يستطيع الذكاء الاصطناعي التغلب على اللاعبين البشريين في لعبة الشطرنج وGo والبوكر وغيرها من الألعاب التي تتطلب استراتيجيات متعددة للفوز. تم إنشاء الذكاء الاصطناعي، المسمى Student of Games (SoG)، بواسطة Google DeepMind. وتقول الشركة إن هذه خطوة نحو الذكاء الاصطناعي العام القادر على أداء أي مهمة بأداء خارق. تم نشر ورقة ذات صلة مؤخرًا في Science Advances.

مارتن شميد، الذي عمل سابقًا في أبحاث الذكاء الاصطناعي في DeepMind، يعمل الآن في شركة ناشئة تسمى Equilibrium Technology. وقال إن نموذج SoG يمكن إرجاعه إلى مشروعين. أحدها هو DeepStack، وهو ذكاء اصطناعي طوره شميد وفرق أخرى في جامعة ألبرتا في كندا. إنه أول ذكاء اصطناعي يهزم اللاعبين المحترفين من البشر في لعبة البوكر. والمثال الآخر هو AlphaZero من DeepMind، والذي يتفوق على أفضل اللاعبين البشريين في ألعاب مثل الشطرنج وGo.

الفرق بين هذين النموذجين هو أن أحدهما يركز على ألعاب المعرفة غير الكاملة - حيث لا يعرف اللاعبون حالة اللاعبين الآخرين، مثل توزيعات الورق في لعبة البوكر؛ أما الآخر فيركز على ألعاب المعرفة المثالية، مثل الشطرنج، حيث يستطيع كلا اللاعبين رؤية موقع جميع القطع في أي وقت. ويتطلب الأمران نهجين مختلفين جذريا. قامت شركة DeepMind بتعيين فريق DeepStack بأكمله بهدف بناء نموذج يمكنه الترويج لكلا النوعين من الألعاب، ومن هنا ولدت شركة SoG.

قال شميد إن مجموعة SoG بدأت بمثابة "مخطط" لكيفية تعلم اللعبة ثم تحسينها من خلال التدريب. يمكن لهذا النموذج المبتدئ بعد ذلك اللعب بحرية في ألعاب مختلفة وتعليم نفسه كيفية اللعب ضد نسخة أخرى من نفسه، وتعلم استراتيجيات جديدة ويصبح أكثر قدرة تدريجيًا. في حين أن AlphaZero السابقة من DeepMind يمكن أن تتكيف مع ألعاب المعرفة المثالية، فإن SoG تتكيف مع كل من ألعاب المعرفة المثالية وغير الكاملة، مما يجعلها أكثر عمومية.

اختبر الباحثون مجموعة SoG في لعبة الشطرنج وGo والبوكر ولعبة لوحية تسمى سكوتلاند يارد. كما قاموا باختبار SoG على لعبة Leduc poker ونسخة مخصصة من لعبة Scotted Yard، ووجدوا أنها قادرة على التغلب على العديد من نماذج الذكاء الاصطناعي الحالية واللاعبين البشريين. وقال شميد إنه ينبغي أيضًا أن يكون قادرًا على تعلم ممارسة ألعاب أخرى. "هناك الكثير من المباريات التي يمكنك لعبها وستكون جيدًا حقًا في ذلك."

يأتي هذا النطاق الواسع من الإمكانات مع انخفاض طفيف في الأداء مقارنة بخوارزميات DeepMind الأكثر تخصصًا، لكن SoG تتفوق بسهولة على أفضل اللاعبين البشريين في معظم الألعاب التي تعلمتها. قال شميد إن SoG تعلمت اللعب ضد نفسها من أجل تحسين اللعبة، ولكن أيضًا لاستكشاف ما قد يكون ممكنًا من الوضع الحالي للعبة، حتى لو كانت تلعب لعبة معرفة غير كاملة.

قال شميد: "عندما تلعب لعبة مثل البوكر، فمن الصعب معرفة كيفية العثور على أفضل خطوة تالية إذا كنت لا تعرف ما هي البطاقات التي يحملها خصمك". "لذلك هناك بعض الأفكار من AlphaZero، وبعض الأفكار من DeepStack، تشكل هذا المزيج الضخم من الأفكار، وهو طالب اللعبة."

وقال مايكل روفاتسوس من جامعة إدنبرة في المملكة المتحدة، والذي لم يشارك في الدراسة، إنه على الرغم من أن نتائج البحث مثيرة للإعجاب، إلا أنه لا يزال هناك طريق طويل لنقطعه قبل أن يمكن اعتبار الذكاء الاصطناعي ذكاءً عامًا، لأن الألعاب هي بيئة يتم فيها تحديد جميع القواعد والسلوكيات بشكل واضح، وليس العالم الحقيقي.

وقال روفاتسوس "الشيء المهم الذي يجب التأكيد عليه هنا هو أن هذه بيئة مصطنعة خاضعة للرقابة ومكتفية بذاتها حيث يكون معنى كل شيء وعواقب كل عمل واضحا للغاية". "هذه المشكلة هي مشكلة لعبة، لأنها على الرغم من أنها قد تكون معقدة للغاية، إلا أنها ليست حقيقية."

المعلومات الورقية ذات الصلة: https://doi.org/10.1126/sciadv.adg3256