Google’ın yapay zeka laboratuvarı DeepMind, yapay zekasının yeteneklerini oyunlar aracılığıyla gösterme ve bu süreçte insan rakiplerini alt etme konusunda bir geçmişe sahip. AlphaGo 2016 yılında Go dünya şampiyonu Lee Sedol’u mağlup etti. 2019’da AlphaStar, profesyonel StarCraft II oyuncusu (evet, böyle bir şey var) Grzegorz “MaNa” Komincz’i 5-0 yenmek için yeterli sayıda ek direk inşa etti. Ve 2020’de Atari57, 57 Atari 2600 oyununda ortalama bir insan oyuncudan daha iyi skor elde etti.
Laboratuvarın son yapay zeka haberi ise farklı bir şey. DeepMind, tek bir oyunda ustalaşmak için bir model tasarlamak yerine, British Columbia Üniversitesi’nden araştırmacılarla bir araya gelerek tamamen farklı bir dizi oyunu oynayabilen bir yapay zeka ajanı geliştirdi.
SIMA (ölçeklenebilir talimat verilebilir çoklu dünya ajanı) olarak adlandırılan proje, yapay zekanın insan talimatlarını izleyerek çalışması nedeniyle rekabetçi oyundan işbirliğine dayalı oyuna geçişi de işaret ediyor.
Ancak SIMA sadece uykulu oyuncuların seviye atlamasına ya da kaynak toplamasına yardımcı olmak için yaratılmadı. Araştırmacılar bunun yerine SIMA’nın bu sanal oyun alanlarında nasıl öğrendiğini daha iyi anlayarak, YZ ajanlarını gerçek dünyada daha işbirlikçi ve yararlı hale getirebileceğimizi umuyorlar.
Introducing SIMA: the first generalist AI agent to follow natural-language instructions in a broad range of 3D virtual environments and video games. 🕹️
It can complete tasks similar to a human, and outperforms an agent trained in just one setting. 🧵 https://t.co/qz3IxzUpto pic.twitter.com/02Q6AkW4uq
— Google DeepMind (@GoogleDeepMind) March 13, 2024
Kendi yapay zeka maceranızı seçin
DeepMind, geliştirici stüdyolarla birlikte çalışarak SIMA’yı dokuz farklı video oyununda eğitti ve test etti. Bunlar arasında muazzam (bazen sıkıcı olsa da) uzay keşif oyunu No Man’s Sky, Viking hayatta kalma oyunu Valheim, bilimkurgu fabrikası kurucusu Satisfactory ve hatta oyuncuların kurgusal bir Güney Kaliforniya şehrinde kargaşa ve kargaşa yayan bir keçiyi oynadığı bir oyun olan Goat Simulator 3 vardı.
Bu çok çeşitli bir oyun portföyü, ancak bu dokuz oyun DeepMind’ın bizi dünya dışı varlıklardan ve jetpack yapan keçilerden sadece bir yapay zekanın koruyabileceği bir gelecekten korktuğu için seçilmedi. Aksine, bu oyunlar önemli açılardan gerçek dünyaya benzeyen özellikleri paylaşıyor: Oyuncunun eylemlerinden bağımsız olarak gerçek zamanlı olarak değişen 3D ortamlarda yer alırlar. Ayrıca, sadece kazanmanın ötesinde, bir dizi potansiyel karar ve açık uçlu etkileşim içerirler.
SIMA’ya bu dünyalarda nasıl hareket edeceğini öğretmek için araştırmacılar, basit oyun videolarından başlayarak yapay zekayı dil tabanlı talimatları anlayacak şekilde eğittiler. Bazı videolarda iki oyuncu birlikte bir oyun oynuyordu. Bir oyuncu talimatlar veriyor, diğer oyuncu da bu talimatlara uyuyordu. Diğer videolarda, oyuncular oyunu serbestçe oynadı ve araştırmacılar daha sonra videolara ekrandaki eylemi açıklayan yazılı talimatlar ekledi. Her iki durumda da amaç, dilin oyundaki davranış ve eylemlerle nasıl bağlantılı olduğunu yakalamaktı.
