Ovaj bot koji igra Pictionary velika je prekretnica za A.I.

Poput novih Alexa vještina na vašem Amazon Echou, posljednjih nekoliko desetljeća vidjeli smo A.I. postupno steći sposobnost nadmašivanja čovječanstva u sve više i više naših omiljenih igara: Šah s Deep Blueom 1997, Opasnost s tvrtkom IBM Watson 2011, Atari igre s DeepMindom 2013, Ići s AlphaGo 2016, i tako dalje. Za širu javnost, barem, svaki primjer pretvara apstraktni put računalnog napretka u sport za promatranje. Skynet postaje pametniji. Kako znamo? Jer provjerite sve veći broj razonoda u kojima nas može uvjerljivo pobijediti.

S tom pozadinom, nije previše šokantno čuti da je A.I. sada može izvesti uvjerljivo dobro na Pictionary, igra pogađanja riječi nadahnuta šaradama koja od jedne osobe zahtijeva da nacrta sliku, a od ostalih da pokušaju shvatiti što su skicirali što je brže moguće.

To je ono što su istraživači s britanskog sveučilišta Surrey nedavno izveli stvaranjem Pixelora, "konkurentnog skiciranja A.I. agent." S obzirom na vizualni koncepta, Pixelor može nacrtati skicu koja je prepoznatljiva (ljudima i strojevima) kao željeni predmet jednako brzo — ili čak brže — od čovjeka konkurent.

“Naš A.I. agent je u stanju prikazati skicu od nule," Yi-Zhe pjesma, čitatelj računalnog vida i strojnog učenja u Centru za vizualnu obradu govora i signala na Sveučilištu Surrey, rekao je za Digital Trends. “Dajte mu riječ poput 'lice' i znat će što nacrtati. … Svaki put će nacrtati drugu mačku, drugog psa, drugačije lice. Ali uvijek sa znanjem o tome kako pobijediti u Pictionary igri.”

Izrada Pictionary mastera

Sposobnost reduciranja složene slike stvarnog svijeta u skicu je sama po sebi prilično impresivna. Potrebna je razina apstrakcije da se pogleda ljudsko lice i vidi ga kao oval s dva manja ovala za oči, linijom za nos i polukrugom za usta. Kod djece, sposobnost percepcije slike na ovaj način pokazuje, između ostalog, rastuće kognitivno razumijevanje pojmova.

Međutim, kao i kod mnogih aspekata umjetne inteligencije, koji se često sažimaju kao Moravčev paradoks da su "teški problemi laki, a laki problemi teški", to je značajan izazov za stroj inteligencija — unatoč činjenici da je to osnovna, neupadljiva vještina za većinu dvogodišnjaka djece.

Ipak, to nije nerješiv izazov. Godine 2016, pisali smo o Songovom radu s alatom pod nazivom Sketch, neuronskom mrežom za dubinsko učenje koja je bila u stanju prepoznati ručno nacrtane skice i koristiti ih za traženje proizvoda iz stvarnog života. Ta konkretna mreža uvježbana je korištenjem skupa podataka koji se sastoji od oko 30.000 usporedbi skica i fotografija, što joj omogućuje da prepozna način na koji su stvarni objekti predstavljeni u ručnom crtežu. Pixelor radi nešto slično, ali također može generirati vlastite crteže, umjesto da samo prepoznaje crteže drugih ljudi.

Ali to nije dovoljno za pobjedu Pictionary. Pictionary je vremenski izazovna igra u kojoj cilj nije samo nacrtati, recimo, mačku, već nacrtati mačku u što manje poteza. Mogli biste biti najveći svjetski umjetnik, ali ako vam treba 12 sati da nacrtate mačku savršenu, onda ste užasni Pictionary igrač.

To je značilo izgradnju A.I. koji bi mogli proučavati ljude kako bi vidjeli koje strategije koriste za dobro igranje Pictionaryja. Kao što je Song rekao: “Koji su najvažniji dijelovi za crtanje kako bi drugi ljudski suci mogli pogađati? Želimo da naš crtež bude pogoden što je prije moguće.”

