AI పరిశోధనను ముందుకు తీసుకెళ్లేందుకు DeepMind మళ్లీ గేమ్లను ఉపయోగిస్తోంది
“సంక్లిష్ట, డైనమిక్, ప్లేయర్-నిర్దేశిత వ్యవస్థల్లో మేధస్సు”ను అధ్యయనం చేయాలనే లక్ష్యంతో ఉన్న ఒక పరిశోధన భాగస్వామ్యంలోని భాగంగా, Google DeepMind EVE Online వెనుక ఉన్న కంపెనీలో స్వల్ప వాటాను తీసుకుంది. ఈ చర్య గేమింగ్లోని అత్యంత విస్తృతమైన వర్చువల్ ఆర్థిక వ్యవస్థలు, సామాజిక వాతావరణాల్లో ఒకదాన్ని దీర్ఘకాల ప్రణాళిక, జ్ఞాపకం, నిరంతర అభ్యాసం కోసం నిర్మించిన AI వ్యవస్థలను పరీక్షించే కొత్త ప్రయత్నం కేంద్రంగా ఉంచుతుంది.
ఈ భాగస్వామ్యం EVE డెవలపర్లో పెద్ద వ్యాపార మార్పుతో కలిసి వస్తోంది. CCP Games వెనుక ఉన్న నిర్వహణ బృందం, మాజీ యజమాని Pearl Abyss నుండి తామే కొనుగోలు చేసుకోవడానికి 120 మిలియన్ డాలర్లు ఖర్చు చేసామని, మరియు కొత్తగా స్వతంత్ర సంస్థకు Fenris Creations అని పేరు మార్చుతున్నామని ప్రకటించింది. సంస్థ పునర్వ్యవస్థీకరణ లేదా ఉద్యోగాల తొలగింపులు లేకుండా కార్యకలాపాలు కొనసాగుతాయని తెలిపింది.
EVE Online ఎందుకు ప్రత్యేకంగా నిలుస్తుంది
DeepMind మరియు Fenris, EVE Onlineను అధ్యయనానికి ప్రత్యేకంగా సమృద్ధిగా ఉన్న వాతావరణంగా వివరించాయి. ఆ వాదనను అర్థం చేసుకోవడం కష్టం కాదు. EVE దీర్ఘకాల కాలరేఖలు, స్థిరమైన ప్లేయర్ ప్రవర్తన, సంక్లిష్ట వ్యూహాత్మక నిర్ణయాలు, మరియు చిన్న, వేరువేరు మ్యాచ్లలో కాకుండా ఒక జీవంత వ్యవస్థలో జరిగే పరస్పర చర్యల కోసం ప్రసిద్ధి చెందింది. ఈ లక్షణాలు దానిని AI పరిశోధనలో సాధారణంగా ఉపయోగించే అనేక ప్రమాణ వాతావరణాల కంటే చాలా భిన్నంగా చేస్తాయి.
ప్రకటన ప్రకారం, DeepMind ప్రత్యక్ష ఆన్లైన్ ప్రపంచంలో నేరుగా కాకుండా, స్థానిక సర్వర్పై హోస్ట్ చేసే ప్రత్యేకంగా రూపొందించిన ఆఫ్లైన్ వెర్షన్లో తన మోడళ్లపై నియంత్రిత ప్రయోగాలు నిర్వహిస్తుంది. ఈ విధానం రెండు కారణాల వల్ల ముఖ్యమైనది. మొదటిది, ప్రయోగాలను వాణిజ్య సేవ నుంచి వేరుగా ఉంచి నిజమైన ఆటగాళ్ల అనుభవాన్ని కాపాడుతుంది. రెండవది, సంక్లిష్ట పరిస్థితుల్లో మోడళ్ల ప్రవర్తన ఎలా ఉంటుందో పరీక్షించడానికి పరిశోధకులకు మరింత సురక్షితమైన, నియంత్రిత వాతావరణాన్ని ఇస్తుంది.
బోర్డు గేమ్ల నుంచి వర్చువల్ ప్రపంచాల వరకు
DeepMindకు మెషిన్ లెర్నింగ్కు పరీక్షా భూములుగా గేమ్లను ఉపయోగించే దీర్ఘ చరిత్ర ఉంది. ప్రారంభ మైలురాళ్లలో Goలో బ్రేక్థ్రూలు, Atari గేమ్లలో బలమైన పనితీరు, మరియు StarCraftలో విజయం ఉన్నాయి. ఇటీవలి కాలంలో, భౌతిక వాస్తవానికి సంబంధించిన నైపుణ్యాలను AI వ్యవస్థలు నేర్చుకోవడానికి సహాయపడే మార్గంగా “virtual world” మోడళ్లను కంపెనీ అన్వేషిస్తోంది.
