¿Por qué es importante enseñar a ai a jugar? ben dickson

OpenAI, el laboratorio de investigación de inteligencia artificial fundado por Sam Altman y Elon Musk, declaró recientemente que enviaría un equipo a Vancouver en agosto para participar en un torneo profesional del famoso juego de batalla en línea Dota 2. Pero a diferencia de otros equipos que serán compitiendo por el premio multimillonario, OpenAI's el equipo no involucrará humanos, al menos, no directamente.

Llamado OpenAI Five, el equipo consta de cinco redes neuronales artificiales que se han estado quemando a través de la enorme potencia informática de la nube de Google y practicando el juego una y otra vez, millones de veces. OpenAI Five ya superó a los semi-profesionales en Dota 2 y pondrá a prueba su valía contra el 1 por ciento de los mejores jugadores en agosto.

A primero Una mirada, gastar recursos informáticos caros y escaso talento de inteligencia artificial para enseñar a la IA a jugar puede parecer irresponsable. OpenAI alberga a algunos de los mejores científicos de IA del mundo, quienes, según The New York Times , ganan salarios de siete cifras. Después de todo, ¿no pueden trabajar en problemas más importantes, como desarrollar IA que pueda combatir el cáncer o hacer que los autos autónomos sean más seguros?

Por absurdo que parezca para algunos, los juegos han demostrado ser una parte importante de la investigación de IA. Desde el ajedrez hasta Dota 2, cada juego que la IA ha conquistado nos ha ayudado a abrir nuevos caminos en informática y otros campos.

Los juegos ayudan a rastrear el progreso de la IA

Desde el inicio de la idea de inteligencia artificial en la década de 1950, los juegos han sido una forma eficiente de medir la capacidad de la IA. Son especialmente convenientes para probar la capacidad de la nueva IA técnicas, porque puede cuantificar el rendimiento de la IA con puntajes numéricos y resultados de ganar-perder y compararlo con los humanos u otra IA.

El primer juego que los investigadores intentaron dominar a través de la IA fue el ajedrez, que en los primeros días se consideraba la prueba definitiva de los avances en el campo. En 1996, Deep Blue de IBM fue la primera computadora en derrotar a un campeón mundial (Garry Kasparov) en ajedrez. La IA detrás de Deep Blue usó un método de fuerza bruta que analizó millones de secuencias antes de hacer un movimiento.

Si bien el método permitió a Deep Blue dominar el ajedrez, no fue lo suficientemente efectivo como para enfrentar juegos de mesa más complicados. Según los estándares de hoy, se considera crudo. Cuando Deep Blue derrotó a Kasparov, un científico comentó que tomaría otros cien años antes de que la IA pudiera conquistar el antiguo juego chino de Go, que tiene más movimientos posibles que la cantidad de átomos en el universo.

Pero en 2016, los investigadores de la empresa de inteligencia artificial propiedad de Google DeepMind crearon AlphaGo, una inteligencia artificial que jugaba con Go que venció a Lee Sedol, el campeón mundial, 4 a 1 en una competencia de cinco juegos. AlphaGo reemplazó el método de fuerza bruta de Deep Blue con aprendizaje profundo, una técnica de IA que funciona de una manera mucho más similar a cómo funciona el cerebro humano. En lugar de examinar todas las combinaciones posibles, AlphaGo examinó la forma en que los humanos jugaban Go, luego trató de descubrir y replicar patrones de juego exitosos.

Los investigadores de DeepMind más tarde crearon AlphaGo Zero, una versión mejorada de AlphaGo que utilizaba el aprendizaje por refuerzo, un método que requería cero aporte humano. AlphaGo Zero aprendió las reglas básicas de Go y aprendió el juego jugando contra sí mismo innumerables veces. Y AlphaGo Zero superó a su predecesor de 100 a cero.