Kako bi to učinili, istraživači su uzeli QuickDraw, najveći do sada dostupan skup podataka o ljudskim skicama. Zatim su izgradili algoritam neuralnog sortiranja koji daje prioritet redoslijedu poteza koje umjetnik treba napraviti; dajući pogodan prikaz objekta u što manje redaka. To znači rastavljanje skica na poteze, zatim miješanje redoslijeda tih poteza i testiranje rezultata dok se ne uspostavi točan redoslijed kojim ih treba staviti na papir.

Na primjer, umjetnik bi mogao početi crtati mačku skicirajući kružni obris njezine glave. Ali krug može biti bilo što, čak i ako znate da bi trebao predstavljati glavu. Međutim, nacrtajte dva šiljasta uha ili dva niza brkova i broj potencijalnih stvari koje biste mogli nacrtati smanjit će se vrlo, vrlo brzo. Ove se informacije zatim koriste za davanje uputa agentu za skiciranje.

Song je rekao da bi tim mogao objaviti verziju ovoga za javnost Pictionary-igrajući bot tako da ljudski igrači mogu sami pokušati pobijediti A.I. ovladati; majstorski. (Tko zna? Izigravanje stručnjaka moglo bi vam čak pomoći da poboljšate svoje Pictionary igra.)

Više nego što se vidi na prvi pogled

Međutim, Pixelor ima više od samo još jednog trivijalnog bota za igranje igrica. Baš kao što računalni sustav ima i sučelje na površinskoj razini s kojim komuniciramo i skriveni pozadinski kod, tako i svaki veći A.I. prekretnica igranja igre imaju skriveni motiv. Osim ako izričito ne proizvode računalne igre, istraživački laboratoriji ne troše nebrojene radne sate na izgradnju igranje igrica A.I. agenti samo da dodam još jedan unos na veliki popis stvari koje ljudi više nisu najbolji na. Svrha je uvijek unaprijediti neki temeljni dio A.I. rješavanje problema.

U slučaju Pixelora, skriveni cilj je napraviti strojeve koji su sposobniji shvatiti što je važno čovjeku u određenoj sceni. Kada pogledamo sliku, odmah možemo reći koji su najistaknutiji detalji.

Recimo da se vozite kući s posla. Dok drveće uz cestu može biti slikovito, a reklamni pano za novi film zanimljiv, ni jedno ni drugo nije toliko važno koliko lice i govor tijela osobe koja će možda ili neće izaći ispred vas. Prije nego ste uopće svjesno obradili informacije, vaš je mozak izdvojio najvažnije detalje. Kako naučiti računalo da to može učiniti? Pa, pokazalo se da je jedan sjajan način da to učinite vidjeti kako ljudi daju prednost istaknutim prepoznatljivim detaljima na slici kada je skiciraju.

“Ne postoji ljudsko znanje koje je inherentno ugrađeno u fotografije [samo],” rekao je Song. "Ono što želimo su ljudski podaci koji nam mogu dati signale o tome kako ljudi razumiju objekt."

Kao što je navedeno, dobro Pictionary igrač, poput dobrog boksača, znat će apsolutni minimum koji treba učiniti kako bi postigao određeni cilj. To je, u makro smislu, ono do čega je stalo Yi-Zhe Songu i njegovim kolegama. Nije ništa tako trivijalno kao nabaviti računalo za igranje igre; natjerati računalo da shvati što je važno u određenim scenama - i, nadamo se, da može bolje generalizirati.

Kao i sve od samovozeći automobili Kako roboti na radnom mjestu postaju sve češći, ovo je ključni zadatak koji treba riješiti.

Rad koji opisuje rad bit će predstavljen na SIGGRAPH Asia 2020 u studenom.

Preporuke urednika

• Voyage je umjetna inteligencija gaming raj gdje botovi pišu pravila
• Šah. Opasnost. Ići. Zašto koristimo igre kao mjerilo za AI?
• A.I. dizajnira retro videoigre — i one su iznenađujuće dobre