سایت انفجار : چگونه هوش مصنوعی با بازی StarCraft به طور تصادفی اکولوژی را یاد گرفت


بازی بوم شرطی:بازی انفجار

لو بارب خودش را گیمر مشتاق نمی نامد. وی به عنوان یک بوم شناس در دانشگاه رنس فرانسه بیشتر وقت خود را با گیاهان می گذراند. اما یک بازی تخیل او را از کودکی به خود جلب کرده است: StarCraft ، امتیاز محبوب استراتژی آنلاین که در آن بازیکنان منابع را به دست می آورند و ارتش جنگجویان بیگانه را برای جنگ با مناظر خارج از زمین می سازند. باربه می گوید: “من اصلاً بازیکن خیلی خوبی نیستم.” “اما من می فهمم چه خبر است.”

چند سال پیش ، هنگام بازی StarCraft II – آخرین نسخه بازی – ، باربی متوجه شد که در میان انفجارها و لیزرها ، اتفاق دیگری رخ می دهد. StarCraft رفتار زیادی مانند یک اکوسیستم داشت. باربه می گوید: “ما یک محیط داریم.” “ما منابع داریم. ما ارگانیسم هایی داریم که در این محیط رقابت می کنند. این تعریف یک اکوسیستم است. “

باربی این ایده را کنار گذاشت. سپس ، در سال 2019 ، DeepMind ، زیرمجموعه تحقیقات AI شرکت مادر گوگل ، Alphabet ، یک نماینده هوش مصنوعی به نام AlphaStar را در مقابل برخی از بهترین بازیکنان StarCraft II قرار داد. AlphaStar 99.8 درصد از بازیکنان انسان را آزار داد ، به تمایز مورد علاقه Grandmaster – بالاترین رتبه بازی – دست یافت و پیروزی دیگری برای رایانه ها در راهپیمایی به برتری هوش مصنوعی اضافه کرد.

تکنوتیم 1

(اعتبار: Blizzard Entertainment)

به نظر باربی رسید که ممکن است اختیارات AlphaStar محدود به دستکاری بیگانگان در یک سیاره مجازی نباشد. اگر عملکرد StarCraft بسیار شبیه به یک اکوسیستم باشد ، شاید الگوریتم های بازی بتوانند به مطالعه مشکلات زیست محیطی در زمین کمک کنند.

Barbe ، که در سال 2020 ، درمورد گرایش های بوم شناسی و تکامل می نویسد ، همراه با سایر بوم شناسان از دانشگاه Rennes و دانشگاه Brigham Young ، توضیح می دهد که چگونه توانایی های AlphaStar در مدیریت پویایی پیچیده و چند بعدی StarCraft برای آزمایش ایده های پویایی واقعی قابل استفاده است. اکوسیستم های جهانی که مدل های سنتی را از بین برده اند. به عنوان مثال ، محققان می توانند عوامل AlphaStar را بر روی نقشه های StarCraft که برای تقلید از توزیع منابع واقعی طراحی شده اند ، مستقر کنند تا مدل واکنش ارگانیسم های مختلف به اختلالات مانند گونه های مهاجم یا از بین رفتن زیستگاه را مدل کنند.

بارب می گوید ، الگوریتم AlphaStar به طور تصادفی به پیچیده ترین مدل زیست محیطی تبدیل شده است.

این ایده به جنبش گسترده تری در بوم شناسی برای استفاده از ابزارهای قدرتمند هوش مصنوعی برای تجزیه و تحلیل مشکلات زیست محیطی پیوست. اگرچه 15 تا 20 سال پیش نسبتاً غیرمعمول بود ، دانشمندان می گویند اخیراً در زمینه های مختلف انفجار مصنوعی رخ داده است ، از طبقه بندی گونه های حیات وحش تا پیش بینی شیوع سوسک در جنگل های کاج. بوم شناسان فکر می کنند ابزارهای هوش مصنوعی ، همراه با ظرفیت جدید برای جمع آوری مقدار زیادی داده در مورد زمین ، می توانند نحوه مطالعه اکوسیستم ها را تغییر دهند و توانایی ما را در پیش بینی تغییر آنها افزایش دهند. الگوریتم های پیچیده ای مانند AlphaStar – که غالباً برای اهدافی ساخته می شوند که هیچ ارتباطی با محیط زیست ندارند – می تواند به پیشرفت تحقیقات کمک کند.

