Spel Minecraft (henne historia beskrivs i detalj Denis Koshelev) verkar inte vara ett särskilt viktigt verktyg för att stödja avancerad forskning inom området AI. När allt kommer omkring, är det viktigt att lära en maskin att spela ett sandlådespel som släpptes för över 10 år sedan? Du kommer att bli förvånad, men ja, och detta bevisas av den senaste forskningen från OpenAI-laboratoriet, som studerar utvecklingen av artificiell intelligens.
OpenAI alltid fokuserat på prestationer AI och maskininlärning som kan gynna mänskligheten. Företaget har nyligen framgångsrikt tränat en bot för att spela Minecraft med över 70 2,9 timmars spelmaterial (det är över 8 XNUMX dagar, eller nästan XNUMX år, om något). Denna prestation markerar ett stort steg framåt i avancerad maskininlärning med hjälp av observation och simulering.
OpenAI-boten är ett bra exempel på hur simuleringsinlärning (även känd som "övervakad inlärning") fungerar. Till skillnad från förstärkningsinlärning, där en lärande agent belönas efter att ha uppnått ett mål genom försök och misstag, tränar simulering neurala nätverk att utföra specifika uppgifter genom att observera hur en person utför dem. I det här fallet använde OpenAI befintliga spelvideor och tutorials för att göra det möjligt för boten att utföra komplexa spelscenarier som skulle ha krävt cirka 24 XNUMX separata åtgärder för en normal spelare.
Också intressant:
Imitationsinlärning kräver att videodata är speciellt märkta för att ge sammanhanget för åtgärden och resultatet, dvs. AI kunde förstå vilka knappar som trycktes in och vilka rörelser som gjordes. Men ett sådant tillvägagångssätt kan vara tidskrävande, vilket resulterar i begränsade datauppsättningar tillgängliga.
Istället för att spänna musklerna genom att utföra en storskalig manuell datamärkningsövning, använde OpenAI-forskargruppen en speciell metod som kallas Video Pre-Training (VPT) för att utöka antalet tillgängliga videor. Inledningsvis spelade forskarna in 2 XNUMX timmars kommenterat spel Minecraft och använde den för att träna agenten att associera vissa åtgärder med specifika resultat på skärmen. Den resulterande modellen användes för att automatiskt generera etiketter för 70 XNUMX timmar av tidigare omärkt Minecraft-innehåll tillgängligt online. Detta gav boten en mycket större datauppsättning att titta på och simulera.
Också intressant:
Denna studie bevisar det potentiella värdet av tillgängliga videoförråd som t.ex YouTube, som en pedagogisk resurs för AI. Maskininlärningsforskare kan använda tillgängliga och korrekt märkta videor för att träna AI i specifika uppgifter, från enkel webbnavigering till att hjälpa användare med fysiska behov i verkligheten.
Du kan hjälpa Ukraina att slåss mot de ryska inkräktarna. Det bästa sättet att göra detta är att donera medel till Ukrainas väpnade styrkor genom Rädda liv eller via den officiella sidan NBU.
Också intressant: