AIは「サッカーをする」ことができるが、AIロボットはまだできない
今年の11月、再びワールドカップが始まります。
そのとき、私たちがプレーするかどうか、良いプレーをするかどうかに関係なく、多くの人が再びサッカーについて話し始めるでしょう。
まさか、サッカーを世界最大のスポーツと呼ぶ人はいないでしょう。
しかし、科学者はワールド カップと比較して、毎年開催されるロボット カップ 3D シミュレーション リーグにより多くの関心を持っています。
つい最近、英国の人工知能企業 DeepMind の研究チームは、スポーツ コースの高速バージョンを使用して、コンピューターを通じて数十年分のサッカーの試合をシミュレートし、AI の学習を訓練しました。デジタルヒューマノイドサッカー選手を上手にコントロールする方法。
関連研究は、Science Robotics 誌に掲載されました。
論文アドレス: https://www.science.org/doi/10.1126/scirobotics.abo0235
もちろん、「AI サッカー選手」が世間の注目を集めるのはこれが初めてではありません。
AI サッカー選手の進化の簡単な歴史
すでに 2016 年、AlphaGo が囲碁でイ セドルを破ってから間もなく、Deepmind はAI にサッカーをさせてみようか、と考え始めました。
その年の 6 月、DeepMind の研究者は AI に、アリの形をしたオブジェクトを制御してボールを追いかけ、ボールがゴールに送られるまでドリブルして得点するよう依頼しました。
DeepMind チームのリーダーである David Silver 氏によると、Google が新たに開発した非同期 Actor-Critic アルゴリズム、つまり A3C の助けにより、AI はプロジェクトを完了しただけでなく、プロジェクトを継続したとのことです。プロセス全体を通してそれを使用するには、彼は機械について教える必要があります。
この実験により、「AI Football Playing」は良いスタートを切りました。
2019 年までに、DeepMind はさまざまなトレーニング プランから作成された多くの「プレーヤー」をトレーニングし、その中から 2 人制サッカー チームを 10 チーム選択しました。
これら 10 チームのそれぞれには 250 億フレームの学習経験があり、DeepMind はチーム間で 100 万のゲームを収集しました。
次に、DeepMind は複数の AI が一緒にサッカーの試合をできる環境を設定し、個々の「AI プレーヤー」を奨励するのではなく、「サッカー チーム」全体に報酬を与えるルールを事前に設定します。結果を反映してチーム全体の進歩を促進します。
DeepMind は、この方法で AI が互いに協力できることを証明しました。
#これで終わりだと思いますか?素朴すぎる!
その後、前方のロボットプレイヤーが足を踏み鳴らしたり、手を振ったりする非常にわかりにくいダンスをして、ドスンと地面に倒れました。
このシーンは聴衆に衝撃を与えました。人々が解放されるのは見たことがありますが、これほど解放されるのは見たことがありません。 ############ なぜこうなった?
これも、その背後にある原理から始まります。
「AI Playing Football」の開始時に、研究者は強化学習の道を採用しました。
以前、AlphaGo の学習は教師あり学習、つまりラベル付きデータセットによるトレーニングに基づいていました。
しかし、この方法にはデータの「クリーンさ」に対する高い要件があります。データに問題があると、AI は間違いを犯すことになります。
対照的に、強化学習は人間の学習モデルを模倣しており、AI は「試行錯誤」方式で学習し、正しい場合には報酬を与え、間違っている場合には罰を与えることで、正しい接続を行ってください。
従来の教師あり学習よりもはるかに賢明であるように見えますが、まだ抜け穴があります。
たとえば、AI は報酬と罰について誤った理解を持ち、奇妙な戦略を生成します。
OpenAI はかつてボート ゲームを設計しましたが、AI の本来のタスクはレースを完走することでした。
研究者らは 2 つの報酬を設定しました。1 つはゲームを完了すること、もう 1 つは環境内でスコアを収集することです。結果は、エージェントがエリアを見つけてそこを回り続けて「ポイントを獲得」したというもので、最終的には当然ゲームクリアにはならなかったものの、スコアは高かった。
今回は、AIがどんな新たな技を披露したのかAIがサッカーをしたときに逆転はありましたが、研究者たちは諦めませんでした。
記事の冒頭で、DeepMind の研究チームが「AI サッカー選手」のトレーニングにおいて新たな進歩を遂げたと述べました。
論文の説明によると、DeepMindチームはこの研究でゲームルールを簡素化し、両チームのプレイヤー数を2~3人に制限したが、「AIサッカー選手」はボールを持った突破や物理的な対決を完了することができるという。 、精密射撃およびその他のアクション。
では、研究者はどのようにして「AI サッカー選手」を育成しているのでしょうか?
簡単に言えば、教師あり学習と強化学習を組み合わせたものです。
最初のステップでは、AI はサッカーをしている人間のビデオクリップを見て、自然な歩き方を学習する必要があります。AI はサッカー上で何をすべきかわからないからです。まずはフィールド。
第 2 ステップでは、AI が強化学習アルゴリズムの下でドリブルとシュートを練習します。
AI はこれら 2 つのステップを約 24 時間で完了できます。
第 3 のステップは、競技形式でのトレーニングです。AI ロボットは 2 対 2 の競技を実施します。このステップには 2 ~ 3 週間かかります。主に、 AIはチームワークを学習し、パスの予測などのより困難なモーション制御を学習します。
今回の「AIサッカー選手」のパフォーマンスには、それでも研究チームは非常に満足しました。
DeepMind チームは、この研究が人間レベルの運動知能に向けた人工システムの進歩を促進すると信じています。
しかし、DeepMind チームはまだ比較的冷静で、この画期的な進歩にはまだ限界があることを認識しています。
たとえば、実際のサッカーの試合で一般的に使用される 11 対 11 ではなく、2 対 2 のゲームですが、これは AI がより複雑なサッカーの試合に参加できることを意味するものではありません。
さらに、単純な 2 対 2 の試合であっても、ロボット ハードウェアでは直接使用することはできません。
言い換えれば、科学者たちはサッカーができるロボットをまだ開発できていないのです。
参考: https://www.science.org/doi/10.1126/scirobotics.abo0235
https://sports.yahoo.com/deepmind-ai -now-play-football-134345563.html?guccounter=2
https://www.woshipm.com/ai/3619952.htmlhttp://it.people.com.cn/n1/2016 / 0622/c1009-28467916.html
以上がAIは「サッカーをする」ことができるが、AIロボットはまだできないの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック











このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

8月1日の本サイトのニュースによると、SKハイニックスは本日(8月1日)ブログ投稿を発表し、8月6日から8日まで米国カリフォルニア州サンタクララで開催されるグローバル半導体メモリサミットFMS2024に参加すると発表し、多くの新世代の製品。フューチャー メモリおよびストレージ サミット (FutureMemoryandStorage) の紹介。以前は主に NAND サプライヤー向けのフラッシュ メモリ サミット (FlashMemorySummit) でしたが、人工知能技術への注目の高まりを背景に、今年はフューチャー メモリおよびストレージ サミット (FutureMemoryandStorage) に名前が変更されました。 DRAM およびストレージ ベンダー、さらに多くのプレーヤーを招待します。昨年発売された新製品SKハイニックス
