В области исследований появился инновационный метод оценки интеллекта модели ИИ: погружение в мир Minecraft без предварительного знания его окружения, чтобы наблюдать его способность к адаптации.
Minecraft, самая продаваемая видеоигра всех времен, также оказывается благодатной почвой для разработки моделей искусственного интеллекта, способных решать широкий спектр задач, как и люди.
Стивен Джеймс из Университета Витватерсранда в Южной Африке и его команда разработали тестовый тест, лежащий в основе Minecraft, предназначенный для оценки общего интеллекта моделей ИИ. Их создание MinePlanner измеряет способность ИИ отказываться от ненужных элементов для решения сложных задач, требующих нескольких этапов.
По словам Джеймса, многие методы обучения ИИ ограничиваются предоставлением модели всех данных, необходимых для выполнения конкретной задачи, опуская все, что можно считать второстепенным. Эта стратегия эффективна для разработки программного обеспечения для конкретных функций, таких как прогнозирование погоды или сворачивание белков, но ее недостаточно для создания общего искусственного интеллекта (AGI).
Джеймс утверждает, что будущим моделям ИИ придется решать сложные проблемы, и надеется, что MinePlanner послужит компасом в этом поиске. Столкнувшись с препятствием внутри игры, ИИ придется обрабатывать ландшафт, дополнительные объекты и другие лишние детали, которые ему придется научиться игнорировать. Ей необходимо будет изучить свое окружение, чтобы самостоятельно определить основные элементы для решения проблемы.
MinePlanner состоит из 15 строительных задач, каждая из которых предлагает легкий, средний и сложный уровни сложности, всего 45 задач. Для их выполнения ИИ может потребоваться выполнить промежуточные действия, например построить лестницу для размещения блоков на определенной высоте. Это подразумевает для ИИ способность предвидеть и планировать свои действия для достижения поставленной цели.
В тестах, включающих модели расширенного планирования ИИ ENHSP и Fast Downward, две программы с открытым исходным кодом, предназначенные для координации последовательных операций для достижения общей цели, ни одна из моделей не смогла преодолеть самые сложные тесты. Fast Downward решил только одну задачу среднего уровня и пять простых задач, в то время как ENHSP показал себя немного лучше, выполнив все, кроме одной, простых задач и пропустив две задачи среднего уровня.
«Нереалистично ожидать, что человек-дизайнер будет говорить ИИ, что следует и что не следует считать актуальным для каждой задачи, с которой он может столкнуться», — говорит Джеймс. «Мы занимаемся этим вопросом».
