Bruker spill for å trene fremtidig AI
Publisert
Kilde: TechCrunch
Ingress: Utviklere av kunstig generell intelligens (AGI) utforsker nye datakilder. Enkelte aktører mener at strukturerte data fra videospill kan være mer effektive enn det brede, men uoversiktlige internett, for å lære AI forståelse av rom, tid og bevegelse.
Store språkmodeller (LLM-er), slik som de som driver ChatGPT og Claude, har vist imponerende evner innen språkforståelse og tekstgenerering. Imidlertid peker kritikere på at disse modellene mangler en fundamental forståelse for den fysiske verden – hvordan objekter interagerer og beveger seg. Denne innsikten anses som kritisk for å utvikle AGI som kan generalisere kunnskap på tvers av komplekse og dynamiske miljøer.
Utfordringen ligger i at internettdata primært er tekstbasert og mangler nødvendig kontekst for å formidle visuell og spatio-temporal informasjon. Spillmiljøer, derimot, er bygget på disse prinsippene. De inneholder komplekse simuleringer av fysikk, objekter i bevegelse og interaksjoner som gir et rikt grunnlag for maskinlæring.
Selskaper som General Intuition satser på denne tilnærmingen. De mener at sanntidsdata fra spill, som vektorer for posisjon, hastighet og til og med intensjoner i spillet, kan gi AI et dypere og mer praktisk fundament enn dagens tekst- og bildebaserte treningsmetoder. Dette kan være et avgjørende skritt mot AGI som ikke bare kan resonnere, men også handle i den virkelige verden.
Selv om General Intuition opererer internasjonalt, er forskning innen AI og spillteknologi også aktiv i Norge. Universiteter og forskningsinstitutter arbeider med ulike aspekter av maskinlæring, og spillindustrien er en voksende sektor. Det er sannsynlig at norske spillutviklere og AI-selskaper vil følge denne trenden, spesielt med tanke på potensialet for å skape mer intelligente spillopplevelser eller bruke spill som simuleringer for andre formål, som for eksempel opplæring eller forskning.
Ved å utnytte spilldata kan AI-selskaper potensielt akselerere utviklingen av mer kapabel AGI. Dette kan få implikasjoner for en rekke sektorer, fra autonome systemer og robotikk til mer avanserte virtuelle assistenter og simuleringsverktøy. Utfordringen blir imidlertid å samle og behandle de enorme mengdene data som spill genererer, samt å utvikle algoritmer som effektivt kan trekke ut relevant innsikt. Videre er det avgjørende å adressere de etiske spørsmålene rundt bruk av spilldata for trening av AI-systemer.