- Super Mario Bros., klasiskā spēle, tiek izmantota, lai testētu mākslīgā intelekta iespējas, ar jaunākajiem testiem, ko veica Hao AI Lab, izmantojot emulatoru, kas saucas GamingAgent.
- Claude 3.7 no Anthropic izcēlās kā vadošais mākslīgais intelekts, pārspējot citus, piemēram, Claude 3.5, Google Gemini 1.5 Pro un OpenAI GPT-4o.
- Tests izceļ izaicinājumus mākslīgajam intelektam, it īpaši stratēģijā un precīzā lēmumu pieņemšanā, ņemot vērā spēles ātro un fizikas pamatoto dabu.
- Mākslīgā intelekta modeļi, kas koncentrējas uz metodisku domāšanu, piemēram, OpenAI modeļi, cīnījās ar spēles prasībām sniegt ātras atbildes.
- Eksperti norāda uz atšķirību starp spēļu vidēm un reālās pasaules pielietojumiem, brīdinot par pārspīlēšanu, ka spēļu panākumi ir mākslīgā intelekta attīstības rādītājs.
- Kamēr mākslīgais intelekts vēl nav apguvis Super Mario Bros., šādi eksperimenti sniedz ieskatu mākslīgā intelekta attīstībā un tā nākotnes potenciālā mācīties sarežģītus uzdevumus.
Vibrantajos digitālajos pasaulēs no mūsu bērnības Mario bija negaidīts varonis. Tagad, pēc desmit gadiem, viņš ir atpakaļ—un šoreiz viņš stājas pretī dažiem no vismodernākajiem mākslīgajiem intelektiem uz planētas. Kad pētnieki no Hao AI Lab Kalifornijas Universitātē San Diego ievietoja mākslīgo intelektu tiešsaistes spēlēs Super Mario Bros., uzliktā likme bija augstāk nekā jebkad agrāk.
Iedomājieties pikseļu skaistumu Sēņu valstībā: zeme neapstājošai kustībai, precīziem lēcieniem un minūti uz minūti stratēģijai. Tā ir vieta, kur paradoksāli vienkāršs dizains sastop sarežģītus izaicinājumus—īpaši mākslīgajam intelektam. Tests nebija viegls šiem digitālajiem prātiem: Claude 3.7 no Anthropic lēca uz priekšplānu, sekojot viņa brālim Claude 3.5. Savukārt Google Gemini 1.5 Pro un OpenAI GPT-4o atradās cīņā, cenšoties izsekot.
Šis nebija parasts ikoniskās 1985. gada spēles variants. Spēles Super Mario Bros. tika spēlēta caur emulatoru, stilizētu ar ietvaru, ko sauc par GamingAgent. Izstrādāts ar iztēles prātiem Hao Lab, GamingAgent nodrošināja mākslīgo intelektu ar būtiskām prasmēm. Pamata komandas, piemēram, “izvairīties no šķēršļa” un spēles posmi, ļāva mākslīgajam intelektam simulēt Mario klasiskos kustības caur Python kodu. Tas, kas šķita parasts uzdevums, slēpa pamatmīklu: mācīt mākslīgo intelektu plānot un stratēģizēt ātrās fizikas spēles iestādē.
Interesanti, ka laboratorija novēroja negaidītu pagriezienu. Modeļi, kas parasti izstrādāti domāšanai, piemēram, OpenAI o1, sastapa grūtības. Problēma? Šie modeļi piedalījās metodiskā problēmu risināšanā, apēdot vērtīgas sekundes spēlē, kur milisekundes ir karaļa. Viena nepareiza aprēķina rezultāts pārvērš cerīgu lēcienu par liktenīgu krišanu.
Tas nav pirmais mākslīgā intelekta mēģinājums iekarot spēles. Digitālās arēnas ir uzņēmušas mākslīgā intelekta centienus jau desmitgades. Tomēr daži eksperti brīdina pret mākslīgā intelekta spēļu prasmju pielīdzināšanu tās kopējām tehnoloģiskajām spējām. Spēļu vienkāršība un datu bagātās vides atšķiras no reālās pasaules sarežģījumiem.
AI novērtēšanas joma, kā uzsver Andrej Karpathy no OpenAI, ir nemierīgā stāvoklī. Viņš, pārdomājot pašreizējās metriskas, joprojām izjūt nenoteiktību par attīstības tempu. Ātri mainīgā ainavā mēs jautājam: ko šie spēļu izaicinājumi patiesībā atklāj par mākslīgā intelekta potenciālu?
Lai arī mākslīgais intelekts vēl nav apguvis sarežģīto Super Mario Bros. deju, viņu mēģinājumi sniedz vertikālu skatu uz mašīnu intelekta evolūciju. Tikmēr, tiem no mums, kas vēro, šīs digitālās akrobātikas piedāvā ne tikai izklaidi, bet arī ievirzi nākotnē, kur AI mācās ne tikai domāt, bet arī spēlēt.
AI pret Super Mario: augsta riska izaicinājums digitālajiem prātiem
Ievads
Mākslīgā intelekta pastāvīgajā attīstības pasaulē klasiskā spēle Super Mario Bros. kalpo ne tikai kā nostalģisks atgādinājums par rotaļlaukuma dienām. Tehnoloģiju pionieri no Hao AI Lab Kalifornijas Universitātē San Diego ieviešot AI šajā iemīļotajā spēlē, ir radījuši jaunu robežu AI pētniecībā. Šajā apgaismojošajā izpētē mēs pievērsīsimies mākslīgā intelekta sniegumam, potenciālam un iespējām, piedāvājot ieskatus, salīdzinājumus un prognozes, vienlaikus respektējot Google E-E-A-T principus.
