AI:er som tävlar i Minecraft Machine Learning-tävling

Som rapporterats av Nature, kommer en ny AI-tävling att äga rum snart, MineRL-tävlingen, som kommer att uppmuntra AI-ingenjörer och kodare att skapa program som kan lära sig genom observation och exempel. Testfallet för dessa AI-system kommer att vara det mycket populära crafting- och survival-videospelet Minecraft.

Artificiella intelligenssystem har uppnått några imponerande prestationer när det gäller videospel nyligen. För bara några dagar sedan besegrade en AI de bästa mänskliga spelarna i världen i strategispelet StarCraft II. Men StarCraft II har definierbara mål som är lättare att bryta ner i koherenta steg som en AI kan använda för att träna. En mycket svårare uppgift är för en AI att lära sig att navigera i ett stort, öppet världsspel som Minecraft. Forskare syftar till att hjälpa AI-program att lära sig genom observation och exempel, och om de är framgångsrika kan de avsevärt minska den mängd bearbetningskraft som behövs för att träna ett artificiellt intelligensprogram.

Deltagarna i tävlingen kommer att ha fyra dagar på sig att skapa en AI som kommer att testas med Minecraft, och som kan ta upp till åtta miljoner steg för att träna sin AI. Målet för AI:n är att hitta en diamant inom spelet genom att gräva. Åtta miljoner träningssteg är en mycket kortare tidsperiod än den tid som behövs för att träna kraftfulla AI-modeller idag, så deltagarna i tävlingen måste utveckla metoder som dramatiskt förbättrar de nuvarande träningsmetoderna.

Tillvägagångssätten som används av deltagarna bygger på en typ av inlärning som kallas imitation-inlärning. Imitation-inlärning står i kontrast till förstärkningsinlärning, som är en populär metod för att träna sofistikerade system som robotarmar i fabriker eller AI:er som kan besegra mänskliga spelare i StarCraft II. Det primära problemet med förstärkningsinlärningsalgoritmer är att de kräver enorm datorbearbetningskraft för att träna, och förlitar sig på hundratals eller till och med tusentals datorer som är sammankopplade för att lära. Imitation-inlärningsalgoritmer försöker å andra sidan att härma hur människor lär sig genom observation.

William Guss, en doktorand i djupinlärningsteori vid Carnegie Mellon University, förklarade för Nature att det är en oerhört svår uppgift att få en AI att utforska och lära sig mönster i en miljö, men imitation-inlärning ger AI:n en baslinje för kunskap, eller goda antaganden, om miljön. Detta kan göra att träning av en AI blir mycket snabbare i jämförelse med förstärkningsinlärning.

Minecraft fungerar som en särskilt användbar träningsmiljö av flera skäl. Ett skäl är att Minecraft tillåter spelare att använda enkla byggblock för att skapa komplexa strukturer och föremål, och de många steg som krävs för att skapa dessa strukturer fungerar som påtagliga mått på framsteg som forskare kan använda som mått. Minecraft är också extremt populärt, och på grund av detta är det relativt lätt att samla in träningsdata. Organisatörerna av MineRL-tävlingen rekryterade många Minecraft-spelare för att demonstrera en mängd olika uppgifter, som att skapa verktyg och bryta isär block. Genom att crowdsourca genereringen av data kunde forskarna fånga 60 miljoner exempel på åtgärder som kunde vidtas i spelet. Forskarna gav ungefär 1000 timmar av video till tävlingslagen.

Använd den kunskap som människor har byggt upp, säger Rohin Shah, doktorand i datavetenskap vid University of California, Berkeley, till Nature att denna tävling troligen är den första som fokuserar på att använda den kunskap som människor redan har genererat för att påskynda träningen av AI.

Guss och de andra forskarna är hoppfulla om att tävlingen kunde ha resultat med implikationer bortom Minecraft, och ge upphov till bättre imitation-inlärningsalgoritmer och inspirera fler människor att överväga imitation-inlärning som en livskraftig form av träning av AI. Forskningen kunde potentiellt hjälpa till att skapa AI:er som är bättre kapabla att interagera med människor i komplexa, föränderliga miljöer.