AI ใหม่ของ DeepMind สามารถเชี่ยวชาญเกมที่ซับซ้อนได้โดยไม่ต้องฝึกฝนการเล่นเกมล่วงหน้า

แพลตฟอร์มปัญญาประดิษฐ์ของ DeepMind มีชื่อเสียงไปทั่วโลกในช่วงไม่กี่ปีที่ผ่านมา ต้องขอบคุณความเชี่ยวชาญที่ยอดเยี่ยมของเกมที่ซับซ้อนและ "เน้นสมอง" เช่น หมากรุกและโชกิ และ Go เมื่อเวลาผ่านไป พวกเขาค่อยๆ "พัฒนา" โดยเอาชนะผู้เล่นเกมเนื้อหนังของเราด้วยเทคนิคการเรียนรู้ของเครื่องขั้นสูง

ในปี 2559 DeepMind ได้เปิดตัว AlphaGo ซึ่งเป็นระบบ AI ที่มีความสามารถในการเล่นเกมที่ยอดเยี่ยม หนึ่งปีต่อมา บริษัทยังคงเปิดตัว AlphaGo Zero ต่อไป นี่คือผู้สืบทอดที่สมบูรณ์แบบของ AlphaGo โดยมีความสามารถในการเรียนรู้การเล่น Go เพียงแค่สังเกตการแข่งขันของมนุษย์ จากนั้นจึงเชี่ยวชาญเกมด้วยการเล่นกับตัวเอง นอกจากนี้ยังมี AlphaZero ซึ่งเป็นระบบ AI ที่เหนือกว่าด้วยความสามารถในการเล่นโกะ หมากรุก และโชกิไปพร้อมกันด้วยอัลกอริธึมเพียงตัวเดียว

อย่างไรก็ตาม จุดร่วมของอัลกอริธึม AI ข้างต้นคือพวกเขาทั้งหมดต้องได้รับการฝึกอบรมเชิงลึกเกี่ยวกับการเล่นเกมตลอดจนกฎของเกมเพื่อให้สามารถเชี่ยวชาญเกมบางเกมได้ นี่เป็นกระบวนการที่ซับซ้อนและใช้เวลานาน

เพื่อแก้ไขปัญหานี้ DeepMind เพิ่งเปิดตัวระบบ AI ใหม่ที่เหนือกว่าอย่างมากที่เรียกว่า MuZero AI นี้สามารถเล่น Go หมากรุก โชกิ และชุดเกม Atari ได้อย่างคล่องแคล่ว โดยไม่ต้องผ่านการฝึกชุดกฎของเกมข้างต้นมาก่อน มันจะเรียนรู้ทั้งหมดด้วยตัวเอง จากนั้นจะสามารถเล่นเกมเหล่านี้ได้เช่นกันหรือดีกว่าอัลกอริธึมใดๆ ก่อนหน้านี้ของ DeepMind

MuZero สามารถเล่นเกมที่ซับซ้อนมากมายได้อย่างคล่องแคล่ว

การสร้างอัลกอริธึมที่สามารถปรับให้เข้ากับทุกสถานการณ์ในเกมโดยไม่ต้องมีการฝึกอบรมล่วงหน้า ในขณะที่ยังคงสามารถหาวิธีการวางแผนเพื่อเชี่ยวชาญเกมนั้นได้ ถือเป็นความท้าทายที่ยิ่งใหญ่ที่นักวิจัยด้าน AI ของนักพัฒนาซอฟต์แวร์มองหาวิธีแก้ปัญหามาเป็นเวลานาน DeepMind พยายามทำเช่นนี้โดยใช้วิธีการที่เรียกว่า "Lookahead Search" ด้วยเทคนิคนี้ อัลกอริธึม AI จะพิจารณาสถานการณ์และสถานะที่คาดหวังเพื่อสร้างแผนปฏิบัติการ

