محققان دیپ‌مایند، آزمایشگاه هوش مصنوعی مستقر در بریتانیا، بازی‌ شطرنج را کنار گذاشته‌اند و به‌دلیل جذابیت بیشتر فوتبال، روی این ورزش محبوب تمرکز کرده‌اند. این شرکت که گوگل مالکیت آن را برعهده دارد، اخیراً یک مقاله‌ی تحقیقاتی به‌همراه یک پست وبلاگی درمورد موتورهای عصبی جدید خود (NPMP) منتشر کرد که هوش مصنوعی با استفاده از آن می‌تواند روش کارکرد فیزیکی بدن انسان را یاد بگیرد.

در بخشی از پست وبلاگی دیپ‌مایند آمده است: یک NPMP درواقع ماژول کنترل موتور همه‌منظوره‌ای است که اهداف خود را به سیگنال‌های کنترل سطح‌پایه ترجمه می‌کند و به‌صورت آفلاین یا ازطریق RL، با تقلید از داده‌های ضبط حرکات (MoCap) که با قراردادن ردیاب روی بدن انسان یا حیوانات به‌دست می‌آیند، آموزش داده می‌شود.

به‌ گزارش TNW، تیم دیپ‌مایند اساساً یک هوش مصنوعی جدید ایجاد کرده که می‌تواند با تماشای ویدئو از حرکات فیزیکی بدن، انجام دادن این حرکات را یاد بگیرد و آن‌ها را در شبیه‌ساز فیزیکی انجام دهد.

البته، درصورتی‌که موتور فیزیکی غول‌پیکر و تعداد بی‌پایانی از ربات‌های کنجکاو دارید، تنها کار منطقی این است که به آن‌ها یاد دهید چگونه دریبل بزنند یا تیراندازی کنند.

 

 

در بخشی از مقاله تحقیقاتی تیم دیپ‌مایند نوشته شده است: ما تیم‌هایی از عوامل را برای بازی فوتبال شبیه‌سازی‌شده ازطریق یادگیری تقویتی، بهینه کردیم و فضای راهکار را به حرکت‌های قابل‌قبولی که با استفاده از داده‌های ضبط حرکت انسانی آموخته می‌شوند، محدود کردیم.

شایان‌ ذکر است که محققان برای آموزش هوش مصنوعی برای انجام کار و کنترل ربات‌ها در جهان، باید ماشین‌ها را برای دنیای واقعی آماده کنند؛ این درحالی است که در دنیای واقعی امکان رخ دادن هر اتفاقی وجود دارد و عوامل باید با گرانش، سطح لغزنده‌ی غیرمنتظره و تداخل‌های برنامه‌ریزی‌نشده‌ی سایر عوامل، مقابله کنند.با شروع فرایند آموزش هوش مصنوعی، این ابزار به‌سختی می‌تواند آواتار انسان‌نمای مبتنی‌بر فیزیک خود را دراطراف میدان حرکت دهد. هوش مصنوعی جدید دیپ‌مایند پس از چندروز آموزش، مواردی مثل این‌که توپ کجا خواهد رفت و عوامل دیگر نسبت به حرکت خود را پیش‌بینی کرده است.

در بخش دیگری از مقاله‌ی دیپ‌مایند آمده است: نتیجه‌ی توسعه‌ی این هوش مصنوعی، ایجاد تیمی از بازیکنان فوتبال است که رفتار پیچیده‌ای را درمقیاس‌های مختلف از خود نشان می‌دهند که براساس طیف وسیعی از تحلیل‌ها و آمار، ازجمله تجزیه و تحلیل‌های ورزشی در دنیای واقعی، اندازه‌گیری خواهند شد. کار ما یک نمایش کامل از تصمیم‌گیری یک‌پارچه‌ی آموخته‌شده در مقیاس‌های مختلف در محیطی چندعاملی است.

توسعه‌ی مدل‌های هوش مصنوعی تطبیقی دیپ‌مایند بسیار جالب به‌نظر می‌رسد و باید دید پس از تکمیل دوره‌ی آموزش و خارج از محیط‌های آزمایشگاهی در دنیای رباتیک چه عملکردی خواهند داشت.