiga falcelinta uu kordhay iyada oo ay ugu wacan tahay daahitaanka 257 millisecond ee la dhisay, AI wali way ka fiican tahay bini'aadamka. Ciyaartoyda heerka sare ah iyo kuwa aan caadiga ahayn waxay badiyeen kaliya 21% iyo 12% wadarta guud ee ciyaaraha, siday u kala horreeyaan.
Intaa waxaa dheer, ka dib daabacaadda daraasadda, saynisyahannadu waxay go'aansadeen in ay tijaabiyaan wakiilada khariidadaha Quake III Arena oo leh qaabdhismeed heerkoodu adag yahay iyo walxo dheeraad ah, sida Crossings Future iyo Ironwood, halkaas oo AI uu bilaabay inuu si guul leh uga hortago bini'aadamka ciyaaraha tijaabada ah. . Markii cilmi-baarayaashu eegeen qaababka firfircoonida shabakada neerfaha ee wakiilada, taas oo ah, shaqooyinka neerfayaasha ka masuulka ah go'aaminta wax soo saarka ee ku salaysan macluumaadka soo socda, waxay heleen kooxo matalaya qolalka, xaaladda calamada, muuqaalka asxaabta iyo kuwa ka soo horjeeda, iyo joogitaanka ama maqnaanshaha wakiilada ee saldhiga cadawga ama koox ku salaysan, iyo qaybaha kale ee muhiimka ah ee ciyaarta. Wakiilada la tababaray ayaa xitaa ka kooban neurons kuwaas oo si toos ah u qeexaya xaalado gaar ah, sida marka calan uu qaato wakiil ama marka xulafada uu hayo.
"Waxaan u maleynayaa in mid ka mid ah waxyaabaha la eegayo ay tahay in kooxahan wakiilada badan ay yihiin kuwo aad u awood badan, daraasaddeenuna waxay muujinaysaa taas," Jaderberg ayaa yidhi. "Taasi waa waxa aan barannay si aan u sameyno si ka sii wanaagsan oo ka sii wanaagsan dhowrkii sano ee la soo dhaafay-sida loo xalliyo dhibaatada xoojinta barashada." Tababarka la xoojiyeyna wuxuu runtii u shaqeeyay si cajiib ah."
Thore Graepel, oo ah borofisar cilmiga kumbuyuutarka ka dhiga jaamacada London iyo saynisyahan DeepMind, ayaa aaminsan in shaqadoodu ay muujinayso kartida waxbarashada wakiilada badan ee mustaqbalka AI. Waxa kale oo ay u adeegi kartaa aasaas u ah cilmi baarista isdhexgalka bini'aadamka iyo mashiinka iyo nidaamyada is kaabaya ama wada shaqeeya.
"Natiijooyinkayagu waxay muujinayaan in barashada xoojinta wakiillada badani ay si guul leh u baran karaan ciyaar adag ilaa heer ay ciyaartoyda bini'aadamka xitaa rumaystaan ββin ciyaartoyda kombuyuutarku ay sameeyaan saaxiibo fiican. Daraasadu waxay sidoo kale bixisaa falanqayn qoto dheer oo aad u xiiso badan oo ku saabsan sida wakiilada loo tababaray u dhaqmaan oo u wada shaqeeyaan, ayuu yidhi Grapel. "Waxa ka dhigaya natiijooyinkan mid aad u xiiso badan ayaa ah in wakiiladani ay u arkaan deegaankooda qofka ugu horreeya, [taasi waa] sida ciyaaryahan bini'aadam ah. Si ay u bartaan sida loo ciyaaro si xeeladaysan oo ay ula shaqeeyaan asxaabtooda, wakiiladani waa inay ku tiirsanaadaan jawaab celinta natiijada ciyaarta, iyada oo aan macalin ama tababare tusin waxa ay samaynayaan."
Source: 3dnews.ru