EVE భాగస్వామ్యం ఆ దారిని సామాజిక సంక్లిష్టత, దీర్ఘకాల ప్రణాళిక అసాధారణంగా ప్రధానమైన డొమైన్లోకి విస్తరించింది. ఇది కేవలం పరిమిత పోటీలో ఒక కదలికను మెరుగుపరచడం గురించి కాదు. సమాచారం, ప్రోత్సాహాలు, మరియు సాధ్యమైన భవిష్యత్తులు సులభంగా సంకోచించలేని, మారుతూ ఉండే వాతావరణంలో దిశానిర్దేశం చేయడం గురించి.
Fenris CEO Hilmar Veigar Pétursson, EVE అనేది ఇప్పటికే జీవంత ప్రపంచంలా ప్రవర్తించే దాని లోపల మేధస్సుకు సంబంధించిన ప్రశ్నలను అన్వేషించగల కొద్ది స్థలాల్లో ఒకటని వాదించారు. ఈ వాతావరణం DeepMind మోడళ్లకు కష్టమైన సమస్యలు, దీర్ఘకాల రేఖలు, మరియు విచిత్రమైన అవకాశాలను అన్వేషించేందుకు వీలు కల్పిస్తుందని ఆయన అన్నారు.
ఈ భాగస్వామ్యం ఏమి వెల్లడించగలదు
ఈ సహకారం విజయవంతమైతే, సవాళ్లను తక్షణ ఆప్టిమైజేషన్తో మాత్రమే పరిష్కరించలేని సందర్భాల్లో AI వ్యవస్థలు ఎలా పని చేస్తాయో పరిశోధకులు మెరుగ్గా అర్థం చేసుకోవడానికి ఇది సహాయపడవచ్చు. జ్ఞాపకం, అనుకూలనం, వ్యూహాత్మక స్థైర్యం ఇవన్నీ ప్రస్తుత మోడళ్లకు కఠినమైన ప్రాంతాలు. EVE వంటి సెట్టింగ్, వ్యవస్థలు ఎక్కడ బలహీనంగా ఉంటాయో, ఎక్కడ మరింత సాధారణ సామర్థ్యాన్ని చూపడం మొదలుపెడతాయో బయటపెట్టగలదు.
ఈ సాంకేతికతలు ప్రారంభించే కొత్త గేమ్ప్లే అనుభవాలను కూడా అన్వేషిస్తామని కంపెనీలు తెలిపాయి. అది ఈ ఒప్పందాన్ని పరిశోధనా సమాజం వెలుపల కూడా ఆసక్తికరంగా చేస్తుంది. సాండ్బాక్స్ ప్రయోగాల్లో చేసిన పురోగతులు చివరికి ఇంటరాక్టివ్ డిజిటల్ ప్రపంచాల రూపకల్పనకు తిరిగి ప్రవహించవచ్చని ఇది సూచిస్తోంది.
అయితే తక్షణ ప్రాముఖ్యత విధానపరమైనది. DeepMind శుద్ధ అభ్యాసాతీతం కంటే గందరగోళంగా, డైనమిక్గా, సామాజికంగా ఆకృతిగొన్న స్థలంలో మేధస్సును అధ్యయనం చేయాలని ఎంచుకుంటోంది. ఇది AI పరిశోధనలోని విస్తృత అవగాహనను ప్రతిబింబిస్తుంది: మోడళ్లు నిజ ప్రపంచాన్ని నిర్వహించగలవని భావిస్తే, వాటిని శుభ్రమైన పజిల్లకంటే జీవంత వ్యవస్థలను ఎక్కువగా పోలిన వాతావరణాల్లో పరీక్షించాల్సి రావచ్చు.
EVE Online యొక్క విస్తారమైన సిమ్యులేషన్ సంవత్సరాలుగా ఇదే రకమైన సంక్లిష్టతను సృష్టిస్తోంది. ఇప్పుడు, సాండ్బాక్స్ వాస్తవానికి మరింత దగ్గరగా కనిపించినప్పుడు, అధునాతన AI ఏమి నేర్చుకోగలదో అనే కొత్త ప్రయోగంలో అది భాగమవుతోంది.
ఈ వ్యాసం Ars Technica నివేదికలపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.
Originally published on arstechnica.com