Dit AI-systeem van DeepMind vertegenwoordigt een belangrijke doorbraak op het gebied van AI-spelbesturing. In tegenstelling tot eerdere systemen die op specifieke spellen waren afgestemd, kan deze AI een breed scala aan moderne 3D-spellen effectief spelen.

De belangrijkste innovatie is dat de AI niet afhankelijk is van spelspecifieke gegevens of coördinaten, maar in plaats daarvan de ruwe visuele invoer van het spelscherm verwerkt, net als een menselijke speler. Hierdoor kan de AI de 3D-spelwereld begrijpen en hoe deze in de loop van de tijd verandert, een prestatie die voorheen als ongelooflijk moeilijk voor een AI-systeem werd beschouwd.

Opvallend is dat de AI niet alleen goed presteert op individuele spellen, maar ook het vermogen toont om kennis die is opgedaan bij het spelen van meerdere spellen over te dragen, waardoor ze specialistische agenten die langdurig op één spel zijn getraind, overtreft. Dit toont de capaciteit van de AI voor leren en het toepassen van kennis in verschillende domeinen, een kenmerk van intelligentie.

Hoewel de huidige prestaties nog niet op menselijk niveau zijn, zijn de resultaten veelbelovend en suggereren ze dat met verdere verfijning dit AI-systeem de weg kan effenen voor de ontwikkeling van veelzijdige AI-agenten die mensen kunnen ondersteunen bij een breed scala aan 3D-gebaseerde taken en uitdagingen.

Dit AI-systeem van DeepMind is een belangrijke vooruitgang op het gebied van AI-spelbesturing. In tegenstelling tot eerdere AI-agenten die op specifieke spellen waren afgestemd, kan deze AI een verscheidenheid aan moderne 3D-spellen effectief spelen. Het belangrijkste verschil is dat deze AI niet afhankelijk is van spelspecifieke gegevens zoals coördinaten of scores. In plaats daarvan verwerkt het de spelwereld rechtstreeks via de pixels op het scherm, net als een menselijke speler.

Dit vermogen om de 3D-spelwereld vanuit een 2D-pixelrepresentatie te begrijpen, is ongelooflijk indrukwekkend, vooral voor complexe 3D-spellen. De AI kan de spelomgeving waarnemen, veranderingen in de loop van de tijd bijhouden en het spel bedienen met behulp van het toetsenbord en de muis, allemaal zonder toegang tot de onderliggende spelgegevens.

Bovendien verbetert de prestatie van de AI wanneer deze op meerdere spellen wordt getraind, in plaats van slechts één. Dit toont een niveau van generalisatie en kennisoverdracht dat kenmerkend is voor mensachtige intelligentie. De AI kan inzichten die zijn opgedaan in één spel toepassen om zijn prestaties in andere spellen te verbeteren.

Hoewel het huidige succespercentage nog niet op menselijk niveau ligt, is het potentieel voor verdere vooruitgang duidelijk. De onderzoekers willen de mogelijkheden van de AI om zich in langetermijnstrategische planning te betrekken, zoals het vinden van hulpbronnen en het bouwen van een kamp in een strategiespel, verder verkennen. Dit vertegenwoordigt de volgende stap in het creëren van AI-systemen die de 3D-wereld werkelijk kunnen begrijpen en mensen kunnen ondersteunen.

Het artikel onthult een verrassende bevinding - nadat de AI-agent op meerdere spellen was getraind, was hij in staat om beter te presteren op elk individueel spel in vergelijking met een specialistische agent die uitsluitend op dat ene spel was getraind. Dit suggereert dat het vermogen om kennis te leren en toe te passen in verschillende domeinen, een kenmerk van menselijke intelligentie, ook de prestaties van AI-systemen in complexe 3D-videospellen kan verbeteren.

De basisprestatieniveau van de specialistische agent, die uitgebreid op één spel was getraind, werd overtroffen door de agent die was blootgesteld aan een verscheidenheid aan spellen, zelfs op het eigen spel van de specialistische agent. Dit toont de kracht van cross-domein kennisoverdracht, waarbij de AI in staat is om algemene principes en strategieën te extraheren en toe te passen die in verschillende spelomgevingen van toepassing zijn.

Deze bevinding daagt de traditionele notie van AI-systemen die smal gespecialiseerd zijn en beperkt tot de specifieke taken waarvoor ze zijn getraind, uit. In plaats daarvan wijst het op het potentieel voor meer flexibele en aanpasbare AI-agenten die hun ervaringen in één domein kunnen benutten om hun capaciteiten in een ander domein te verbeteren. Dit is een belangrijke stap in de richting van het creëren van AI-systemen die de 3D-wereld kunnen begrijpen en mensen kunnen ondersteunen bij een breed scala aan uitdagende taken.