เพื่อให้เข้าใจง่ายขึ้น ให้นึกถึงเกมเชิงกลยุทธ์ เช่น หมากรุก ก่อนที่จะตัดสินใจหรือเคลื่อนไหว คุณจะต้องพิจารณาว่าคู่ต่อสู้จะตอบสนองอย่างไรและวางแผนตามนั้น ในทำนองเดียวกัน AI ยังใช้วิธีการ Lookahead Search เพื่อพยายามวางแผนการเคลื่อนไหวบางอย่างล่วงหน้า จากนั้นเลือกและจัดลำดับความสำคัญของการเคลื่อนไหวที่มีแนวโน้มสูงสุดที่จะนำไปสู่ชัยชนะ

ปัญหาของแนวทางนี้คือสถานการณ์ในโลกแห่งความเป็นจริงส่วนใหญ่ (และแม้กระทั่งบางเกม) ไม่มีกฎเกณฑ์ง่ายๆ ที่จะควบคุมวิธีการทำงานของมัน ดังนั้นนักวิจัยจึงแก้ไขปัญหาโดยให้ AI พยายามจำลองว่าสภาพแวดล้อมของเกมหรือสถานการณ์เฉพาะจะส่งผลต่อผลลัพธ์อย่างไร จากนั้นนำความรู้และข้อมูลที่ได้รับมาจัดทำแผน ข้อจำกัดของวิธีนี้คือการสร้างแบบจำลองทุกด้านแทบจะเป็นไปไม่ได้เลย

ดังนั้นแทนที่จะสร้างแบบจำลองทุกอย่าง MuZero จะพยายามพิจารณาเฉพาะปัจจัยสำคัญในการตัดสินใจเช่นเดียวกับมนุษย์เท่านั้น เช่น เวลามองออกไปนอกหน้าต่างเห็นเมฆดำก่อตัวมาแต่ไกล พวกเราส่วนใหญ่จะนึกถึงฝน พายุฝนฟ้าคะนอง หรือการแต่งตัวอย่างไรให้ไม่โดนจับ เปียกถ้าออกไปข้างนอก… แทนที่จะคิด เกี่ยวกับปัญหาต่างๆ เช่น การควบแน่นและความกดอากาศ มันเป็นรูปแบบหนึ่งของการคิดแบบเลือกสัญชาตญาณ วิธีที่มูซีโร่ "คิด" ก็เหมือนกัน

ในการตัดสินใจ MuZero จะต้องคำนึงถึงปัจจัยที่แตกต่างกันสามประการ โดยจะพิจารณาผลลัพธ์ของการตัดสินใจครั้งก่อน สถานการณ์ปัจจุบัน และแนวทางปฏิบัติที่ดีที่สุดในการตัดสินใจครั้งถัดไป แนวทางที่ดูเหมือนเรียบง่ายนี้ทำให้ MuZero เป็นอัลกอริธึมที่มีประสิทธิภาพสูงสุดที่ DeepMind เคยสร้างมาจนถึงปัจจุบัน

MuZero เป็นหนึ่งในอัลกอริธึมที่มีประสิทธิภาพสูงสุด

ในการทดสอบภายใน ผลลัพธ์แสดงให้เห็นว่า MuZero ทำงานคล้ายกับ AlphaZero ในหมากรุก Go และโชกิ และดีกว่าอัลกอริธึมที่เปิดตัวก่อนหน้านี้ทั้งหมด รวมถึง Agent57 ในเกม Atari นอกจากนี้ ยิ่ง MuZero มีเวลามากเท่าใดในการพิจารณาดำเนินการ อัลกอริธึมก็จะยิ่งมีประสิทธิภาพมากขึ้นเท่านั้น

วันหนึ่งความสามารถในการเรียนรู้อัตโนมัติอันทรงพลังของ MuZero สามารถช่วยแก้ปัญหาที่ซับซ้อนในหลายสาขาที่ "กำลังมาแรง" ในปัจจุบัน เช่น หุ่นยนต์ ซึ่งไม่มีที่สำหรับกฎเกณฑ์ ง่าย ๆ