تکنوتیم

(اعتبار: Blizzard Entertainment)

“[Most] مدل های زیست محیطی در مقایسه با پیچیدگی برخی از این سیستم های هوش مصنوعی بسیار ناچیز است. “، می گوید بن ابوت ، یک بوم شناس از دانشگاه بریگام یانگ و از نویسندگان مقاله AlphaStar. “ما واقعاً فقط در حال انجام کارهایی هستیم که این رویکردها می توانند انجام دهند.”

پرورش یک قهرمان

برای محققان هوش مصنوعی ، StarCraft II از زمان انتشار در سال 2010 چالش بزرگی را ارائه داده است. مانند شطرنج یا Go ، بازیکنان StarCraft واحدهای مختلف را کنترل می کنند تا به حریف خود حمله کنند ، اما آنها همچنین مکان و زمان را برای جمع آوری منابع ، زمان ساخت واحدهای جدید و کدام را انتخاب می کنند. واحدها برای ساخت ، در میان عوامل پیچیده دیگر. در حالی که یک چرخش معین در شطرنج حدود 35 حرکت ممکن دارد و بین 200 تا 250 حرکت کند ، StarCraft II 10 ^ 26 حرکت ممکن دارد. سپس ، برخلاف آنچه تئوری پردازان بازی “اطلاعات کامل” می نامند که همه بازیکنان می توانند کل فضای بازی را ببینند ، StarCraft از طریق یک نقشه بزرگ که بازیکنان فقط می توانند تا حدی مشاهده کنند بازی می شود. علاوه بر پیچیدگی ، بازیکنان به عنوان یکی از سه نژاد بیگانه – Terran ، Protoss یا Zerg – رقابت می کنند که هر یک از نقاط قوت و ضعف خاصی دارند.

برای ایجاد هوش مصنوعی که بتواند در برابر بهترین بازیکنان StarCraft II پیروز شود ، محققان DeepMind از روش های یادگیری ماشین برای آموزش الگوریتم AlphaStar استفاده کردند. در ابتدا ، محققان لیگی از عوامل هوش مصنوعی ایجاد کردند که با استفاده از داده های صدها هزار مسابقه StarCraft بین انسانها آموزش دیده اند. سپس ، آنها این لیگ نمایندگان مجازی را مقابل یکدیگر قرار دادند ، بهترین ها را انتخاب کردند و قبل از اعزام به لیگ ، آنها را از نو مخلوط کردند. آنها این روند را تکرار کردند تا زمانی که ژانگنات AlphaStar ظهور کرد. اوریول وینیالز ، که تیم DeepMind را که AlphaStar را ایجاد کرده است ، هدایت می کند ، لیگ خود را با نوعی اکوسیستم مرتبط با روند انتخاب طبیعی مقایسه می کند. وی می گوید: “الهام بسیاری برای طراحی لیگ AlphaStar از ادبیات تکاملی گرفته شده است.”

5

آهسته رشد Terran ، یکی از سه نژاد بیگانه در StarCraft II ، کمی شبیه کاکتوس های اکوسیستم بازی است. (اعتبار: Saran_Poroong / Shutterstock)

در حالی که محققان هوش مصنوعی از طبیعت الهام گرفته اند ، بارب و همکاران بوم شناس وی از این بازی الهام گرفته اند. آنها در مقاله 2020 خود ، توازن عمیق تری را بین نژادهای Terran ، Protoss و Zerg در StarCraft و استراتژی های رقابتی انواع خاصی از ارگانیسم ها شرح می دهند. به عنوان مثال واحدهای Zerg استعمارگران سریع اما جنگنده های ضعیفی هستند ، شبیه گونه های گیاهان خشن – کوچک و علف های هرز ، اما اولین واحدهایی که پس از برهم زدن اکوسیستم رشد می کنند. از طرف دیگر ، Protoss مانند سرخسهایی است که منابع زیادی را مصرف می کند و به بهترین شکل در گروه رشد می کند. تران مانند کاکتوس ها هستند: پرورش دهندگان کند ، اما در دفاع خوب. همانند یک اکوسیستم واقعی ، این “گونه ها” از استراتژی های مختلف خود برای رقابت در منابع برای الگوهای پیچیده تعامل استفاده می کنند.

