Компьютерные программы, которые всегда выигрывают в игры вроде шашек или техасского холдема – за счет просчета оптимальной стратегии еще до того, как начнется игра – существуют уже давно. Следующая задача – создать такую программу, которая сможет играть в любые игры, включая незнакомые ей, без опоры на заранее сформированные знания и превентивно высчитанные стратегии. На начало игры никакой информации, кроме правил самой игры. Искусственный интеллект, который покажет такой уровень гибкости, будет полезен и в других сферах – например, для изучения постановлений правительства или корпоративного законодательства.

Идею такого ИИ продвигает Международный конкурс универсальный игровых программ (International General Game Playing Competition), который проводится ежегодно с 2005 года. Сейчас участвующие в нем ИИ должны за установленное время (в пределах 5-10 минут) проанализировать незнакомую игру (например, какую-то вариацию шахмат), а затем сыграть в нее (на совершение хода дается минута) и выиграть. Здесь абсолютно не годятся привычные специализированные программы, которые досконально изучают каждый возможный в игре ход, что может занять дни и даже недели.

Майкл Генесерет (Michael Genesereth), профессор информатики Стэнфордского университета, говорит: «Это поднимает вопрос о том, где же у искусственного интеллекта собственно интеллект. В программе, которая следует командам? Или в программисте, который эти команды создает, и который понимает правила игры?»
Идея универсального игрового ИИ была озвучена еще в 1958 году Джоном Маккарти (John McCarthy), ученым-информатиком, который ввел термин «искусственный интеллект». Маккарти предсказал появление ИИ-«консультанта» («advice taker»), который не будет полагаться на пошаговые команды программиста для решения новых задач. Вместо этого он сможет адаптироваться к ситуации, используя данные о происходящем и о целях. Перефразируя писателя-фантаста Роберта Хайнлайна, этот искусственный разум будет таким же гибким, как человеческий, который может «написать сонет, сделать расчеты, построить стену, вправить кость», а не просто выполнять одну специализированную задачу.

Специализированные алгоритмы для просчета всех вариантов ходов на каждом этапе игры порой требуют вычислительных мощностей, сопоставимых с суперкомпьютерными. При этом как правило их «способности» выигрывать ограничиваются небольшим набором игр – например, го или покер. Универсальный же игровой ИИ может легко учиться новым играм, и притом совершенно самостоятельно, переводя правила на Язык описания игры (Game Description Language) – понятный ему язык программирования. То есть универсальный игровой ИИ будет опираться не на терабайты данных, а на пару страниц – например, правила игры в шахматы в таком виде занимают всего четыре страницы.

Первое поколение универсальных игровых ИИ было сосредоточено на максимизации количества доступных ходов и ограничения перемещений фигур оппонента. Такой подход был опробован в первом соревновании машин и людей «Органика против кремния» в 2005 году. В 2007 году появилось второе поколение ИИ, которое применяло популярный поисковый метод Монте-Карло – тестировало случайные ходы в игре и сравнивало конечные результаты, вычленяя, таким образом, ходы, которые чаще приводят к победе. Это был шаг вперед, но до совершенства еще было далеко.

Сейчас в соревнованиях участвую преимущественно универсальные игровые ИИ третьего поколения, которые уже могут «ориентироваться на местности», то есть обходятся без предварительного изучения игры. Такой ИИ бросает все силы на то, чтобы на десятиминутном этапе подготовки изучить игру как можно лучше, чтобы затем победить во время игры. Универсальные игровые ИИ уже способны играть не только в «медленные игры для тугодумов», такие как шахматы, но и в более динамичные, например видеоигры – шутеры от первого лица.

Третье поколение универсальных игровых ИИ, кроме того, уже достигло того уровня, на котором они могут быть полезны не только для игр, но и для выполнения более сложны задач. Например, для юридического анализа деятельности корпораций и правительственных постановлений. Майкл Генесерет говорит, что с самого начала стремился именно к этой цели – выходу игровых ИИ за рамки игр.

 

Источник: IEEE Spectrum