چرا هوش مصنوعی هنوز در برخی بازی‌های ویدیویی حریف انسان نمی‌شود؟

نبردهای تاریخی: هوش مصنوعی در مقابل انسان

دهه‌هاست که میدان بازی‌ها به عرصه نبردی میان هوش مصنوعی و انسان تبدیل شده است. در سال ۱۹۹۷، پیروزی «دیپ بلو» بر «گری کاسپاروف» جهان را شگفت‌زده کرد و دو دهه بعد، مدل «آلفاگو» از دیپ‌مایند، قهرمان جهان بازی GO را نیز مغلوب ساخت. هوش مصنوعی با بهره‌گیری از روش «یادگیری تقویتی»، در بازی‌های استراتژیک پیچیده‌ای نظیر Dota 2 و Starcraft II به سطح استادی دست یافته است. اما نکته کلیدی اینجاست که این پیروزی‌ها عمدتاً در بازی‌هایی با قوانین سفت و سخت و اهداف کاملاً مشخص به دست آمده‌اند.

نقطه ضعف هوش مصنوعی: یادگیری سریع و تعمیم‌دهی

محققان بر این باورند که در حال حاضر، رایانه‌ها در یک حوزه خاص از بازی‌های ویدیویی، به گرد پای انسان‌ها نمی‌رسند: یادگیری سریع انواع مختلف بازی‌های جدید، به ویژه آن‌هایی که قواعد خاصی ندارند یا از نوع جهان‌باز (Open World) هستند. به عنوان مثال، یک انسان می‌تواند بازی جدیدی را به صورت تصادفی از فروشگاه انتخاب کرده و بسیار سریع‌تر از پیشرفته‌ترین مدل‌های هوش مصنوعی، قلق آن را یاد بگیرد.

«جولیان توگلیوس»، استاد علوم کامپیوتر دانشگاه نیویورک، معتقد است که اگر یک مدل زبانی بزرگ (LLM) را با بازی‌ای روبه‌رو کنید که قبلاً در داده‌هایش ندیده است، شکست آن تقریباً قطعی است.

تفاوت اصلی در «تعمیم‌دهی» نهفته است. یک مدل هوش مصنوعی ممکن است در یک نسخه خاص از بازی عملکردی فوق‌انسانی داشته باشد، اما با کوچک‌ترین تغییری در طراحی محیط، کاملاً فلج شود. در مقابل، ذهن انسان توانایی عجیبی در بداهه‌پردازی دارد. ما می‌دانیم که پیروزی در یک بازی جهان‌باز (مانند Red Dead Redemption) تنها به کشتن دشمنان محدود نمی‌شود، بلکه درک مفاهیم انتزاعی‌تری نظیر اخلاق و بقا را نیز شامل می‌شود؛ مفاهیمی که ماشین هنوز درکی از آن‌ها ندارد.

آمار و ارقام: برتری انسان در یادگیری بازی

آمارهای موجود در این زمینه خیره‌کننده هستند:

• یک هوش مصنوعی ممکن است برای درک مکانیک‌های پایه یک بازی، به ۴ میلیون تعامل با کلیدها (معادل ۳۷ ساعت بازی مداوم) نیاز داشته باشد.
• در حالی که یک انسان به طور متوسط در کمتر از ۱۰ ساعت، نه تنها مکانیک‌ها را یاد می‌گیرد، بلکه استراتژی‌های پیچیده را نیز پیاده‌سازی می‌کند.

دلیل این برتری، تجربه زیسته ماست. نوزاد انسان از بدو تولد با لمس اشیا و مشاهده جهان، فیزیک و منطق پدیده‌ها را می‌آموزد. وقتی ما در بازی دکمه «پرش» را می‌زنیم، مفهوم پرتاب‌شدن در فضا را درک می‌کنیم، اما هوش مصنوعی تنها جابجایی پیکسل‌ها از نقطه A به B را مشاهده می‌کند.

آینده هوش مصنوعی در بازی‌ها

تلاش‌هایی نظیر پروژه SIMA 2 از گوگل دیپ‌مایند، سعی در پر کردن این شکاف با ترکیب استدلال مدل‌های زبانی (مانند Gemini) با محیط‌های سه‌بعدی دارند. با این حال، تا زمانی که یک ماشین نتواند ۱۰۰ بازی برتر فروشگاه استیم را بدون آموزش قبلی و در مدت زمان مشابه یک انسان بازی کند، نمی‌توان از «هوش مصنوعی در سطح انسان» سخن گفت.