يستطيع الذكاء الاصطناعي الجديد من DeepMind إتقان الألعاب المعقدة دون تدريب مسبق على اللعب

أصبحت منصات الذكاء الاصطناعي التابعة لشركة DeepMind مشهورة في جميع أنحاء العالم في السنوات القليلة الماضية بفضل إتقانها الممتاز للألعاب المعقدة "المكثفة للدماغ" مثل الشطرنج والشوغي والغو. وبمرور الوقت، "تطورت" تدريجيًا، متغلبة على لاعبينا من لحم ودم بتقنيات التعلم الآلي المتقدمة.

في عام 2016، قدمت DeepMind AlphaGo، وهو نظام ذكاء اصطناعي يتمتع بقدرات ألعاب ممتازة. وبعد مرور عام، واصلت الشركة إطلاق AlphaGo Zero. هذا هو الوريث المثالي لـ AlphaGo، حيث يمتلك القدرة على تعلم لعب Go ببساطة من خلال مراقبة المباريات البشرية، ثم إتقان اللعبة من خلال اللعب ضد نفسك. ثم هناك AlphaZero، وهو نظام ذكاء اصطناعي أكثر تفوقًا يتمتع بالقدرة على لعب Go والشطرنج والشوجي في وقت واحد باستخدام خوارزمية واحدة فقط.

ومع ذلك، فإن النقطة المشتركة بين خوارزميات الذكاء الاصطناعي المذكورة أعلاه هي أنها تحتاج جميعًا إلى الخضوع لتدريب متعمق على طريقة اللعب بالإضافة إلى قواعد اللعبة حتى تتمكن من إتقان لعبة معينة. هذه عملية معقدة وتستغرق وقتا طويلا نسبيا.

لحل المشكلة، أطلقت DeepMind للتو نظام ذكاء اصطناعي جديد متفوق للغاية يسمى MuZero. هذا الذكاء الاصطناعي قادر على لعب Go، والشطرنج، وshogi، ومجموعة من ألعاب Atari بطلاقة دون الحاجة إلى التدريب مسبقًا على مجموعات قواعد الألعاب المذكورة أعلاه. سوف يتعلم كل شيء من تلقاء نفسه، ويمكنه بعد ذلك لعب هذه الألعاب بشكل جيد أو حتى أفضل من أي من خوارزميات DeepMind السابقة.

MuZero قادر على لعب العديد من الألعاب المعقدة بطلاقة

إن إنشاء خوارزمية يمكنها التكيف مع كل موقف في اللعبة دون تدريب مسبق، مع الاستمرار في القدرة على معرفة كيفية التخطيط لإتقان تلك اللعبة هو في الواقع تحدي كبير ظل باحثو الذكاء الاصطناعي يبحثون عن حل له لفترة طويلة. حاول DeepMind القيام بذلك باستخدام طريقة تسمى "Lookahead Search". باستخدام هذه التقنية، ستأخذ خوارزمية الذكاء الاصطناعي في الاعتبار المواقف والحالات المتوقعة لإنشاء خطة عمل.

لتسهيل الفهم، فكر في لعبة استراتيجية مثل الشطرنج. قبل اتخاذ قرار أو أي خطوة، ستحتاج إلى التفكير في كيفية رد فعل خصمك والتخطيط وفقًا لذلك. وبالمثل، يستخدم الذكاء الاصطناعي أيضًا طريقة البحث Lookahead لمحاولة التخطيط لبعض التحركات مسبقًا. ثم حدد وحدد أولويات التحركات التي لديها أعلى احتمالية أن تؤدي إلى النصر.

المشكلة في هذا النهج هي أن معظم مواقف العالم الحقيقي (وحتى بعض الألعاب) لا تحتوي على مجموعة بسيطة من القواعد التي تحكم كيفية عملها. لذلك قام الباحثون بحل المشكلة من خلال جعل الذكاء الاصطناعي يحاول وضع نموذج لكيفية تأثير لعبة معينة أو بيئة سيناريو معينة على النتيجة. ثم استخدم المعرفة والمعلومات التي تم الحصول عليها لوضع خطة. الحد من هذه الطريقة هو أن نمذجة كل جانب يكاد يكون مستحيلاً.

لذلك، بدلاً من نمذجة كل شيء، ستحاول MuZero فقط مراعاة العوامل المهمة لاتخاذ القرارات، على غرار البشر. على سبيل المثال، عندما ننظر من النافذة ونرى سحبًا داكنة تتشكل على مسافة بعيدة، سينجذب معظمنا إلى أفكار حول المطر أو العواصف الرعدية أو كيف يجب أن نرتدي ملابسنا لتجنب التعرض للبلل إذا خرجت... بدلاً من التفكير حول قضايا مثل التكثيف وضغط الهواء. إنه شكل من أشكال التفكير الانتقائي الغريزي. الطريقة التي "يفكر بها" MuZero هي نفسها.

عندما يتعلق الأمر باتخاذ القرار، يجب على MuZero أن تأخذ في الاعتبار ثلاثة عوامل مختلفة. وسوف يأخذ في الاعتبار نتائج القرار السابق، والوضع الحالي، وأخيرًا أفضل مسار للعمل لاتخاذ القرار التالي. هذا النهج الذي يبدو بسيطًا يجعل من MuZero الخوارزمية الأكثر فعالية التي ابتكرتها DeepMind حتى الآن.

MuZero هي واحدة من الخوارزميات الأكثر كفاءة

في الاختبارات الداخلية، أظهرت النتائج أن أداء MuZero مشابه لأداء AlphaZero في لعبة الشطرنج وGo وshogi. وهي أفضل من جميع الخوارزميات التي تم إصدارها مسبقًا، بما في ذلك Agent57، في ألعاب Atari. بالإضافة إلى ذلك، كلما زاد الوقت الذي يمنحه MuZero للتفكير في إجراء ما، زادت كفاءة الخوارزمية.

يمكن لقدرات التعلم الآلي القوية التي تتمتع بها MuZero أن تساعد يومًا ما في حل المشكلات المعقدة في العديد من المجالات "الساخنة" اليوم، مثل الروبوتات - حيث لا يوجد مكان للقواعد.