- Topik
16k Popularitas
2k Popularitas
2k Popularitas
41k Popularitas
17k Popularitas
60k Popularitas
31k Popularitas
3k Popularitas
94k Popularitas
27k Popularitas
- Sematkan
16k Popularitas
2k Popularitas
2k Popularitas
41k Popularitas
17k Popularitas
60k Popularitas
31k Popularitas
3k Popularitas
94k Popularitas
27k Popularitas
Dari simulasi hingga inovasi: apa yang dipelajari AI dari game?
Wang Shu Postdoctoral Fellow, Tencent Research Institute
Meng Jingzhi Magang di Tencent Research Institute
Pada tanggal 13 Juli, majalah "Science" menerbitkan sebuah artikel berjudul "Game Terus Mendorong Perkembangan dan Kemajuan Kecerdasan Buatan", yang membahas secara rinci hubungan antara game dan kecerdasan buatan, dan percaya bahwa "game menyediakan bidang aplikasi yang menjanjikan untuk umum. pekerjaan intelijen. Menggunakan game sebagai platform untuk mempelajari kecerdasan buatan memiliki manfaat langsung bagi industri video game global senilai $200 miliar." [1]
Jadi, apa hubungan antara game dan kecerdasan buatan, bagaimana game mempromosikan pengembangan dan kemajuan kecerdasan buatan, dan apa pengaruhnya terhadap kehidupan manusia?
Sinergi dan simbiosis: game dan kecerdasan buatan saling melengkapi
Melihat kembali seluruh sejarah perkembangan ilmu informasi atau ilmu komputer, tidak sulit untuk menemukan bahwa game hampir melewati seluruh proses pengembangan penelitian kecerdasan buatan, dan setiap terobosan tonggak sejarah di bidang kecerdasan buatan berkaitan erat dengan game. Sebelumnya, Game Philosophy Research Center Universitas Xiamen membahas hubungan antara game dan pengembangan kecerdasan buatan dari tiga tingkatan teori, perangkat keras, dan aplikasi. [2] ：
**Game ini menginspirasi teori kecerdasan buatan dan membantu penelitian dan pengembangan kecerdasan buatan. **Dari Shannon, bapak informasi, mulai mempelajari kecerdasan buatan dengan catur sebagai objeknya pada tahun 1950, hingga Samuel, pelopor kecerdasan buatan, menemukan algoritma pembelajaran penguatan berdasarkan catur. Permainan papan seperti catur dan catur telah lama dianggap sebagai "lalat buah penelitian AI", yaitu media berbiaya rendah dan mudah dipahami untuk memverifikasi masalah dengan cepat. Saat ini, pesatnya perkembangan industri game secara langsung mendorong berkembangnya penelitian teoretis tentang kecerdasan buatan. Dari tahun 1971 hingga 2015, jumlah makalah penelitian kecerdasan buatan terkait game kurang dari 1.000. Namun, sejak AlphaGO mengalahkan juara Go Eropa tiga kali Fan Hui pada tahun 2015, penelitian kecerdasan buatan terkait game telah mengalami pertumbuhan yang luar biasa. Sejak tahun 2015 hingga 2022 Dalam 7 tahun 2019, jumlah makalah relevan mencapai 1625, dimana 17 makalah diantaranya menjadi artikel sampul “Alam” dan “Sains”. [3]
**Game ini mempromosikan inovasi dan iterasi kecerdasan buatan infrastruktur daya komputasi GPU (kartu grafis grafis). **Mengambil contoh perusahaan chip Nvidia, dilihat dari perubahan pendapatan dan total pendapatan bisnis game dan pusat data Nvidia dari tahun 1995 hingga 2022, hampir seluruh pendapatan Nvidia di masa-masa awal berasal dari bisnis game, dan Nvidia, mengandalkan bisnis game, menyelesaikan akumulasi dana, dan membangun hambatan teknis untuk membangun kekuatan untuk transformasi selanjutnya. Saat ini, Nvidia dengan cepat menjadi pemimpin chip kecerdasan buatan berkat akumulasi teknologi yang kaya dalam kartu grafis game dan investasi penelitian dan pengembangan yang tinggi. Saat ini, Nvidia memiliki pangsa pasar sebesar 95% dalam chip pelatihan AI. [4] . Banyak teknologi yang dikumpulkan oleh kartu grafis game juga telah menjadi kunci yang mendasari kemampuan GPU NVIDIA, dan diterapkan ke lebih banyak bidang seperti mengemudi otonom, perawatan medis, ilmu kehidupan, energi, layanan keuangan, dan manufaktur.
