Périphériques technologiques
IA
L'IA peut « jouer au football », mais les robots IA ne le peuvent pas encore
L'IA peut « jouer au football », mais les robots IA ne le peuvent pas encore
En novembre, la Coupe du monde recommencera.
À ce moment-là, peu importe que nous jouions ou non, que nous jouions bien ou pas, beaucoup de gens recommenceront à parler de football.
Pas question, qui appelle le football le sport numéro un au monde.
Mais par rapport à la Coupe du monde, les scientifiques sont plus intéressés par la ligue annuelle de simulation 3D de la Robot Cup.
Il n'y a pas si longtemps, une équipe de recherche de la société britannique d'intelligence artificielle DeepMind a utilisé une version accélérée du cours de sport pour simuler des décennies de matchs de football via des ordinateurs, entraînant l'IA à apprendre à contrôler habilement les joueurs de football humanoïdes numériques.
Des recherches pertinentes ont été publiées dans le magazine "Science·Robotics".
Adresse papier : https://www.science.org/doi/10.1126/scirobotics.abo0235
Évidemment, ce n'est pas la première fois que les "joueurs de football IA" entrent sous les yeux du public .
Un bref historique de l'évolution des joueurs de football IA
Dès 2016, peu de temps après qu'AlphaGo ait vaincu Lee Sedol au Go, Deepmind a commencé à réfléchir à laisser l'IA jouer au football.
En juin de la même année, les chercheurs de DeepMind ont demandé à l'IA de contrôler un objet en forme de fourmi pour chasser le ballon, puis de dribbler le ballon jusqu'à ce qu'il soit envoyé vers le but pour marquer.
Selon David Silver, le chef de l'équipe DeepMind, avec l'aide du nouvel algorithme acteur-critique asynchrone développé par Google, à savoir A3C, l'IA a non seulement achevé le projet, mais n'a pas non plus eu besoin d'inculquer des connaissances en mécanique dans tout le processus.
Cette expérience a donné un bon départ à « AI Football Playing ».
En 2019, DeepMind a formé de nombreux "Joueurs", issus de différents plans d'entraînement, DeepMind a sélectionné parmi eux 10 équipes de football à deux.
Ces 10 équipes ont chacune 25 milliards d'images d'expérience d'apprentissage, et DeepMind a collecté 1 million de jeux à elles deux.
Ensuite, DeepMind met en place l'environnement pour permettre à plusieurs IA de jouer à des matchs de football ensemble, et fixe les règles à l'avance pour récompenser l'ensemble de « l'équipe de football » au lieu d'encourager la performance individuelle d'un certain « joueur IA » pour promouvoir le réussite de toute l’équipe.
DeepMind a ainsi prouvé que les IA peuvent coopérer entre elles.
Il semblait que tout allait bien, mais en 2020, le lecteur IA de DeepMind a eu un problème.
Selon les informations fournies par Brain JiTi, lors d'un match, les robots de football d'un camp se sont alignés pour tirer sur le but, mais le robot gardien ne s'est pas préparé à défendre, mais est tombé au sol et a commencé à se balancer sauvagement. . Levé les jambes.
Pensez-vous que c'est fini ? Trop naïf !
Ensuite, le joueur robot avancé a fait une danse très déroutante, tapant du pied, agitant les mains, et est tombé au sol avec un bruit sourd.
Cette scène a choqué le public : ils ont vu des gens être imprudents, mais ils n'ont jamais vu des gens aussi agressifs !
Pourquoi cela se produit-il ?
Cela commence aussi par le principe qui sous-tend tout cela.
Au début de « AI Playing Football », les chercheurs ont adopté la voie de l'apprentissage par renforcement.
Auparavant, l'apprentissage d'AlphaGo était basé sur un apprentissage supervisé, c'est-à-dire un entraînement via des ensembles de données étiquetés.
Mais cette méthode a des exigences élevées sur la « propreté » des données : une fois qu'il y a un problème avec les données, l'IA fera des erreurs.
En revanche, l'apprentissage par renforcement imite le modèle d'apprentissage humain. L'IA apprend par essais et erreurs. Elle est récompensée si elle a raison et punie si elle a tort, établissant ainsi la connexion correcte.
Cela semble beaucoup plus intelligent que l'apprentissage supervisé traditionnel, mais il présente encore des lacunes.
Par exemple, l'IA aura une mauvaise compréhension des mesures de récompense et de punition, générant ainsi d'étranges stratégies.
OpenAI a autrefois conçu un jeu d'aviron. La tâche initiale de l'IA était de terminer la course.
Les chercheurs ont mis en place deux récompenses, l'une consiste à terminer le jeu et l'autre à collecter des scores dans l'environnement. Le résultat est que l'agent a trouvé une zone et a continué à tourner autour pour "obtenir des points". En fin de compte, il n'a naturellement pas réussi à terminer le jeu, mais son score était plus élevé.
Quels nouveaux tours l'IA a-t-elle joué cette fois-ci
Bien que l'IA ait joué au football et qu'il y ait eu des renversements, les chercheurs n'ont pas abandonné.
Il a été mentionné au début de l’article que l’équipe de recherche de DeepMind a réalisé une nouvelle avancée dans la formation des « joueurs de football IA ».
Selon la description du papier, bien que l'équipe DeepMind ait simplifié les règles du jeu dans cette étude et limité le nombre de joueurs dans les deux équipes à 2-3, les « joueurs de football IA » peuvent réaliser des percées avec le ballon, une confrontation physique, une confrontation précise. tir, etc. action.
Alors, comment les chercheurs ont-ils formé des « joueurs de football IA » ?
En termes simples, il combine apprentissage supervisé et apprentissage par renforcement.
Dans un premier temps, l'IA doit regarder des clips vidéo d'humains jouant au football et apprendre à marcher naturellement, car l'IA ne sait pas quoi faire sur le terrain de football au début.
Dans la deuxième étape, l'IA pratique le dribble et le tir sous l'algorithme d'apprentissage par renforcement.
L'IA peut effectuer ces deux étapes en 24 heures environ.
La troisième étape consiste à s'entraîner sous forme de jeu. Le robot IA réalise un match en 2 contre 2. Cette étape prend 2 à 3 semaines. Elle permet principalement à l'IA d'apprendre le travail en équipe. prédire les passes et autres tâches plus difficiles.
La performance du "joueur de football IA" cette fois-ci rend toujours l'équipe de recherche assez satisfaite.
L'équipe DeepMind estime que cette recherche favorise l'avancement des systèmes artificiels vers une intelligence motrice au niveau humain.
Cependant, l'équipe DeepMind reste encore relativement sobre. Elle sait que cette avancée a encore des limites.
Par exemple, le jeu est en 2v2 au lieu du 11v11 couramment utilisé dans les vrais matchs de football. Cela ne signifie pas que l'IA peut participer à des matchs de football plus complexes.
De plus, même un simple match 2v2 ne peut pas être directement utilisé sur le matériel du robot.
En d’autres termes, les scientifiques n’ont pas encore été capables de construire un robot capable de jouer au football.
Références : https://www.science.org/doi/10.1126/scirobotics.abo0235
https://sports.yahoo.com/deepmind-ai-now-play-football-134345563.html? =2
https://www.woshipm.com/ai/3619952.htmlhttp://it.people.com.cn/n1/2016/0622/c1009-28467916.html
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc.
Aug 01, 2024 pm 09:40 PM
Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
