Googles DeepMind wendet sich nach der Eroberung von Go StarCraft II zu

DeepMind von Google hat angekündigt, das StarCraft II-Spiel des Spieleentwicklungsstudios Blizzard zu nutzen als Testplattform für künstliche Intelligenz (KI) und maschinelle Lernforschung, die das Umfeld öffnet weltweit.

Die Ankündigung, die während der BlizzCon-Konferenz von Blizzard am Sonntag in Anaheim gemacht wurde, hat beide Unternehmen gesehen Aufbau einer offenen Forschungsumgebung, die ab 2017 von jedem auf der ganzen Welt sowie von DeepMind genutzt werden kann selbst.

„Wir haben eng mit dem StarCraft II-Team zusammengearbeitet, um eine API zu entwickeln, die etwas Ähnliches unterstützt wie frühere Bots, die mit a geschrieben wurden „Skriptbasierte“ Schnittstelle, die die programmgesteuerte Steuerung einzelner Einheiten und den Zugriff auf den gesamten Spielstatus ermöglicht (mit einigen neuen Optionen wie Also)," sagte DeepMind.

„Letztendlich werden Agenten direkt von Pixeln aus spielen. Um uns dorthin zu bringen, haben wir eine neue bildbasierte Schnittstelle entwickelt, die eine vereinfachte Ausgabe ermöglicht RGB-Bilddaten mit niedriger Auflösung für Karte und Minikarte sowie die Option, Features in separate „Ebenen“ aufzuteilen, z. B. Geländehöhenfeld, Einheitentyp, Einheit Gesundheit usw.

Die beiden arbeiten auch an der Erstellung von „Lehrplanszenarien“ – einer Leiter, die immer komplexer wird Aufgaben, damit KI-Forscher aller Niveaus ihr System zum Laufen bringen, Algorithmen vergleichen können usw Vorauszahlung. StarCraft II wird außerdem über Bearbeitungswerkzeuge verfügen, um den teilnehmenden Forschern Flexibilität und Kontrolle zu ermöglichen.

Laut DeepMind sind Videospiele eine der besten Möglichkeiten, KI zu testen und zu entwickeln, wobei das Unternehmen StarCraft II als „den Gipfel der 1v1-Wettbewerbsvideospiele“ bezeichnet.

„DeepMind verfolgt die wissenschaftliche Mission, die Grenzen der KI zu erweitern und Programme zu entwickeln, die lernen können, jedes komplexe Problem zu lösen, ohne dass man ihnen sagen muss, wie“, sagte DeepMind.

„Spiele sind die perfekte Umgebung dafür und ermöglichen es uns, intelligenter und intelligenter zu entwickeln und zu testen.“ Wir können flexible KI-Algorithmen schnell und effizient nutzen und außerdem sofortiges Feedback darüber geben, wie es uns geht Punkte."

DeepMind fügte hinzu, dass es auch 2D-Spiele auf Atari und verwendet hat komplexe Spiele wie Go um sein KI-System zu testen.

Laut DeepMind kommt StarCraft II einer realen Umgebung näher als jedes andere Spiel, das es bisher zum Testen verwendet hat, da es in Echtzeit gespielt wird.

„Die Fähigkeiten, die ein Agent benötigt, um sich durch die Umgebung zu bewegen und StarCraft gut zu spielen, könnten letztendlich auf Aufgaben in der realen Welt übertragen werden“, heißt es darin.

Beim Spielen von StarCraft muss das KI-System Echtzeitstrategien entwickeln, um zu Beginn des Spiels eine der drei verschiedenen Rassen auszuwählen. entscheiden, wann und wie Mineralien und Gas angebaut werden sollen; entscheiden, wann und welche Gebäude und Einheiten gebaut werden sollen; und das Erkunden unsichtbarer Bereiche der Karte und das Merken dieser Navigationsinformationen im Laufe des Spiels.

Eine KI-Engine müsste daher die Fähigkeiten des Gedächtnisses, der Kartierung, der langfristigen Planung und der Anpassung an Veränderungen nutzen Pläne unter Verwendung von Informationen, die kontinuierlich gesammelt werden, was zu hierarchischer Planung und Verstärkung führt Lernen.

Letzten Monat gaben Forscher von DeepMind bekannt, dass sie eine KI entwickelt haben, die Wissen wie eine Karte speichert und es so ermöglicht Navigieren in solch komplizierten Systemen wie die Londoner U-Bahn.

Der differenzielle neuronale Computer (DNC) von DeepMind trainiert sein Gedächtnis durch einen Prozess, bei dem er seine eigenen Antworten mit den richtigen Antworten vergleicht, wobei er jedes Mal näher daran kommt, selbst korrekte Antworten zu produzieren.

„Wir wollten DNCs auf Probleme testen, bei denen es um den Aufbau von Datenstrukturen und die Verwendung dieser Datenstrukturen zur Beantwortung von Fragen ging. „Diagrammdatenstrukturen sind sehr wichtig für die Darstellung von Datenelementen, die beliebig verbunden werden können, um Pfade und Zyklen zu bilden“, sagen die DeepMind-Forscher Alexander Graves und Greg Wayne erklärt im Oktober.

„Als wir die Stationen und Linien der Londoner U-Bahn beschrieben, konnten wir einen DNC bitten, Fragen zu beantworten wie: ‚Beginnen Sie in der Bond Street und nehmen Sie die Die Mittellinie in einer Richtung mit einer Haltestelle, die Circle-Linie in einer Richtung mit vier Haltestellen und die Jubilee-Linie in einer Richtung mit zwei Haltestellen. An welcher Haltestelle fahren Sie? hoch?'. Oder das DNC könnte Routen anhand von Fragen wie „Wie kommt man von Moorgate zum Piccadilly Circus?“ planen.“

Nach dem Hinzufügen von externem Speicher erreichte der DNC eine durchschnittliche Genauigkeit von 98,9 Prozent.

DeepMind hat kürzlich auch die Entwicklung eines tiefen neuronalen Netzwerks angekündigt, das produziert menschenähnliche Text-zu-Sprache Systeme.

Das neuronale Netzwerk schloss die Lücke zwischen maschinell erzeugter Sprache und menschlicher Sprache um etwa 50 Prozent, sagte DeepMind im September, sowohl für US-Englisch als auch für Mandarin-Chinesisch.

DeepMind arbeitet außerdem mit dem britischen National Health Service zusammen, um mit dem Einsatz von maschinellem Lernen zu experimentieren Planen Sie den Einsatz einer Strahlentherapie für einzelne Patienten mit Kopf- und Halskrebs, was die Wartezeiten für Eingriffe verkürzen und landesweit mehr Zeit für Ärzte freisetzen könnte.

„Bei diesen Krebsarten kann die Segmentierung [Strahlentherapieplanung] etwa vier Stunden dauern. Und obwohl das Spezialistenteam des UCLH in seinem speziellen Zentrum für Kopf- und Halskrebs in diesem Prozess landesweit führend ist, gibt es immer noch Potenzial für Innovationen. „Wir glauben, dass maschinelles Lernen einen Unterschied machen könnte“, sagte DeepMind im September.