**Game memberikan kecerdasan buatan dengan lingkungan pelatihan yang dapat dikontrol dan standar pengukuran yang jelas. **Permainan berisi tujuan, aturan, dan tantangan, dan proses penyelesaian tantangan mencerminkan kecerdasan. Oleh karena itu, ketika membuat sebuah program yang dapat menyelesaikan permainan tertentu, dapat diasumsikan bahwa program tersebut akan memiliki semacam "kecerdasan" yang "mirip manusia" sampai batas tertentu. Di satu sisi, game ini memiliki adegan interaksi manusia-komputer yang kaya serta aturan yang stabil dan dapat dikontrol, yang dapat memecahkan masalah kurangnya adegan penelitian kecerdasan buatan. Di sisi lain, game memberikan standar pengukuran yang jelas untuk kecerdasan buatan, dan kemampuan untuk mengevaluasi kecerdasan buatan dengan aturan yang jelas dan terukur dalam game dapat sangat meningkatkan efisiensi iterasi dan pengujian teknologi.
Seiring dengan iterasi teknologi dan inovasi aplikasi, semakin banyak perusahaan, universitas, dan lembaga penelitian ilmiah mulai melakukan penelitian inovasi kecerdasan buatan berdasarkan game. Penelitian kecerdasan buatan game telah berkomitmen untuk menciptakan tubuh cerdas seperti manusia sejak awal, dan untuk mencapai konfrontasi dengan manusia dalam lingkungan informasi sempurna/informasi tidak sempurna (seperti kecerdasan buatan AlphaStar berdasarkan "StarCraft 2", kecerdasan buatan berdasarkan "DOTA2 ") Intelligent OpenAIFive, dll.), diperluas untuk fokus pada pembuatan otomatis berbagai konten dalam game (lingkungan virtual), untuk lebih meningkatkan pengalaman interaksi manusia-komputer. Belum lama ini, pada Konferensi Kecerdasan Buatan Dunia 2023, sejumlah universitas bersama-sama meluncurkan "Pusat Penelitian Bersama Universitas Kecerdasan Buatan Game", dengan fokus pada hubungan pengembangan antara game dan industri kecerdasan buatan.
Dari aturan sederhana hingga simulasi rumit: manusia mengajarkan AI untuk "berjalan dan berlari"
Di antara banyak penelitian kecerdasan buatan game yang berfokus pada pengalaman interaktif, yang paling umum adalah generasi tindakan dari agen cerdas. Agen adalah objek virtual atau nyata yang dikendalikan oleh mesin yang dapat bertindak dan bereaksi sesuai dengan kondisi internal dan eksternal yang berbeda. Perwakilan tipikal adalah karakter yang tidak dikendalikan oleh pemain (NPC) dalam sebuah game. Teknologi pembangkit gerak tubuh cerdas terutama mempelajari bagaimana membuat perilaku tubuh cerdas sehalus dan sealami manusia nyata, dan selanjutnya meningkatkan pengalaman interaksi manusia-komputer. Jika bidang visi komputer dan pemrosesan bahasa alami dalam penelitian kecerdasan buatan masing-masing berfokus pada kemampuan pemahaman gambar, teks, dan bahasa, maka pembangkitan tindakan agen sesuai dengan bidang kecerdasan buatan untuk mengontrol perilaku dan tindakan.
Secara historis, perkembangan teknologi pembangkitan tindakan telah melalui proses dari aturan sederhana hingga simulasi kompleks, dari mesin keadaan terbatas paling awal hingga algoritma pencocokan gerak, dan kemudian menghasilkan tindakan berdasarkan pembelajaran mesin. Dengan mensimulasikan tindakan manusia, agen secara bertahap mempelajari Walk dan berlari seperti manusia.