Aizkadra: GamingAgent un AI izaicinājumi
Projekts izmantoja GamingAgent, ietvaru, kas izstrādāts, lai tulkotu klasiskās spēļu mehānikas Python kodā. Šis iestatījums ļāva AI imitēt Mario kustības, izvairīties no šķēršļiem un izstrādāt stratēģijas reālajā laikā. Tomēr AI sastapa nopietnu izaicinājumu. Super Mario Bros. vienkāršais dizains un ātrā spēle prasīja mirkļu lēmumus, kas izrādījās grūti vairākiem AI modeļiem.
Lai gan Claude 3.7 no Anthropic uzrādīja ievērojamus rezultātus, daļēji pateicoties tā elastīgajām lēmumu pieņemšanas spējām, tādi modeļi kā OpenAI GPT-4o cīnījās spiediena apstākļos. Pēdējā domāšanas pieeja ar apzinātu iemeslu bija nepiemērota situācijām, kuras prasīja ātru rīcību, atspoguļojot vēl joprojām pastāvošo cīņu mākslīgā intelekta attīstībā: savienojot ātrumu ar precizitāti.
Ieskati un prognozes: kas ir nākamais AI spēlēšanā?
Izprotot AI sniegumu spēļu kontekstos, var iegūt vairākus ieskatus:
1. AI mācīšanās līkne: Spēles, piemēram, Super Mario Bros., joprojām ir būtiskas mākslīgā intelekta mācīšanai par dinamiskām vidēm. Sagaidiet vēl vairāk pētījumu, kas izmanto spēļu izaicinājumus kā testēšanas arēnas AI veiklībai un stratēģiskai plānošanai.
2. Pielietojums reālās pasaules situācijās: Lai gan spēles piedāvā kontrolētu vidi ar paredzamām sekām, reālās pasaules pielietojumiem ir nepieciešama pielāgošanās neparedzamām mainīgajām. Pašreizējās ierobežojumi, kas novēroti spēlēs, var ietekmēt adaptīvās mācību algoritmus reālās dzīves lietojumiem.
3. Potenciāls hibrīdiem modeļiem: OpenAI pieredze norāda uz hibrīdo modeļu potenciālu, kas apvieno ātru lēmumu pieņemšanu ar loģisko domāšanu. Nākotnes AI varētu ietvert abu pasauli labākos aspektus, nepārtraukti pārejot starp stratēģisko plānošanu un ātrām refleksām.
Padomi AI entuziastiem un izstrādātājiem
1. Eksperimentējiet ar emulātoriem: Izstrādātāji var izmantot emulātorus, lai radītu savus AI spēļu eksperimentus. Ietvari, piemēram, GamingAgent, ir nenovērtējami, lai simulētu vides un testētu AI atbildes.
2. Analizējiet AI neveiksmes: Negatīvās spēles sekas izmantojiet kā mācību iespējas. Izpētot, kur AI neizdodas, izstrādātāji var uzlabot algoritmus un uzlabot atbilžu mehānismus.
3. Iekļaujiet atsauksmes ciklus: Reāllaika atsauksmju ieviešana AI spēles laikā var uzlabot mācīšanos un nākotnes sniegumu, samazinot atkārtotas kļūdas.
AI spēlēšanas plusi un mīnusi
Plusi:
– Elastīga pārbaudes platforma: Spēles nodrošina bagātīgas vides AI stratēģiju testēšanai.
– Vieglāki novērtējuma rezultāti: Spēļu panākumi var tikt kvantificēti skaidriem veiktspējas rādītājiem.
– Vienkāršoti modeļi: Piedāvā platformu, lai izmēģinātu vienkāršotās sarežģītu reālās pasaules scenāriju versijas.
Mīnusi:
– Ierobežota reālās pasaules pielietojamība: Spēļu scenāriji ir attālināti no reālās pasaules sarežģījumiem.
– Apstrādes ierobežojumi: Reāllaika lēmumu pieņemšana joprojām ir izaicinājums.
– Pārlieku uzsvars uz ātrumu: Var ignorēt visaptverošu problēmu risināšanas prasmju nozīmi.
Nobeigums: darbības soļi AI spēļu ieskatu izmantošanai
Turpinot novērot AI ceļu spēlēs, šeit ir izvedami ieteikumi:
– Izmantot spēļu platformas: Izmantojiet šīs platformas, lai attīstītu AI refleksus un lēmumu pieņemšanas spējas.
– Līdzsvarot stratēģijas: Izstrādājiet hibrīdus modeļus, kas līdzsvaro lēmumu ātrumu un domāšanas dziļumu.
– Uzraudzīt progresu: Sekojiet līdzi jaunākajiem pētījumiem, lai saprastu AI attīstību un ierobežojumus.
Lai iegūtu vairāk ieskatu par AI attīstību un tendencēm, apmeklējiet OpenAI un Google Research.
Izpētiet aizraujošo pāreju no spēlēm un mākslīgā intelekta kā rīka, caur kuru mēs varam labāk izprast mašīnmācīšanās nākotni dažādās pielietošanās jomās. No princeses izglābšanas līdz sarežģītu globālo problēmu risināšanai, katrs solis ir lēciens uz priekšu, lai saprastu mūsu rītdienas digitālos pavadoņus.
