Даже самые умные люди могут быть легко побеждены в игре алгоритмом с простой эвристикой. Но есть ли в этом ценность?

Что такого в настольных играх и видеоиграх, которые так привлекают исследования искусственного интеллекта? Все началось с алгоритмов игры в шашки в 1950-х годах, когда исследователи были поражены «мышлением» изобретённых алгоритмов игры в шашки. Затем последовали шахматы, которые стали центром исследований ИИ вплоть до 2000-х годов. 

Переносясь вперед к 2015 году, вирусное видео нейронной сети, играющей в Super Mario, повысило массовый интерес к искусственному интеллекту видеоигр.

Когда DeepMind вышел на ринок, все стало интереснее. После приобретения Google в 2014 году, средства массовой информации все больше привлекают внимание к компании и ее приложениям для искусственного интеллекта. Сначала был знаменитый алгоритм AlphaGo, который победил чемпионов мира в древней настольной игре Go в 2016 году (также есть документальный фильм от Netflix ).

Затем AlphaZero возродил интерес к исследованию алгоритмов шахмат, используя подход глубокого обучения в сочетании с методами Монте-Карло, вместо алгоритма отсечения альфа-бета, используемого IBM в 1990-х годах, а также Stockfish в 2000-х годах.

Затем DeepMind переключил свое внимание с настольных игр на видеоигры, такие как StarCraft II и Defense of the Ancients 2 (DOTA 2). В этот момент стало очевидным, что имеет место закономерность.

Геймер - это человек, и если алгоритм может играть в игру так же хорошо (или лучше, чем) человек, то он воспроизводит человеческий интеллект. Да, алгоритм может решить 24653546734 + 5345434534 быстрее, чем вы, но это не значит, что он воспроизводит или превосходит человеческий интеллект. 

Тот факт, что алгоритм был оптимизирован для выполнения одной задачи (например, игры в StarCraft), не означает, что его можно оптимизировать для выполнения любой задачи. Без явной эвристики и жесткого кодирования алгоритмы не в состоянии сделать больше чем одно действие.

Еще одно противоречивое мнение - цель не в том, чтобы пройти игру максимально эффективно, а в том, чтобы ИИ «научился» проходить игру без явного руководства и эвристики. 

Игры представляют собой полностью автономную проблему, в которой известны все возможные события, переменные и результаты. Данные могут генерироваться в играх посредством случайного игрового процесса. Игры могут иметь детерминированные результаты из-за предсказуемой и контролируемой среды. 

Если вы посмотрите за пределы глубокого изучения и рассмотрите другие алгоритмы ИИ, определенно есть некоторые совпадения решений между играми и практическими задачами. 

Вы можете создавать игровые симуляции Монте-Карло и называть их «ИИ». Для тех из вас, кто незнаком, алгоритмы Монте-Карло используют случайность для достижения цели. Например, если вы берете несколько простых случайных распределений, описывающих, сколько времени требуется для обработки клиента (нормальное распределение), а также как часто входит клиент (распределение Пуассона), вы можете создать имитации очереди клиентов.

Почему игровые алгоритмы ИИ терпят неудачу в реальном мире

Здравый смысл может указать на три причины, по которым игровой ИИ пытается найти полезность в реальном мире:

Игры - это полностью автономная среда, в которой известны все возможные события, переменные и результаты. В реальном мире неопределенность и неизвестность присутствуют повсюду, и двусмысленность является нормой. Данные могут генерироваться в играх с помощью рандомизированного игрового процесса, но это не может быть сделано для большинства реальных проблем. Вы можете генерировать данные с помощью имитаций (например, приведенный выше пример очереди клиентов), но эти данные хороши только в том случае, если имитация, которая, вероятно, уже имеет прогностическое значение. 

Именно по этим причинам такие игры, как Go, Chess, StarCraft и DOTA 2, легки для создания ИИ, но эти алгоритмы трудно использовать в реальном мире. Кроме того, в играх есть место для ошибок и плохих ходов, которые легко могут остаться незамеченными. В реальных приложениях гораздо меньше терпимости к ошибкам, если только приложение не является критическим.

Исследование искусственного интеллекта в играх - это круто и познавательно, но было бы неплохо увидеть, как некоторые из них смешивают игровые проблемы с реальными трудными проблемами, с которыми отрасли сталкиваются каждый день.