Sejak hari-hari awal virtual chess dan solitaire, video game telah menjadi lapangan bermain untuk mengembangkan kecerdasan buatan (AI). Setiap kemenangan mesin melawan manusia telah membantu membuat algoritma lebih pintar dan lebih efisien. Tetapi untuk mengatasi masalah dunia nyata - seperti mengotomatisasi tugas-tugas kompleks termasuk mengemudi dan negosiasi - algoritma ini harus menavigasi lingkungan yang lebih kompleks daripada permainan papan, dan belajar kerja tim. Mengajari AI cara bekerja dan berinteraksi dengan pemain lain untuk berhasil merupakan tugas yang tidak dapat diatasi - sampai sekarang.
Dalam sebuah studi baru , para peneliti merinci cara untuk melatih algoritma AI untuk mencapai tingkat kinerja manusia dalam game multiplayer 3D yang populer - versi modifikasi dari Quake III Arena dalam mode Capture the Flag.
Meskipun tugas permainan ini mudah - dua tim lawan berlomba untuk saling menangkap bendera satu sama lain dengan menavigasi peta - pemenang menuntut pengambilan keputusan yang rumit dan kemampuan untuk memprediksi dan merespons tindakan pemain lain.
Ini adalah pertama kalinya AI mencapai keterampilan seperti manusia dalam video game orang pertama. Jadi bagaimana para peneliti melakukannya?
Kurva pembelajaran robot
Pada tahun 2019, beberapa tonggak dalam penelitian AI telah dicapai di game strategi multipemain lainnya. Lima "bot" - pemain yang dikendalikan oleh AI - mengalahkan tim e-sports profesional dalam permainan DOTA 2 . Pemain manusia profesional juga dikalahkan oleh AI dalam permainan StarCraft II. Dalam semua kasus, suatu bentuk pembelajaran penguatan diterapkan, di mana algoritma belajar dengan coba-coba dan dengan berinteraksi dengan lingkungannya.
Lima bot yang mengalahkan manusia di DOTA 2 tidak belajar dari bermain manusia - mereka dilatih secara eksklusif dengan memainkan pertandingan melawan klon mereka sendiri . Peningkatan yang memungkinkan mereka untuk mengalahkan pemain profesional berasal dari penskalaan algoritma yang ada . Karena kecepatan komputer, AI dapat bermain dalam beberapa detik permainan yang membutuhkan waktu beberapa menit atau bahkan berjam-jam bagi manusia untuk bermain. Ini memungkinkan para peneliti untuk melatih AI mereka dengan 45.000 tahun gameplay dalam sepuluh bulan waktu nyata.
Gambar: Majalah Science
Bot Capture the Flag dari studi baru-baru ini juga mulai belajar dari awal. Tetapi alih-alih bermain melawan tiruannya yang identik, sebuah kelompok 30 bot diciptakan dan dilatih secara paralel dengan sinyal hadiah internal mereka sendiri. Setiap bot dalam populasi ini kemudian akan bermain bersama dan belajar dari satu sama lain. Seperti yang dicatat oleh David Silver - salah satu ilmuwan penelitian -, AI mulai "menghilangkan kendala pengetahuan manusia ... dan menciptakan pengetahuan itu sendiri".
Kecepatan belajar untuk manusia masih jauh lebih cepat daripada algoritma pembelajaran penguatan dalam yang paling canggih . Baik bot OpenAI maupun DeepMind's AlphaStar (bot yang bermain StarCraft II) melahap gameplay yang berharga ribuan tahun sebelum dapat mencapai tingkat kinerja manusia. Pelatihan semacam itu diperkirakan menelan biaya jutaan dolar . Namun demikian, AI otodidak yang mampu mengalahkan manusia di permainan mereka sendiri adalah terobosan menarik yang bisa mengubah cara kita melihat mesin.
Masa depan manusia dan mesin
AI sering digambarkan menggantikan atau melengkapi kemampuan manusia , tetapi jarang sebagai anggota tim yang lengkap, melakukan tugas yang sama dengan manusia. Karena eksperimen video game ini melibatkan kolaborasi manusia dengan mesin, mereka menawarkan pandangan sekilas tentang masa depan.
Pemain manusia dari Capture the Flag menilai bot lebih kolaboratif daripada manusia lain, tetapi pemain DOTA 2 memiliki reaksi beragam terhadap rekan tim AI mereka. Beberapa cukup antusias, mengatakan bahwa mereka merasa didukung dan bahwa mereka belajar dari bermain bersama mereka. Sheever , pemain DOTA 2 profesional, berbicara tentang pengalamannya bekerja sama dengan bot:
Sebenarnya terasa menyenangkan; [rekan tim AI] memberikan hidupnya untuk saya di beberapa titik. Dia mencoba membantuku, berpikir 'Aku yakin dia tahu apa yang dia lakukan' dan kemudian jelas tidak. Tapi, Anda tahu, dia percaya pada saya. Saya tidak mendapatkan itu banyak dengan rekan tim [manusia].
Yang lain kurang antusias , tetapi karena komunikasi adalah pilar hubungan apa pun, meningkatkan komunikasi manusia-mesin akan menjadi sangat penting di masa depan. Para peneliti telah mengadaptasi beberapa fitur untuk membuat bot lebih "ramah manusia", seperti membuat bot menunggu secara artifisial sebelum memilih karakter mereka selama draft tim sebelum pertandingan, untuk menghindari menekan manusia.
"We're doomed." n0tail says. This is why the co-op match (starting now) is so important for events like this. It shows that AI can do more than just beat humans at stuff. The future of AI does not have to just be a march towards obsolescence for humans. #openaifive
Oh god this is great, we have audio from all the players too. "I think... oh I think we're supposed to help them [their bot teammates]."
"Did you tell them where to go?"
"No I think they just know.... yo... yo fight them!"#openaifive
See mike cook 
's other Tweets
's other Tweets
Tetapi haruskah AI belajar dari kita atau terus belajar sendiri? Belajar mandiri tanpa meniru manusia dapat mengajarkan AI lebih efisien dan kreatif, tetapi ini dapat membuat algoritma yang lebih sesuai untuk tugas-tugas yang tidak melibatkan kolaborasi manusia, seperti robot pergudangan.
Di sisi lain, orang mungkin berpendapat bahwa memiliki mesin yang dilatih dari manusia akan lebih intuitif - manusia yang menggunakan AI seperti itu dapat memahami mengapa mesin melakukan apa yang dilakukannya. Ketika AI menjadi lebih pintar, kita semua siap untuk kejutan lainnya.