SIMA’nın becerilerinin sadece eğitim aldığı ortama değil, herhangi bir 3D ortama aktarılabilmesini sağlamak için araştırmacılar bazı ek tasarım zorlukları getirdiler. Bunlar şunları içeriyordu:
SIMA’nın bir sonraki eylemini rahatça belirleyebilmesi için ortamlar yavaşlatılmadı. Oyun içinde normal hızda çalışması gerekiyordu.
SIMA’nın yalnızca ekrandaki görüntülere ve metinlere erişimi vardı; bu bilgiler bir insan oyuncunun elindeki bilgilerle aynıydı. Örneğin oyunun kaynak kodundan hiçbir ayrıcalıklı bilgi alamıyordu.
SIMA oyunla sadece klavye ve fare eşdeğerini kullanarak etkileşime girebiliyordu.
Son olarak, SIMA’nın oyundaki hedeflerinin bir insan oyuncu tarafından doğal dil talimatları kullanılarak gerçek zamanlı olarak sağlanması gerekiyordu. Yapay zekanın belirli, önceden belirlenmiş bir hedefte ustalaşana kadar oyunu tekrar tekrar oynamasına izin verilmedi. Başka bir deyişle, SIMA’nın insan ortaklarıyla işbirliği içinde oynamayı öğrenmesi gerekiyordu, oyunda binlerce denemeden sonra deneme yanılma yoluyla değil.
Örneğin, Valheim’daki en son oyun içi hedef 10 kereste toplamaksa, ancak bir insan kullanıcı SIMA’ya bunun yerine 10 kaya toplamasını söylediyse, SIMA ağaçları kesmek yerine yakındaki bir kayayı çıkarmaya başlamalıdır.
“Araştırmacılar, “Bu genel olarak yapay zeka için önemli bir hedeftir, çünkü ChatGPT gibi büyük dil modelleri [LLM’ler] dünya hakkında bilgi toplayabilen ve planlar oluşturabilen güçlü sistemlerin ortaya çıkmasını sağlamış olsa da, şu anda bizim adımıza eylemde bulunma yeteneğinden yoksundurlar” diyor.
Her işin ustası, ustalık gelecek
SIMA, dokuz beceri kategorisini kapsayan toplam 1.485 benzersiz görev üzerinden değerlendirilmiştir. Beceri kategorileri oyunlar arasında daha geneldi – navigasyon, inşaat ve nesneleri kullanma gibi şeyler – görevlerin kendileri oyun ortamlarına daha spesifik olabilirken – örneğin “geminize gidin”, “bir jeneratör inşa edin” veya “şu patatesi kesin”.
Genel olarak, SIMA dil tabanlı talimatları başarıyla anladı. Başarı oranı görevler ve beceri kategorileri arasında değişiklik gösterse de, değerlendirmede kullanılan diğer YZ ajanlarından önemli ölçüde daha iyi performans gösterdi.
Örneğin, tek bir ortamda eğitilen YZ’lerden daha iyi performans göstererek ortalama %67’lik bir gelişme gösterdi. Araştırmacılar ayrıca SIMA’nın bazı versiyonlarını biri hariç tüm veri setleri üzerinde eğitti. SIMA’nın bu versiyonları eksik oyunu oynadığında, neredeyse tek ortamlı YZ’ler kadar iyi performans gösterdi. Bu sonuçlar SIMA’nın becerilerinin farklı 3D ortamlara aktarılabildiğini gösteriyor.
