AI-nyhederJiwatode får spil til at forstå årsag og virkning
Forskere har lavet en metode, der automatisk oversætter videospil til modeller, så AI selv kan ræsonnere om spillets årsager og konsekvenser.
Det nye trick
Mohit Jiwatode og kolleger viser, hvordan man tager et VGDL-spil og oversætter det til et kausalt netværk. Det betyder, at AI-systemet ikke bare ser handlinger, men forstår, at fx at åbne en dør kræver en nøgle, og at en fjende dukker op, hvis man træder på en bestemt fælde.
Hvorfor det gør en forskel
Normale spil-AI'er gætter sig frem med enorme mængder prøvefejl. Med kausale modeller har AI'en pludselig et mentalt kort over spillets regler. Den kan stille spørgsmål som ‚hvad hvis?' og forudsige udfald uden at skulle prøve alt. Det sparer tid og giver langt mere fleksible spilrobotter.
Vejen videre
Holdet bag håber, at metoden kan bruges i mange spiltyper og på sigt hjælpe med at bygge AI, der også ræsonnerer om den virkelige verden. Forhåbentlig kan det gøre spiloplevelsen både sjovere og sværere – og måske give dig modstandere, der tænker, i stedet for bare at reagere.
- Forskningen er fra Mohit Jiwatode, Bodo Rosenhahn og Alexander Dockhorn.
- Metoden automatisk kompilerer VGDL-spil til kausale modeller.
- Kausale modeller beskriver sammenhænge mellem hændelser i spillet.
- AI kan bruge modellen til at ræsonnere om årsag og virkning.
- Målet er at gøre AI nemmere at træne og mere fleksibel.
- Papiret er uploadet på arXiv.
Du kan få spilrobotter, der forstår spillets logik i stedet for bare at gætte – så dine modstandere bliver mere overraskende og realistiske.
Kilder:
arXiv cs.AI →
Genfortalt i egne ord af AI-nyheder.com · Tjek altid originalkilden, før du handler på vigtige oplysninger.