Vad AI behöver lära sig för att bemästra utomjordisk krigföring

Spelare spelar StarCraft på Gamescom i Köln, Tyskland, 2015.

För att lära oss hur människor och AI-system bäst kan leva tillsammans kan vi behöva döda en hel del Zerg.

DeepMind, den AI-fokuserade enheten i Alphabet, och spelföretaget Blizzard Entertainment släpper en uppsättning verktyg som låter programmerare släppa lös alla typer av AI-algoritmer i spelet StarCraft med rymdtema.

Spelet är mer utmanande än de flesta av dem som hittills har tacklats av AI-program. StarCraft är inte bara extremt komplext, det kräver också planering långt i förväg och försök att gissa vad din motståndare har för sig. Detta innebär att utveckling av AI-program som kan matcha människor borde hjälpa forskare att utforska nya aspekter av mänsklig intelligens med maskiner. En annan potentiell fördel, enligt de inblandade, kommer att utforska sätt för människor och artificiella medel att spela tillsammans.

StarCraft är intressant av många anledningar, säger Oriol Vinyals , DeepMind-forskaren som leder projektet. Det faktum att spelare ofta bara får en glimt av sina motståndares aktiviteter, till exempel, innebär att algoritmer kommer att behöva utveckla bättre sätt att lagra information i minnet. Minnet är avgörande, säger Vinyals. Det du ser nu är inte det du såg för ett tag sedan, och något specifikt som kan ha hänt för en minut sedan kan få dig att [vill] agera annorlunda.

DeepMind har byggt upp ett imponerande rykte genom att bygga AI-program som kan spela olika typer av spel med övermänsklig skicklighet. Företaget började med att erövra olika Atari-spel och på senare tid tog det sig an det extremt komplexa och abstrakta brädspelet Go (se DeepMinds AI Masters the Game of Go ett decennium tidigare än förväntat).

För att bemästra dessa spel använde DeepMinds forskare en maskininlärningsteknik som kallas förstärkningsinlärning. Maskininlärning låter en dator ta reda på hur den ska göra något själv, utan att kräva tydliga instruktioner. Reinforcement learning, som är inspirerat av hur djur verkar lära sig, möjliggör lärande genom att experimentera med positiv feedback (se 10 Breakthrough Technologies 2017: Reinforcement Learning ). Vinyals säger dock att det kommer att bli svårare att tillämpa förstärkningsinlärning på StarCraft eftersom det tar så lång tid för varje spel att utvecklas. En åtgärd jag gör nu får en konsekvens först långt senare, säger han.

Inom StarCraft tävlar spelare som en av tre raser: den mänskliga Terrans, cyborg Protoss eller insektoiden Zerg. Strider involverar komplexa strategiska handlingar som gruvresurser och att bygga baser, såväl som utdragna stridssekvenser. StarCraft är också den mest populära e-sporten för åskådare, och speciellt i Sydkorea spelas turneringar ofta på stora arenor och visas live på tv. Framstående spelare har välkomnat möjligheten att matcha AI-program, men DeepMind har ännu inte sagt när detta kan hända (se StarCraft-proffs är redo att slåss mot AI).

Verktygen som utvecklats av DeepMind och Blizzard kommer att göra det mycket lättare för AI-forskare att distribuera och testa maskininlärningsalgoritmer inuti StarCraft. Verktygen kommer att ge AI-agenter samma syn på spelet och gränssnittet som mänskliga spelare har. De gör det också möjligt att begränsa hastigheten med vilken ett program kan utföra sina åtgärder. Detta kan säkerställa att ett program måste förlita sig på samma intellektuella verktyg som en person gör.

StarCraft har använts som en forskningsplattform under en tid, men det har varit relativt utmanande att utnyttja. Vinyals, en expert StarCraft-spelare själv, gjorde banbrytande arbete med att bygga bots för StarCraft som student vid University of California, Berkeley (se 35 Innovators Under 35, 2016: Oriol Vinyals ). Lag kl Facebook och det kinesiska företaget Alibaba har också publicerat StarCraft-forskning. DeepMind publicerar en artikel på en stor maskininlärningskonferens denna vecka som visar hur befintliga algoritmer fungerar med spelet.

Det är dock möjligt att ganska olika tillvägagångssätt kan behövas för att bemästra ett spel som StarCraft. Vissa andra forskare har funnit framgång genom att använda tillvägagångssätt hämtade från spelteorin för att göra framsteg i andra spel med ofullständig information, och där bluffning är viktigt. Tidigare i år byggde Tuomas Sandholm, professor vid Carnegie Mellon University, och en av hans studenter, Noam Brown, ett program, kallat Libratus, som slog flera professionella spelare heads up, eller tvåspelare, no-limit Texas hold. em. Libratus använde en mycket sofistikerad algoritm för att beräkna den optimala strategin genom ett spel (se Varför poker är en stor sak för artificiell intelligens). Och av en slump har Brown varit praktikant på DeepMind i sommar.

Relaterad berättelse

Relaterad berättelse Att spela poker innebär att hantera ofullständig information, vilket gör spelet mycket komplext och mer likt många verkliga situationer.

Jacob Repp, en principingenjör på Blizzard, säger att hans företag är intresserade av att se om sofistikerade AI-agenter kan göra spelet mer intressant, antingen genom att spela mot människor eller samarbeta med dem. Det är redan möjligt att skapa agenter i spelet som följer skriptkommandon. Repp säger att det skulle vara intressant att låta dessa agenter använda maskininlärning till viss del också. Och han säger att företaget undersöker den här typen av idéer. Vi upptäcker att dessa verktyg är mycket användbara för processen att skapa spel och designa funktioner i spel, säger han.

Dölj