(1) Pembuatan tindakan berdasarkan pencocokan aturan
Di lingkungan virtual, berbagai tindakan agen, seperti berjalan, berlari, melompat, menyerang, dll., Dianggap sebagai keadaan yang berbeda. Pengembang awal biasanya menggunakan "mesin negara" untuk mengontrol perilaku agen, dengan menggabungkan tindakan agen yang berbeda sesuai dengan kondisi yang berbeda. Keuntungan dari pendekatan ini adalah aturan transisi antar keadaan dapat didefinisikan dengan jelas, misalnya keadaan berjalan dapat diubah menjadi berlari atau melompat. Gambar di bawah menunjukkan finite state machine yang digunakan oleh agen dalam permainan.
Tidak sulit untuk menemukan bahwa keuntungan dari pendekatan ini adalah bahwa pendekatan ini dapat dengan jelas mendefinisikan aturan transisi antar keadaan, misalnya, keadaan berjalan dapat diubah menjadi berlari atau melompat; keterbatasannya adalah mungkin sulit untuk menangani keadaan yang rumit. interaksi perilaku dan meramalkan perubahan keadaan di masa depan. Perancangan dan pemeliharaan mesin negara bisa menjadi sangat kompleks dan memakan waktu untuk sistem yang sangat kompleks karena kebutuhan logika tulisan tangan untuk berpindah dari satu node ke node lainnya.
Untuk mengatasi keterbatasan penerapan mesin negara, para ilmuwan kecerdasan buatan game mulai mengeksplorasi solusi pembangkitan gerakan yang lebih efisien, dan teknologi pencocokan gerakan (Motion Matching) muncul. Dibandingkan dengan mesin negara, teknologi ini tidak lagi perlu menyambungkan segmen data penangkapan gerak yang berbeda secara manual, tetapi menggunakan data penangkapan gerak untuk membangun database pose tindakan, dan memilih serta menggabungkan segmen gerakan yang paling sesuai secara real time sesuai dengan keadaan saat ini. dan status target agen. . Hasilnya, kontrol animasi yang lebih kompleks dan halus dapat diwujudkan sesuai dengan keadaan karakter dan faktor lingkungan secara real-time, sehingga tubuh cerdas dapat menghadirkan efek gerakan yang lebih alami dan halus.
Tentu saja, teknologi pencocokan gerak juga memiliki keterbatasan tertentu dalam praktiknya, misalnya perlu menyimpan semua data animasi dalam memori saat menggunakannya, yang memakan banyak memori, semua animasi adalah konten yang ada di database, yang tidak dapat direalisasikan. Inovasi dalam animasi gerak. Bahkan di "Red Dead Redemption 2", yang membuat NPC cukup realistis, hanya menyadari "pencocokan olahraga". Meskipun gim ini telah merancang ratusan animasi aksi yang berbeda untuk kudanya, dan bahkan ada ratusan suara berbeda untuk terengah-engah, ini bukanlah kecerdasan yang sebenarnya, tetapi ditumpuk oleh aturan mesin negara yang sangat besar dan sumber daya animasi.
(2) Pembuatan tindakan agen berdasarkan pembelajaran mesin
Baik itu berdasarkan mesin negara atau teknologi pencocokan gerak, pada dasarnya belum mewujudkan pembangkitan tindakan cerdas yang nyata, dan terdapat masalah sistem yang kompleks dan kerugian besar dalam proses penerapan pendaratan. Jadi, adakah cara untuk menambahkan data tindakan sebanyak yang Anda suka saat melatih model, dan tidak perlu memasukkan data tambahan ini ke dalam memori saat menjalankan game?
Untuk itu, kalangan akademisi dan industri dalam dan luar negeri telah banyak melakukan eksplorasi, berupaya mewujudkan pembangkitan otomatis tindakan tubuh cerdas berbasis pembelajaran mesin. Di luar negeri, perusahaan Amerika EA mengembangkan teknologi HyperMotion pada tahun 2021, yang sangat meningkatkan realisme dan kecepatan respons gerakan tubuh cerdas dalam game seri FIFA. Solusi teknisnya pertama-tama menggunakan teknologi penangkapan gerak untuk menangkap lebih dari 8,7 juta bingkai data gerak dari 22 manusia pemain sepak bola profesional dalam permainan, dan kemudian menggunakan algoritme pembelajaran mesin untuk terus belajar dari 8,7 juta bingkai data, dan akhirnya mewujudkan yang sebenarnya. -Pergerakan waktu tubuh cerdas dalam game menghasilkan. [7]
Di Cina, sejak 2019, Tencent telah mencoba menerapkan model jaringan saraf regresif mandiri (ARNN) ke solusi pembangkitan aksi agen, dan telah membuat kemajuan terobosan. ARNN adalah algoritma pembelajaran mesin yang banyak digunakan dalam menganalisis dan memproses data deret waktu, dan sering digunakan dalam skenario seperti prakiraan cuaca dan pasar saham. Jika dapat digunakan di bidang aksi, dimungkinkan untuk menangkap sejumlah besar orang nyata dan memasukkan data untuk pelatihan, biarkan model AI memprediksi bingkai berikutnya dari bingkai urutan tindakan, dan akhirnya menghasilkan bingkai lengkap dan tindakan alam secara koheren.
