Игра Minecraft (тя история описан подробно Denis Koshelev) не изглежда много важен инструмент за подпомагане на напреднали изследвания в областта на ИИ. В края на краищата, важно ли е да научите една машина да играе пясъчна игра, пусната преди повече от 10 години? Ще се изненадате, но да, и това се доказва от най-новите изследвания на лабораторията OpenAI, която изучава развитието на изкуствения интелект.
OpenAI винаги фокусиран върху постиженията AI и машинно обучение, което може да бъде от полза за човечеството. Компанията наскоро успешно обучи бот да играе Minecraft, използвайки над 70 2,9 часа геймплей кадри (това е над 8 дни или почти XNUMX години, ако не друго). Това постижение бележи огромна стъпка напред в усъвършенстваното машинно обучение с помощта на наблюдение и симулация.
OpenAI ботът е чудесен пример за това как работи обучението чрез симулация (известно още като „обучение под наблюдение“). За разлика от обучението с подсилване, при което обучаващ агент се възнаграждава след постигане на цел чрез проба и грешка, симулацията обучава невронните мрежи да изпълняват конкретни задачи, като наблюдава как човек ги изпълнява. В този случай OpenAI използва съществуващи видеоклипове и уроци за геймплей, за да даде възможност на бота да изпълни сложни игрови сценарии, които биха изисквали приблизително 24 XNUMX отделни действия за нормален играч.
Също интересно:
Имитационното обучение изисква видео данните да бъдат специално етикетирани, за да предоставят контекста на действието и резултата, т.е. AI може да разбере кои бутони са натиснати и какви движения са направени. Но такъв подход може да отнеме много време, което води до ограничен набор от данни.
Вместо да напрягат мускулите си чрез извършване на широкомащабно упражнение за ръчно етикетиране на данни, изследователският екип на OpenAI използва специален подход, известен като видео предварително обучение (VPT), за да разшири броя на наличните видеоклипове. Първоначално изследователите са записали 2 часа анотиран геймплей Minecraft и го използва, за да обучи агента да свързва определени действия с конкретни резултати на екрана. Полученият модел беше използван за автоматично генериране на етикети за 70 XNUMX часа немаркирано съдържание на Minecraft, достъпно онлайн. Това даде на бота много по-голям набор от данни за разглеждане и симулиране.
Също интересно:
Това проучване демонстрира потенциалната стойност на достъпни видео хранилища, като напр YouTube, като образователен ресурс за AI. Учените с машинно обучение могат да използват достъпни и правилно етикетирани видеоклипове, за да обучат AI за конкретни задачи, от проста уеб навигация до подпомагане на потребители с физически нужди в реалния живот.
Можете да помогнете на Украйна да се бори срещу руските нашественици. Най-добрият начин да направите това е да дарите средства на въоръжените сили на Украйна чрез Savelife или през официалната страница НБУ.
Също интересно: