L’Outil Surpuissant pour Exploser ton Chiffre d'Affaires en 2025 !
AI peut vous botter le cul à tous ces jeux
Depuis la création de l'intelligence artificielle dans les années 1950, nous avons essayé de trouver des moyens de mesurer les progrès dans le domaine de l'IA. Pour beaucoup, les critères d'or pour AI le test de Turing, une évaluation de savoir si un ordinateur peut présenter un comportement humain. Mais le test de Turing ne définit que si l'IA peut tromper les humains et non les concurrencer, et il est très difficile de dire à quelle profondeur le test va.
L'intelligence d'IA, de nombreux scientifiques croient, sont des jeux, des domaines où les concurrents peuvent mesurer et comparer leur succès et déterminer clairement lequel est le plus performant. Pendant des décennies, nous avons opposé des algorithmes d'intelligence artificielle contre des humains dans divers jeux avec des règles et des difficultés différentes.
Et un par un, AI a maîtrisé ces jeux. Voici une liste des jeux les plus significatifs que l'IA a conquis ces dernières années, prouvant qu'elle peut être performante ou supérieure à celle des joueurs humains compétents.
L'IA bat le champion du monde d'échecs
drosophile d'AI », une référence à la recherche génétique révolutionnaire sur les mouches des fruits au début du 20e siècle
Les échecs informatiques sont presque aussi vieux que l'IA moderne elle-même, avec les premières itérations apparues dès 1959. Plusieurs institutions éducatives et scientifiques ont essayé de créer des moteurs d'IA capables de rivaliser avec les humains. Les jeux d'échecs faisaient partie intégrante des ordinateurs personnels depuis leur apparition dans les années 1980.
Cependant, nous avons dû attendre jusqu'au milieu des années 1990 avant de voir le premier joueur d'échecs artificiellement intelligent capable de rivaliser avec les champions du monde. En 1996, Deep Blue, un ordinateur de jeu d'échecs créé par IBM, s'est engagé dans une série de matchs d'échecs contre le champion du monde Gary Kasparov, sous la réglementation standard. Kasparov a remporté trois des matches et les deux autres ont terminé dans un match nul
L'année suivante, un Deep Blue amélioré Kasparov dans une revanche de six matchs.
Kasparov décrit la défaite " une expérience bouleversante . "Dans un essai pour Time Magazine il a écrit," je pouvais sentir – je pouvais sentir – une nouvelle sorte d'intelligence à travers la table ", en référence à un mouvement particulièrement intelligent que Deep Blue l'a fait en finale
Mais comparé à les techniques d'IA dominantes actuelles l'apprentissage automatique et l'apprentissage profond, Deep Blue était stupide. Il était alimenté par une «bonne intelligence artificielle façonnée» (GOFAI), une logique artificielle créée par l'homme qui testerait et évaluerait chaque séquence de mouvement possible à chaque tour et choisirait la meilleure.
AI gagne Jeopardy!
En 2011, IBM a présenté son nouvel ordinateur "intelligent", cette fois celui qui avait traitement du langage naturel capacités. Le nom de code «Watson», la machine artificiellement intelligente évoluerait plus tard pour devenir le noyau d'un des services les plus prospères et rentables d'IBM.
Watson a prouvé son courage dans Jeopardy! où il a augmenté contre deux adversaires humains, dont Ken Jennings, mieux connu pour avoir remporté 74 matchs d'affilée sur le célèbre quizz télévisé. Pour rivaliser dans Jeopardy, Watson devait être capable de comprendre les questions de langage naturel et de trouver les connaissances qui leur sont associées grâce à des rappels encyclopédiques. Mais ces questions sont souvent nuancées et contiennent des significations cachées et alambiquées qui sont difficiles à trouver, ce qui rend encore plus difficile.
Mais finalement, Watson a prouvé sa supériorité, et après trois matchs, il avait récolté 77 147 $ en prix contre Jennings. Brad Rutter, son autre adversaire humain et un autre Jeopardy as.
"Pour ma part, je souhaite la bienvenue à nos nouveaux supérieurs informatiques", écrit Jennings gracieusement sur son écran vidéo après avoir été défait par Jeopardy.
Watson utilisé machine learning un type d'IA qui remplace la logique codée en dur par des aperçus et des motifs qu'il glane à partir de grands ensembles de données et qui est plus efficace dans les domaines où la définition des règles est difficile. Sa victoire a prouvé que l'IA pouvait entrer dans des domaines où les problèmes n'étaient pas déterministes. Depuis lors, l'IA de Watson est entrée dans de nombreux domaines autres que les jeux, notamment les soins de santé, la cybersécurité, les prévisions météorologiques et bien d'autres choses encore.
Les maîtres IA de DeepMind vont et battent le champion du monde. "height =" 382 "données-attachement-id =" 3089 "données-permalink =" https://bdtechtalks.com/2018/07/02/ai-plays-chess-go-poker-video-games/alphago- compresseur / "data-orig-file =" https://i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago-compressor.png?fit=3360%2C1844&ssl=1 "data- orig-size = "3360,1844" data-comments-ouvert = "1" data-image-meta = "{" ouverture ":" 0 "," crédit ":" "," camera ":" "," légende " ":" "," created_timestamp ":" 0 "," copyright ":" "," focal_length ":" 0 "," iso ":" 0 "," shutter_speed ":" 0 "," title ":" " , "orientation": "0"} "data-image-title =" Alphago-compresseur "description-image-de-données =" "data-medium-file =" https://i0.wp.com/bdtechtalks.com/ wp-content / uploads / 2018/07 / Alphago-compresseur.png? fit = 300% 2C165 & ssl = 1 "données-grand-fichier =" https://i0.wp.com/bdtechtalks. com / wp-content / uploads / 2018/07 / Alphago-compresseur.png? fit = 696% 2C382 & ssl = 1 "données-recalc-dims =" 1 "données-lazy-loaded =" 1 "data-src =" https : //i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago-compressor.png? resize = 696% 2C382 & ssl = 1 "données-paresseuses =" true "données-srcset =" https : //i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago-compressor.png? w = 3360 & ssl = 1 3360w, https://i0.wp.com/bdtechtalks.com/ wp-content / uploads / 2018/07 / Alphago-compressor.png? redimensionner = 300% 2C165 & ssl = 1 300w, https://i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago -compressor.png? resize = 768% 2C421 & ssl = 1 768w, https://i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago-compressor.png?resize=1024%2C562&ssl= 1 1024w, https://i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago-compressor.png?resize=696%2C382&ssl=1 696w, https: //i0.wp. com / bdtechtalks.com / wp-content / uploads / 2018/07 / Alphago-compressor.png? redimensionner = 1068% 2C586 & ssl = 1 1068w, https://i0.wp.com/bdtechtalks.com/wp-content/uploads / 2018/07 / A lphago-compressor.png? redimensionner = 765% 2C420 & ssl = 1 765w, https://i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago-compressor.png?w=1392&ssl=1 1392w, https://i0.wp.com/bdtechtalks.com/wp-content/uploads/2018/07/Alphago-compressor.png?w=2088&ssl=1 2088w "/>
Après Deep Blue vaincu Kasparov aux échecs, un astrophysicien de Princeton a fait remarquer qu'il faudrait au moins cent ans avant que les ordinateurs et l'IA puissent battre les humains dans l'ancien jeu chinois de Go. Alors que Go a des règles de jeu plus simples que les échecs, il est beaucoup plus difficile à maîtriser. Les joueurs de Go doivent apprendre à jouer le jeu à différents niveaux, prenant des décisions à court et à long terme tout en plaçant leurs pierres sur le plateau. Selon une étude Go a plus de mouvements possibles que le nombre d'atomes dans l'univers, ce qui en fait le jeu de plateau le plus sophistiqué du monde.