Hoewel de prestaties van dit nieuwe AI-systeem indrukwekkend zijn, zijn ze nog niet op menselijk niveau. Het succespercentage, hoewel redelijk voor een eerste poging, laat nog ruimte voor verbetering. Zelfs mensen behalen geen 100% op deze complexe 3D-gameopdrachten, dus er is volop ruimte voor de AI om zijn capaciteiten verder te ontwikkelen en te verfijnen.

Eén belangrijke beperking is de lengte van de sequenties die de AI kan verwerken, die momenteel beperkt is tot 10 seconden. Dit beperkt zijn vermogen om zich in te laten met intensere, langetermijnstrategische planning, zoals het vinden van hulpbronnen en het bouwen van een kamp in een strategiespel. Het overwinnen van deze beperking zal waarschijnlijk een focus zijn van toekomstig onderzoek aan dit systeem.

Ongeacht deze huidige beperkingen is de auteur optimistisch over het potentieel voor incrementele verbeteringen om iets werkelijk bijzonders te creëren. Het vermogen van de AI om te leren van het spelen van meerdere spellen en specialisten op hun eigen spellen te overtreffen, is een veelbelovend teken van zijn aanpassingsvermogen en groeipotentieel.

Zoals de auteur opmerkt, gaat het bij dit AI-systeem niet alleen om het spelen van videospellen, maar om een stap in de richting van het creëren van AI-agenten die de 3D-wereld kunnen begrijpen en mensen kunnen ondersteunen bij een breed scala aan uitdagende taken. De auteur kijkt er naar uit om te zien wat het DeepMind-team als volgende zal onthullen en is van plan om zo snel mogelijk meer inzichten met het publiek te delen.

Het doel van het nieuwe AI-systeem van DeepMind is niet alleen om uit te blinken in het spelen van een verscheidenheid aan moderne 3D-videospellen, maar om AI-agenten te creëren die mensen kunnen begrijpen en ondersteunen bij een breed scala aan uitdagende real-world taken. Door te leren de spelwereld waar te nemen via de pixels op het scherm en ermee te interacteren met behulp van het toetsenbord en de muis, toont de AI het vermogen om complexe 3D-omgevingen te begrijpen en te navigeren, net als een mens.

Deze vaardigheid is een belangrijke stap in de richting van het uiteindelijke doel om AI-systemen te ontwikkelen die kunnen samenwerken met mensen in de echte wereld. De onderzoekers willen de kennis en vaardigheden die zijn opgedaan uit deze beheersing van videospellen, gebruiken om agenten te creëren die mensen kunnen ondersteunen bij uiteenlopende taken, van strategische planning tot hulpbronbeheer en verder.

Hoewel de huidige prestaties van de AI nog niet op menselijk niveau zijn, zijn de onderzoekers ervan overtuigd dat ze door middel van incrementele verbeteringen tot opmerkelijke capaciteiten kunnen komen. De sleutel is om niet te focussen op de huidige beperkingen, maar op het potentieel voor toekomstige vooruitgang, zoals de Eerste Wet van Artikelen suggereert.

Door de grenzen van wat AI kan bereiken, te blijven verleggen, banen de onderzoekers van DeepMind de weg voor een toekomst waarin AI-systemen naadloos kunnen integreren met en ondersteunen bij menselijke inspanningen, waardoor ons vermogen om te navigeren en te gedijen in de complexe 3D-wereld waarin we leven, wordt verbeterd.

Het artikel dat door DeepMind is gepresenteerd, toont een opmerkelijke vooruitgang in het vermogen van AI om een verscheidenheid aan moderne 3D-videospellen te spelen. In tegenstelling tot eerdere AI-systemen die op specifieke spellen waren afgestemd, kan deze nieuwe AI goed presteren op meerdere spellen tegelijk.

De belangrijkste innovatie is dat de AI niet afhankelijk is van spelspecifieke gegevens of coördinaten, maar in plaats daarvan de visuele informatie rechtstreeks van de pixels van het spel verwerkt, net als een menselijke speler. Hierdoor kan de AI de 3D-wereld begrijpen en hoe deze in de loop van de tijd verandert, een belangrijke stap vooruit ten opzichte van eenvoudigere 2D-spellen.

Verrassend genoeg verbetert de prestatie van de AI wanneer deze op meerdere spellen wordt getraind, wat het vermogen demonstreert om kennis over te dragen en toe te passen in nieuwe scenario's. Dit is een kenmerk van intelligentie en suggereert dat verdere vooruitgang in deze richting kan leiden tot AI-systemen die mensen kunnen ondersteunen bij een breed scala aan uitdagende 3D-taken.

Hoewel de huidige prestaties nog niet op menselijk niveau zijn, vertegenwoordigt het artikel een belangrijke stap voorwaarts. De auteur is enthousiast om te zien welke vooruitgang er kan worden geboekt met incrementele verbeteringen en kijkt ernaar uit om het DeepMind-lab te bezoeken om meer te leren over hun nieuwste ontwikkelingen op dit gebied.