Untuk mencapai tujuan ini, pada tahun 2019, tim "Reverse Battle Mobile Games" dari Tianmei J3 Studio bekerja sama dengan Laboratorium Tencent RoboticsX, berdasarkan penelitian model ARNN, membuka dan secara bertahap menyelesaikan teknologi mutakhir di lapangan permainan dan robot - penelitian dan pengembangan "Teknologi Generasi Aksi Tubuh Cerdas". Teknologi ini didasarkan pada prinsip model ARNN, mempelajari data penangkapan gerak, dan menggunakan algoritme adaptif berbasis data untuk memungkinkan NPC atau robot menghasilkan tindakan, reaksi, dan ekspresi secara otomatis yang lebih mirip makhluk nyata berdasarkan reaksi eksternal yang berbeda seperti seperti operasi pemain atau perubahan lingkungan. .
Rangkaian solusi teknologi pembuatan aksi berbasis ARNN yang diusulkan oleh tim game seluler anti-perang Tencent ini telah mencapai banyak terobosan dalam industri ini:
Pertama, untuk mengimplementasikan algoritme jaringan saraf autoregresif, para peneliti membuat rantai alat lengkap dari awal, dan membuat saluran produksi lengkap melalui langkah-langkah seperti penangkapan gerak, pemrosesan awal animasi, pelatihan, dan penyetelan. Untuk mengatasi masalah sinkronisasi jaringan dan pengoptimalan kinerja yang mungkin ada saat teknologi ini diterapkan pada terminal seluler, tim mengadopsi teknologi pencocokan lintasan, teknologi animasi fusi, dan solusi tingkat algoritme yang sesuai, yang sangat meningkatkan kinerja keseluruhan dan mengurangi saraf. kinerja jaringan Overhead memori untuk inferensi.
Kedua, tim peneliti bekerja sama dengan Tencent RoboticsX Lab untuk menerapkan teknologi pembangkitan gerakan tubuh cerdas pada robot berkaki empat guna membantunya mewujudkan kontrol cerdas dan pengambilan keputusan, serta sangat meningkatkan efisiensi pelatihan. Dalam penerapan algoritmanya sendiri, rangkaian teknologi ini dapat membantu robot meningkatkan kemampuan berpikirnya, membantu robot membuat keputusan secara mandiri, dan secara otomatis menghasilkan tindakan, reaksi, dan ekspresi yang lebih mirip makhluk nyata berdasarkan reaksi eksternal. Di bawah penelitian dan pelatihan berkelanjutan, setelah banyak pelatihan simulasi, robot yang dilengkapi dengan teknologi ini telah mempelajari gerakan anjing nyata seperti berjalan, berlari, melompat, berdiri, dll., dan dapat secara fleksibel menggunakan postur ini untuk menyelesaikan merangkak, rintangan berlari, rintangan Parkour antar-jemput antar objek, dan tugas lainnya; bahkan jika Anda menghadapi rintangan yang tidak Anda ketahui sebelumnya, Anda dapat menghindarinya dengan kilatan cahaya, dengan cekatan menghindarinya, mengubah lintasan secara mandiri, dan menggunakan rencana rute yang berbeda untuk menyelesaikan tujuan yang ditetapkan (seperti yang ditunjukkan pada gambar di bawah). [8]
Dari imitasi hingga transendensi: kecerdasan buatan game memengaruhi dunia nyata
Berdasarkan lingkungan game, manusia telah mengajarkan kecerdasan buatan cara mencapai "berjalan dan berlari" dengan lebih baik di lingkungan virtual, tetapi nilai penelitian kecerdasan buatan game tidak berhenti di situ. Seperti disebutkan dalam artikel majalah Science, "Kemajuan dalam kecerdasan buatan dalam game juga akan menjadi langkah penting menuju sistem AI yang lebih kuat dan fleksibel yang beroperasi di dunia nyata."** Delapan belas seni bela diri yang dipelajari oleh kecerdasan buatan melalui "imitasi" di permainan memiliki karakteristik dan nilai yang dapat ditransfer dan universal dalam berbagai masalah dan skenario nyata. **