Cependant, moins de deux décennies plus tard, En 2016, DeepMind, une start-up d'IA basée au Royaume-Uni et acquise par Google en 2014, a marqué l'histoire lorsque son IA AlphaGo a battu le champion du monde Go, Lee Sedol, dans un match de cinq matchs. Au début du jeu, il n'y avait pas un moment où je sentais que je menais ", a déclaré Lee Sedol après le dernier match, dans lequel AlphaGo a joué un mouvement particulièrement intelligent . ] Pour que l'IA puisse maîtriser Go de la même manière que Deep Blue maîtrisait les échecs, d'une manière brute, cela aurait exigé des quantités de puissance de calcul impossibles. Cependant, les scientifiques de DeepMind ont utilisé l'apprentissage en profondeur pour développer les compétences d'AlphaGo. En examinant des milliers de jeux joués par des humains et en jouant des centaines d'autres contre des joueurs humains, AlphaGo "apprit" les modèles communs qui constituaient des tactiques réussies dans le jeu.
DeepMind développa plus tard AlphaGo Zero une version du même IA qui pourrait atteindre – et surpasser – les mêmes résultats avec une implication humaine «nulle» (d'où le nom). La méthode utilisée dans la nouvelle itération d'AlphaZero était l'apprentissage par renforcement, une technique dans laquelle l'IA reçoit les règles de base et la mécanique du jeu et reçoit l'ordre de trouver son propre chemin. Cela signifie qu'AlphaGo Zero a joué silencieusement contre lui-même des millions de fois et a appris le jeu Go.
Après trois jours d'entraînement, AlphaGo Zero a joué 100 jeux contre sa propre version plus ancienne, qui avait vaincu Lee Sedol. . AlphaGo Zero fut plus tard généralisé à AlphaZero une IA qui maîtrisait non seulement Go, mais d'autres jeux incluant les échecs et le shogi.
Mis à part le fait que l'IA peut maîtriser les jeux Pour être le domaine exclusif de l'intelligence humaine, les réalisations d'AlphaGo ont ouvert la voie à l'utilisation de l'IA dans d'autres domaines tels que la gestion des grandes réseaux électriques
L'IA trompe ses adversaires au poker
Libratus un système d'IA qui jouait contre quatre joueurs experts du poker Texas Hold 'Em, les vaincu en 20 jours. tournoi qui a couvert plus de 120 000 mains de poker. Le Texas Hold 'Em est une version particulièrement complexe du poker qui repose fortement sur des stratégies de pari à long terme et la théorie des jeux.
Dong Kim, un des adversaires de Libratus et des meilleurs joueurs de Texas Hold' Em dans le monde À mi-chemin de la compétition, il a commencé à sentir que l'IA pouvait voir ses cartes. "Je ne l'accuse pas de tricher", a-t-il dit. "C'était juste ce bon."
Libratus a appris à jouer le jeu sans aide humaine, en utilisant l'apprentissage de renforcement pour jouer contre lui-même un billion de fois. Ses créateurs ont également intégré des systèmes d'IA complémentaires dans Libratus, dont un qui a permis de détecter et de corriger les faiblesses de l'IA principale en surveillant le comportement des joueurs humains, et un autre, appelé «solfège», qui a permis de focaliser l'attention. Libratus était remarquable non seulement parce qu'il maîtrisait un jeu qui allait au-delà de la logique et du raisonnement, mais aussi parce qu'il pouvait paver la voie de l'IA dans des contextes tels que les négociations politiques et les ventes aux enchères.
Jouer à des jeux en temps réel
L'une des limites de tous les jeux que l'IA a conquis jusqu'à présent est leur nature au tour par tour. Les adversaires doivent attendre leur tour, et quand cela arrive, ils ont assez de temps pour penser et planifier leurs mouvements sans se soucier de ce que les autres pourraient faire. Depuis quelques années, les scientifiques ont jeté leur dévolu sur les jeux vidéo en temps réel, dans lesquels tous les concurrents doivent agir simultanément.