اگرچه هنوز به طور رسمی آن را امتحان نکرده است ، اما بارب فکر می کند مشاهده این تعاملات بین عوامل AlphaStar در StarCraft می تواند راهی برای آزمایش فرضیه های مربوط به فرآیندهای اکولوژیکی و تکاملی باشد که مدل های آماری منظم قادر به گرفتن آن نیستند – به عنوان مثال ، پیش بینی اینکه یک تغییر کوچک در منابع موجود در یک گوشه نقشه در StarCraft برای تأثیر بر واحدهای Terran و Zerg که در گوشه مقابل قرار دارند ، موج می زند. Terran و Zerg را با درختان کاج و سوسک های پوست جایگزین کنید و خواهید دید که چگونه پیش بینی ای از این دست می تواند برای مدیران محیط زیست ارزشمند باشد. بارب می گوید: “این می تواند مانند یک ماسه بازی باشد” برای دانشمندان بازی با اکوسیستم ها.

آن تسن ، دانشمند داده دانشگاه ایالتی اورگان که به مقاله بوم شناسی StarCraft وابسته نیست ، می گوید: “این می تواند به یک مدل اسباب بازی بسیار جالب تبدیل شود که در آن شما می توانید این سیستم بسیار ساده را داشته باشید و این سوالات بسیار خاص را بپرسید.” “شما فقط باید به خاطر داشته باشید که این یک شبیه سازی است.”

فناوری مرسوم ، مد روز

در واقع ، StarCraft II – با وجود پیچیدگی های آن – بسیار ساده تر از یک اکوسیستم واقعی است. باربی خاطرنشان می کند که فرآیندهای اساسی طبیعی مانند چرخه نیتروژن در بازی اتفاق نمی افتد و همچنین روابط کلیدی بین ارگانیسم ها مانند انگلی نیست. و فقط سه گونه وجود دارد.

6

(اعتبار: Blizzard Entertainment)

ورنر رامر ، یک بوم شناس از دانشگاه فنی مونیخ ، می گوید: “به نظر من یک مشکل این است که مکانیک بازی ها – که برای سرگرمی هرچه بیشتر طراحی شده اند – فقط از لحاظ سطحی شبیه به دنیای واقعی فیزیک هستند.”

رامر می گوید که این امر تعمیم مشاهدات بازی AlphaStar ، هرچند پیچیده ، فراتر از پارامترهای بازی را به چالش می کشد.

این که آیا بوم شناسان هرگز از AlphaStar برای تحقیق استفاده نمی کنند یا نه ، ابزارهای پیشرفته و پیشرفته هوش مصنوعی برای مشکلات زیست محیطی و علوم محیطی به کار می روند.

تیسن می گوید ، ده سال پیش ، برنامه های کاربردی هوش مصنوعی در محیط زیست و علوم محیطی بیشتر به کارهای طبقه بندی محدود می شدند ، مانند شناسایی سریع گونه ها در ضبط آواز پرندگان یا انواع مناظر در تصاویر ماهواره ای. اکنون ، او می گوید ، هوش مصنوعی در محیط زیست فراتر از طبقه بندی است تا وظایف متنوع تر و جاه طلبانه تری را انجام دهد مانند پیش بینی بر اساس داده های نامرتب و بسیار ابعادی – نوع سازگار با محیط زیست.

نیکولاس لکومت ، رئیس تحقیق در بوم شناسی Polar and Boreal و یک بوم شناس در دانشگاه مونکتون در کانادا ، که از ابزار AI برای طبقه بندی تماس پرندگان در قطب شمال و پیش بینی الگوی مهاجرت آنها استفاده می کند ، می گوید: وی توضیح می دهد كه بوم شناسان می توانند با مهارت برنامه نویسی مورد نیاز برای آموزش الگوریتم های هوش مصنوعی مرعوب شوند. و جمع آوری داده های کافی برای آموزش الگوریتم ها ممکن است دشوار باشد ، ابوت تکرار می کند. دستیابی به برخی از داده ها مانند تصاویر ماهواره ای آسان است ، اما ممکن است جمع آوری برخی دیگر مانند نمونه های خاک دشوارتر باشد.

ابوت می گوید: برخی از آنها فقط به پول و همكاران ماهر موجود در زمینه بوم شناسی برمی گردد – كه به گفته وی ، “درآمدزایی ترین” رشته ها نیست. او می گوید شرکت هایی مانند Blizzard ، که StarCraft را ساخته اند ، “هر ساله صدها میلیون دلار صرف توسعه الگوریتم های اجرای بازی های خود می کنند.” “آنها فقط منابع بیشتری نسبت به ما دارند. اما ما البته فکر می کنیم که س questionsالات ما بسیار مهمتر از سالات آنها است. ” او فقط نیمی شوخی می کند – بالاخره ، این فقط یک بازی نیست.

بازی انفجار شرطی
سایت انفجار
سایت شرط بندی انفجار
سایت بازی انفجار

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *