Minecraft mag nicht wie ein Werkzeug erscheinen, das in der Lage ist, fortgeschrittene KI-Forschung zu unterstützen. Nicht das OpenAI’s neueste Forschung künstliche IntelligenzEs zeigt, dass ein ausreichend trainierter Minecraft-Bot erfolgreicher sein kann als Menschen.OpenAI ist in der Lage, sich auf Fortschritte im Bereich der künstlichen Intelligenz (KI) und des maschinellen Lernens zu konzentrieren, die der Menschheit zugute kommen. Kürzlich hat die Firma mehr als 70.000 Stunden gab bekannt, dass er einen Bot erfolgreich trainiert hatte, Minecraft zu spielen, indem er ein Spielbild verwendete. Mehr als nur ein Bot, der ein Spiel spielt, markiert der Erfolg einen großen Schritt nach vorn beim maschinellen Lernen auf Beobachtungs- und Imitationsbasis.
Wertvoller Fortschritt für die KI-Ausbildung
Der von OpenAI entwickelte Bot, nachgeahmtes Lernen oder ein fast wunderbares Beispiel für kontrolliertes Lernen. Im Gegensatz zu Lernverstärkungen, die Belohnungen versprechen, wenn das Ziel erreicht ist, wird nachgeahmtes Lernen erreicht, indem man Menschen bei bestimmten Aufgaben zuschaut. Diese beiden Lerntaktiken gelten auch für uns Menschen. In diesem Fall nutzte OpenAI vorhandenes Gameplay-Material und Tutorials, um seinen Bots komplexe Durchbrüche im Spiel beizubringen, für deren Bewältigung ein typischer Spieler etwa 24.000 persönliche Züge erfordern würde.
Das größte Manko des imitierten Lernens ist, ob genügend Datensätze vorhanden sind und ob diese Datensätze von ausreichender Qualität sind. Andererseits sollte der Kontext der Inputs während des Trainings und das Ergebnis gekennzeichnet werden. Aus diesem Grund erfordert dieser Ansatz etwas mehr Aufwand, aber dieser Bereich ist sehr wertvoll für Systeme, die wir auf eine bestimmte Aufgabe spezialisieren möchten.OpenAI hingegen verwendete einen proprietären Ansatz namens Image Pre-Training (VPT), um die Anzahl der verfügbaren markierten Bilder zu erhöhen, anstatt sich mit den oben erwähnten manuellen Daten-Tagging-Prozessen zu befassen. Anfänglich wurde das System mit 2000 Stunden erklärendem Minecraft-Gameplay trainiert. Anschließend wurden die dabei gewonnenen Daten verwendet, um 70.000 Stunden bisher ungetaggter Minecraft-Inhalte zu taggen. Infolgedessen lieferte dieser Prozess dem Minecraft-Bot einen viel größeren Datensatz zum Analysieren und Emulieren.