L'idée générale est de donner à l'intelligence artificielle exactement la même information qu'un joueur humain. Il ne sera pas en mesure d'accéder aux données disponibles sous le capot, comme les adversaires informatiques dans les jeux ont généralement. Au lieu de cela, il aura une sortie vidéo qui montre la situation du jeu, de la même manière que les joueurs. En outre, il devra interagir avec le jeu de la même manière que les joueurs, ce qui signifie en lui donnant des commandes d'entrée telles que des clics de souris et des boutons de clavier.
(En réalité, les jeux sont légèrement modifiés pour le rendre plus facile pour que l'IA comprenne le contenu du jeu et envoie les commandes, mais il leur fournit essentiellement la même quantité d'informations et de contrôle que les humains.)
DeepMind tente sa chance avec StarCraft 2, le populaire jeu de stratégie en temps réel de Blizzard. Le défi des jeux RTS est que, premièrement, l'IA doit prendre des décisions en une fraction de seconde en même temps que ses adversaires, et deuxièmement, elle a des données incomplètes. Contrairement aux jeux de société, les jeux RTS tels que StarCraft ne permettent pas aux joueurs de voir la carte entière en même temps.
Les jeux en temps réel ont aussi beaucoup plus de possibilités que les jeux de table au tour par tour. Une IA jouant aux échecs doit choisir entre 35 coups à chaque tour. Dans Go, le nombre de possibilités augmente à 250 à chaque tour. Dans les jeux en temps réel, l'IA doit peser et choisir entre des milliers de mouvements possibles dans des délais inférieurs à la seconde.
Pour le moment, l'IA de DeepMinds n'a pas été capable de battre les meilleurs players dans StarCraft 2, mais cela pourrait bientôt arriver.
Un autre effort notable est celui d'OpenAI, l'organisation de recherche sur l'IA à but non lucratif fondée par Elon Musk. OpenAI a choisi Dota 2, un jeu de combat fantastique multijoueur populaire développé par Valve, comme son arène de défi. OpenAI a développé un groupe de cinq réseaux de neurones appelés "Open AI Five" qui jouaient tous les jours 180 ans de Dota 2 contre eux-mêmes pour apprendre et maîtriser le jeu. Contre les joueurs amateurs, OpenAI Five a démontré un gameplay professionnel et des capacités stratégiques. En août, nous verrons comment cela se joue contre les pros dans un tournoi officiel au Canada
Ce qui rend les jeux en temps réel significatifs, c'est qu'ils vont permettre l'intégration des systèmes AI dans des environnements complexes où l'information est limitée et les décisions doivent être prises dans le temps critique
Pourquoi est-il important pour l'IA de jouer à des jeux?
En surface, enseigner à l'IA à jouer peut sembler une perte de temps et talent pour prouver un point inutile. Mais les jeux peuvent être très importants car ils fournissent un environnement sûr pour développer et tester les techniques d'IA. Et toutes ces IA jouent leur chemin dans des domaines plus pratiques.
Une autre chose qui rend les jeux pertinents est le fait qu'ils sont des domaines limités, ce qui les rend parfaits pour développer [AI] . L'IA étroite est une technologie d'intelligence artificielle conçue pour résoudre des problèmes spécifiques par opposition à l'IA générale, qui est censée accomplir des fonctions abstraites et polyvalentes comme l'esprit humain.
Je suis général AI et je pense que l'avenir de l'intelligence artificielle réside dans l'amélioration et la combinaison des technologies d'IA étroites pour augmenter l'intelligence et les capacités humaines . L'IA générale pourrait être dans des décennies, mais l'IA étroite est ici et maintenant et trouve son chemin dans tous les aspects de nos vies. Nous avons besoin de toute l'aide que nous pouvons obtenir – y compris les jeux – pour nous assurer qu'elle ne fasse rien de stupide.
Cette histoire est réédite de TechTalks le blog qui explore la technologie résout des problèmes … et en crée de nouveaux. Comme eux sur Facebook ici et suivez-les ici:
Source link