صراع الذكاء الاصطناعي لتحقيق التميز في لعبة ماين كرافت من خلال التعلم بالتقليد

على مدار الأشهر القليلة الماضية ، تحدت شركة مايكروسوفت وشركات أخرى التي تبحث في مجال التعلم الآلي فرق من مطورين الذكاء الاصطناعي لإنشاء نظام ذكاء اصطناعي يمكنه لعب لعبة ماين كرافت والبحث عن الماس داخل اللعبة. وفقًا لما ذكرته بي بي سي ، بينما تمكنت منصات الذكاء الاصطناعي من التفوق في الشطرنج والغو ، إلا أنها عانت في تحقيق مهمة في ماين كرافت.

كانت التحديات التي قدمتها مايكروسوفت في ماين كرافت تحدي MineRL ، وتم الإعلان رسميًا عن نتائج المنافسة في مؤتمر NeurIPS الأخير. كان الغرض من المنافسة هو تدريب الذكاء الاصطناعي من خلال نهج “التعلم بالتقليد”. التعلم بالتقليد هو طريقة يتم فيها تدريب الذكاء الاصطناعي من خلال الملاحظة. يهدف التعلم بالتقليد إلى تمكين أنظمة الذكاء الاصطناعي من تعلم الإجراءات من خلال مشاهدة البشر أثناء القيام بتلك الإجراءات ، والتعلم من خلال فعل الملاحظة. التعلم بالتقليد ، بالمقارنة مع التعلم بالتعزيز ، هو طريقة أقل تكلفة حسابيًا وأكثر كفاءة في تدريب الذكاء الاصطناعي.

غالبًا ما يتطلب التعلم بالتعزيز العديد من الحواسيب القوية المتصلة ببعضها البعض ومئات أو آلاف الساعات من التدريب لتصبح فعالة في مهمة. في المقابل ، يمكن تدريب الذكاء الاصطناعي الذي تم تدريبه bằng التعلم بالتقليد بسرعة أكبر ، حيث أن الذكاء الاصطناعي لديه بالفعل قاعدة معرفة للعمل معها بفضل المشغلين البشر الذين سبقوه.

التعلم بالتقليد له تطبيقات عملية في تدريب الذكاء الاصطناعي حيث لا يمكن للذكاء الاصطناعي استكشاف البيئة بأمان حتى يتعلم الإجراءات الصحيحة. من هذه السيناريوهات تدريب مركبة ذاتية القيادة ، حيث لا يمكن السماح للسيارة بالتنقل في الشارع حتى تتعلم السلوكيات المرغوبة. يمكن أن يسرع استخدام بيانات المظاهر البشرية في تدريب المركبة عملية التدريب وجعلها أكثر أمانًا.

عملية العثور على الماس في ماين كرافت تتطلب تنفيذ العديد من الخطوات بالتسلسل ، مثل قطع الأشجار لصنع أدوات ، استكشاف الكهوف التي تحتوي على الماس ، والفعل العثور على الماس داخل الكهف. على الرغم من تعقيد المهمة ، يجب أن يكون لاعب بشري مألوف باللعبة قادرًا على الحصول على الماس في غضون 20 دقيقة.

تم تقديم أكثر من 660 وكيل ذكاء اصطناعي مختلف إلى المنافسة ، ولكن لم يتمكن أي من وكلاء الذكاء الاصطناعي من العثور على الماس. البيانات التي تم توفيرها لتدريب الذكاء الاصطناعي كانت عبارة عن مجموعة بيانات تحتوي على أكثر من 60 مليون إطار من لعب اللعبة التي تم جمعها من العديد من اللاعبين البشر. يتم تخصيص مواقع الماس بشكل عشوائي عند بدء مثيل من اللعبة ، مما يعني أن وكلاء الذكاء الاصطناعي لا يمكنهم ببساطة النظر إلى حيث وجد لاعبو البشر الماس. بعبارة أخرى ، يحتاج وكلاء الذكاء الاصطناعي إلى تشكيل فهم لكيفية ربط المفاهيم مثل صنع الأدوات و使用 الأدوات والاستكشاف والعثور على الموارد.

على الرغم من أن aucun من وكلاء الذكاء الاصطناعي لم يتمكن من العثور بنجاح على الماس ، إلا أن فريق المنظمة كان راضيًا عن نتائج المنافسة ، وتم تعلم الكثير من التجربة. يمكن أن تساعد الأبحاث التي أجرتها فرق الذكاء الاصطناعي في تقدم مجال الذكاء الاصطناعي ، وfinding بديل استراتيجيات التعلم بالتعزيز.

غالبًا ما يوفر التعلم بالتعزيز أداءً أفضل من التعلم بالتقليد ، وواحدة من النجاحات البارزة للتعلم بالتعزيز هي AlphaGo من ديب مايند. ومع ذلك ، كما ذكرنا من قبل ، يتطلب التعلم بالتعزيز موارد حسابية ضخمة ، مما يحد من استخدامه من قبل المنظمات التي لا تستطيع تحمل تكاليف المعالجات على نطاق كبير.

أوضح ويليام جوس ، طالب دكتوراه في جامعة كارنيجي ميلون ورئيس المنافسة ، لبي بي سي أن منافسة MineRL كانت تهدف إلى استكشاف بديل للذكاء الاصطناعي الحسابي المكلف. قال جوس:

“… رمي الحوسبة الضخمة في المشكلات ليس بالضرورة الطريقة الصحيحة لنا لنحفز تقدم الحقل … يعمل بشكل مباشر ضد تحقيق الديمقراطية في الوصول إلى أنظمة التعلم بالتعزيز ، وترك khả năng تدريب الوكلاء في بيئات معقدة للشركات التي لديها كميات كبيرة من الحوسبة.”