Eine KI kann menschliche Spieler bei Schach, Go, Poker und anderen Spielen schlagen, die mehrere Strategien erfordern, um zu gewinnen. Die künstliche Intelligenz namens Student of Games (SoG) wurde von Google DeepMind erstellt. Das Unternehmen sagt, dass dies ein Schritt in Richtung allgemeiner künstlicher Intelligenz sei, die in der Lage sei, jede Aufgabe mit übermenschlicher Leistung zu erledigen. Ein verwandter Artikel wurde kürzlich in Science Advances veröffentlicht.
Martin Schmid, der einst bei DeepMind in der Forschung zu künstlicher Intelligenz tätig war, arbeitet heute bei einem Start-up-Unternehmen namens Equilibrium Technology. Er sagte, das SoG-Modell lasse sich auf zwei Projekte zurückführen. Eines davon ist DeepStack, eine künstliche Intelligenz, die von Schmid und anderen Teams an der University of Alberta in Kanada entwickelt wurde. Es ist die erste künstliche Intelligenz, die menschliche Profispieler in einem Pokerspiel besiegt. Ein anderes ist AlphaZero von DeepMind, das die besten menschlichen Spieler in Spielen wie Schach und Go schlägt.
Der Unterschied zwischen diesen beiden Modellen besteht darin, dass man sich auf Spiele mit unvollkommenem Wissen konzentriert – Spieler kennen den Status anderer Spieler nicht, wie zum Beispiel die Hände in einem Pokerspiel; Das andere konzentriert sich auf perfekte Wissensspiele wie Schach, bei denen beide Spieler jederzeit die Position aller Figuren sehen können. Beides erfordert grundsätzlich unterschiedliche Herangehensweisen. DeepMind beauftragte das gesamte DeepStack-Team mit dem Ziel, ein Modell zu entwickeln, das beide Arten von Spielen fördern kann, und SoG war geboren.
Schmid sagte, dass das SoG als „Blaupause“ begann, um das Spiel zu erlernen und es dann durch Übung zu verbessern. Dieses Anfängermodell kann dann frei in verschiedenen Spielen spielen und sich selbst beibringen, gegen eine andere Version seiner selbst zu spielen, neue Strategien zu erlernen und nach und nach leistungsfähiger zu werden. Während sich DeepMinds vorheriges AlphaZero an perfekte Wissensspiele anpassen konnte, passt sich SoG sowohl an perfekte als auch an unvollkommene Wissensspiele an und ist damit allgemeiner.
Die Forscher testeten SoG bei Schach, Go, Poker und einem Brettspiel namens Scotland Yard. Sie testeten SoG auch auf Leduc-Poker und einer angepassten Version von Scotland Yard und stellten fest, dass es mehrere bestehende KI-Modelle und menschliche Spieler schlagen konnte. Man solle auch lernen können, andere Spiele zu spielen, sagte Schmid. „Es gibt viele Spiele, die man einfach ausprobieren kann, und es wird wirklich, wirklich gut darin sein.“
Dieses breite Leistungsspektrum geht mit einem leichten Leistungsabfall im Vergleich zu den spezialisierteren Algorithmen von DeepMind einher, aber SoG schlägt die besten menschlichen Spieler in den meisten erlernten Spielen problemlos. Schmid sagte, SoG habe gelernt, gegen sich selbst zu spielen, um sich im Spiel zu verbessern, aber auch herauszufinden, was mit dem aktuellen Stand des Spiels möglich sein könnte, selbst wenn es sich um ein unvollkommenes Wissensspiel handelte.
„Wenn man ein Spiel wie Poker spielt, ist es schwierig herauszufinden, wie man den besten nächsten Zug findet, wenn man nicht weiß, welche Karten der Gegner hat“, sagte Schmid. „Es gibt also einige Ideen von AlphaZero und einige Ideen von DeepStack, die diese riesige Ideenkombination bilden, die Student of the Game ist.“
Michael Rovatsos von der University of Edinburgh im Vereinigten Königreich, der nicht an der Studie beteiligt war, sagte, dass die Forschungsergebnisse zwar beeindruckend seien, es aber noch ein langer Weg sei, bis künstliche Intelligenz als allgemeine Intelligenz betrachtet werden könne, denn Spiele seien eine Umgebung, in der alle Regeln und Verhaltensweisen klar definiert seien, und nicht die reale Welt.
„Hier ist es wichtig zu betonen, dass es sich um eine kontrollierte, in sich geschlossene künstliche Umgebung handelt, in der die Bedeutung von allem und die Konsequenzen jeder Handlung sehr klar sind“, sagte Rovatsos. „Dieses Problem ist ein Spielzeugproblem, denn obwohl es sehr komplex sein mag, ist es nicht real.“
Verwandte Papierinformationen: https://doi.org/10.1126/sciadv.adg3256