Araştırmacılar SIMA’yı dil girdileri olmadan eğitilen bir yapay zeka ajanı ile de karşılaştırdı. Örneğin No Man’s Sky’da SIMA’nın başarı oranı ortalama %34’tü. Diğer yapay zekanın ortalaması ise sadece %11’di; araştırmacılar bu performansı “uygun ama amaçsız” olarak tanımlıyor. Bu sonuçlar ayrıca dilin SIMA’nın performansının hayati bir bileşeni olduğunu gösteriyor.
Araştırmacılar, “Bu araştırma, bir ajanın çok çeşitli oyun dünyalarını anlayabildiğini ve bir insanın yapabileceği gibi bu dünyalardaki görevleri yerine getirmek için doğal dil talimatlarını izleyebildiğini ilk kez göstermiştir” diyor.
Bununla birlikte, SIMA’nın yakın zamanda özellikle zor bir oyunu yenmenize yardımcı olmasını beklemeyin. No Man’s Sky’da, katı değerlendirme kriterlerine rağmen, insan oyuncular %60’lık bir başarı oranı elde etti.
Benzer şekilde, bu oyunlar karmaşık olduğundan – genellikle belirli bir anda yüzlerce nesneyle düzinelerce potansiyel etkileşimi bir araya getirdiğinden – araştırmacılar talimatları “yaklaşık 10 saniyeden daha kısa sürede tamamlanabilecek” olanlarla sınırladılar. SIMA’nın gelecekteki bir yinelemesinin, ortalama bir ortaokul Minecraft oyuncusu grubunun her Cumartesi gecesi yönettiği uzun vadeli, çok katmanlı planları yönetip yönetemeyeceğini göreceğiz.
Oyunun ötesini düşünmek
SIMA devam eden bir çalışma ve araştırmacılar ileriye dönük olarak, SIMA’nın yeteneklerini artırmak için oyun portföylerini yeni 3D ortamlar ve daha büyük veri setleri içerecek şekilde genişletmeyi umuyorlar. Öyle olsa bile, ön sonuçları umut verici buluyorlar.
“Bir video oyununu oynamayı öğrenmek bile bir YZ sistemi için teknik bir başarıdır, ancak çeşitli oyun ortamlarında talimatları takip etmeyi öğrenmek, her ortam için daha yararlı YZ ajanlarının kilidini açabilir. Araştırmamız, gelişmiş YZ modellerinin yeteneklerini bir dil arayüzü aracılığıyla nasıl faydalı, gerçek dünya eylemlerine dönüştürebileceğimizi gösteriyor” diye yazıyorlar.
Excited to share one of the main things I’ve been working on: scaling towards grounded language agents that can follow natural language instructions across many video game environments—using the same pixels to keyboard/mouse controls as humans do. 1/8 pic.twitter.com/FNDduMgQsY
— Andrew Lampinen (@AndrewLampinen) March 13, 2024
YZ’nin dünyada var olmasını ve çalışmasını istiyorsak – ister araba ister robot şeklinde olsun – sanal ortamlar, araştırmacıların bu sistemleri test etmeleri için daha güvenli ve daha az israflı bir yol sunar.
Eğer bir YZ sanal dünyada araba kullanmayı öğrenirken kaza yaparsa, dersler çıkardıktan sonra tekrar deneyebilir. Gerçek dünyada bir araba kazası yaparsa, ölümcül olmayan sonuçlar bile çok daha maliyetli olur. Eğitildikten sonra, aynı dil talimatları yapay zekayı sanal ortamın dışında yönlendirmek için kullanılabilir – potansiyel olarak bir keçi olarak eğitilmiş olsa bile.
Araştırmacılar, “Bunu yaparak SIMA’yı, karmaşık ortamlarda dili ve önceden eğitilmiş modelleri güvenli bir şekilde topraklama konusunda en ileri araştırmaları yapmak için ideal bir platform haline getireceğimize ve böylece AGI’nin temel bir zorluğunun üstesinden gelmeye yardımcı olacağımıza inanıyoruz” dedi.
*Bu yazı Why AI playing video games is a big deal başlıklı yazıdan çevrilmiştir.