Sin embargo, los juegos de mesa tienen limitaciones. Primero, están basados ​​en turnos, lo que significa que la IA no está bajo la presión de tomar decisiones en un entorno que cambia constantemente. En segundo lugar, la IA tiene acceso a toda la información del entorno (en este caso, el tablero) y no tiene que hacer conjeturas ni asumir riesgos en función de factores desconocidos.

Considerando esto, una IA llamada Libratus hizo el siguiente avance en la investigación de inteligencia artificial al vencer a los mejores jugadores en el póker Texas Hold 'Em. Desarrollado por investigadores de Carnegie Mellon, Libratus demostró que la IA puede competir con los humanos en situaciones en las que tiene acceso a información parcial. Libratus usó varias técnicas de IA para aprender póker y mejorar su juego mientras examinaba las tácticas de sus oponentes humanos.

Los videojuegos en tiempo real son la próxima frontera para la IA, y OpenAI no es la única organización involucrada en el campo. Facebook ha probado enseñar IA para jugar al juego de estrategia en tiempo real StarCraft, y DeepMind ha desarrollado una IA que puede jugar el juego de disparos en primera persona Quake III. Cada juego presenta su propio conjunto de desafíos, pero el denominador común es que todos presentan a la IA entornos en los que tienen que tomar decisiones en tiempo real y con información incompleta. Además, le dan a AI una arena donde puede probar su poder contra un equipo de oponentes y aprender el trabajo en equipo.

Por ahora, nadie había desarrollado IA que pueda vencer a los jugadores profesionales. Pero el hecho mismo de que la IA compita con los humanos en juegos tan complejos muestra cuán lejos hemos llegado en el campo.

Los juegos ayudan a desarrollar IA en otros campos

Si bien los científicos han utilizado los juegos como bancos de pruebas para desarrollar nuevas técnicas de IA, sus logros no se han limitado a los juegos. De hecho, las IA de juegos han allanado el camino para innovaciones en otros campos.

En 2011, IBM presentó una supercomputadora que era capaz de procesar y generar lenguaje natural (NLG / NLP) y recibió su nombre del ex CEO de la compañía, Thomas J Watson. La computadora jugó el famoso juego de preguntas del programa de televisión Jeopardy contra dos de los mejores jugadores del mundo y ganó. Más tarde, Watson se convirtió en la base de una gran línea de servicios de inteligencia artificial de IBM en diferentes dominios, incluidos la salud, la ciberseguridad y el pronóstico del tiempo.

DeepMind está empleando su experiencia en el desarrollo de AlphaGo para usar IA en otros campos donde el aprendizaje de refuerzo puede ayudar. La compañía lanzó un proyecto con National Grid UK para utilizar el AlphaGo inteligente para mejorar la eficiencia de la red eléctrica británica. Google, la empresa matriz de DeepMind, también está empleando la técnica para reducir los costos de electricidad de sus enormes centros de datos al automatizar el control de consumo de sus diferentes hardware. Google también está utilizando el aprendizaje por refuerzo para entrenar robots que algún día manejarán objetos en fábricas.

• La inteligencia artificial tiene un problema de sesgo, y es nuestra culpa La inteligencia artificial tiene un problema de sesgo, y es nuestra culpa
• Inteligencia artificial de IBM se enfrenta a campeones de debate humanos Inteligencia artificial de IBM se enfrenta a campeones de debate humano
• ¿Por qué AI debe revelar que es AI? ¿Por qué AI debe revelar que es AI?

Libratus , la IA que juega al póker, podría ayudar a desarrollar el tipo de algoritmos que pueden ayudar en diversas situaciones, como negociaciones políticas y subastas, donde la IA tiene que asumir riesgos y hacer sacrificios a corto plazo para obtener ganancias a largo plazo.

Por mi parte, estoy ansioso por ver cómo se desempeñará OpenAI Five en la competencia Dota 2 de agosto. Si bien no estoy particularmente interesado en saber si las redes neuronales y sus desarrolladores se llevan a casa el premio de $ 15 millones, estoy ansioso por ver qué nuevas ventanas abrirán sus logros.