Dalam praktik akademisi dan industri di dalam dan luar negeri, peneliti dari lembaga penelitian ilmiah dan perusahaan juga mencoba menerapkan lebih banyak teknologi kecerdasan buatan game ke bidang lain, menggunakan AI game untuk menghubungkan ekonomi nyata, dan membentuk produktivitas digital di lebih banyak bidang:
Di bidang diagnosis medis, teknologi terkait kecerdasan buatan game juga digunakan dalam penelitian medis dan praktik klinis serta bidang medis dan kesehatan lainnya, termasuk skrining yang dipersonalisasi, diagnosis, prognosis, pemantauan, pemodelan risiko, penemuan obat, dan prediksi respons pengobatan, dll. . Terutama dalam meningkatkan kecepatan dan ketepatan identifikasi dan diagnosis penyakit, teknologi kecerdasan buatan game memberikan dukungan yang efektif. Teknologi kecerdasan buatan game juga dapat mensimulasikan adegan virtual dari kondisi atau operasi pasien melalui data historis, memberikan dukungan untuk pengambilan keputusan medis melalui pembelajaran penguatan, dan juga memungkinkan operasi dengan bantuan robot.
Dalam bidang kegiatan pendidikan, kecerdasan buatan game juga memiliki potensi penerapan yang besar. Di satu sisi, masyarakat dapat merujuk pada hasil penelitian kecerdasan buatan game untuk menciptakan atau meningkatkan bentuk aktivitas pengajaran baru seperti "Pembelajaran berbasis game" dan "Gamifikasi dalam Pendidikan", sehingga dapat meningkatkan proses pengajaran tradisional. elemen dan mekanisme unik dari permainan ke dalam permainan untuk mencapai tujuan meningkatkan efek pembelajaran; di sisi lain, orang juga dapat menggunakan lingkungan permainan seperti "My World", "StarCraft", dan "Glory of the King" untuk membantu melaksanakan kegiatan pengajaran dengan kecerdasan buatan (pada kenyataannya, hampir tidak mungkin melakukan kegiatan pengajaran pembelajaran penguatan tanpa lingkungan permainan). [9]
Dapat diperkirakan bahwa dalam jangka waktu mendatang, mengeluarkan teknologi kecerdasan buatan game dari lingkungan game akan menjadi arah penerapan utama. Kami juga berharap bahwa kecerdasan buatan game dapat membantu inovasi dan pengembangan semua lapisan masyarakat setelah keluar dari dunia maya.
Terima kasih kepada banyak pakar dari Tencent Tianmei J3 Studio atas bimbingannya selama proses penulisan artikel ini.
Sumber Referensi:
[1] Wurman,PR., Stone, P., & Spranger, M (2023) Meningkatkan kecerdasan buatan dengan permainan. Sains,381(6654), 147-148.
[2] Pusat Penelitian Filsafat Game Universitas Xiamen, dll. "Laporan Pengamatan Industri Kecerdasan Buatan Game"
[3] Penelitian terbaru yang dilakukan oleh tim Akademi Ilmu Pengetahuan Tiongkok: Teknologi permainan telah menjadi kekuatan pendorong penting bagi inovasi dan pengembangan kecerdasan buatan.
[4] Dari game hingga akselerasi AI: Nvidia di kiri, AMD di kanan.
[5] Holden, Daniel "Kontrol Karakter dengan Jaringan Syaraf Tiruan dan Pembelajaran Mesin".
[6] Holden, Daniel "Kontrol Karakter dengan Jaringan Syaraf Tiruan dan Pembelajaran Mesin".
[7] Teknologi Hypermotion FIFA22
[8] Perkembangan terbaru dalam robot Tencent: belajar "berlari dan melompat" dari anjing sungguhan
[9] Pusat Penelitian Filsafat Game Universitas Xiamen "Laporan Pengembangan Kecerdasan Buatan Game 2023"