Rumah Peranti teknologi AI AI boleh 'bermain bola sepak', tetapi robot AI masih belum boleh

AI boleh 'bermain bola sepak', tetapi robot AI masih belum boleh

Apr 12, 2023 am 09:04 AM
AI Kelas senaman perlawanan bola sepak

​November ini, Piala Dunia akan bermula semula.

Pada masa itu, tidak kira sama ada kita bermain atau tidak, sama ada kita bermain dengan baik atau tidak, ramai orang akan mula bercakap tentang bola sepak semula.

Tidak mungkin, siapa yang menggelar bola sepak sebagai sukan nombor satu di dunia.

Namun, berbanding Piala Dunia, saintis lebih berminat dengan Liga Simulasi 3D Piala Robot Tahunan.

Tidak lama dahulu, pasukan penyelidik dari syarikat kecerdasan buatan British DeepMind menggunakan versi dipercepatkan kursus sukan untuk mensimulasikan perlawanan bola sepak selama berdekad-dekad melalui komputer untuk melatih AI untuk belajar bagaimana dengan mahir Mengawal pemain bola sepak humanoid digital.

AI boleh bermain bola sepak, tetapi robot AI masih belum boleh

Penyelidikan berkaitan diterbitkan dalam majalah "Sains·Robotik".

AI boleh bermain bola sepak, tetapi robot AI masih belum boleh

Alamat kertas: https://www.science.org/doi/10.1126/scirobotics.abo0235

Jelas sekali, ini bukan kali pertama "pemain bola sepak AI" menjadi perhatian umum.

Sejarah ringkas evolusi pemain bola sepak AI

Seawal 2016, tidak lama selepas AlphaGo mengalahkan Lee Sedol dalam Go, Deepmind mula merenung Biarkan AI bermain bola sepak.

Pada bulan Jun tahun itu, penyelidik DeepMind meminta AI mengawal objek berbentuk semut untuk mengejar bola, dan kemudian menggelecek bola sehingga ia dihantar ke gawang untuk menjaringkan gol.

Menurut David Silver, ketua pasukan DeepMind, dengan bantuan algoritma Actor-Critic asynchronous yang baru dibangunkan oleh Google, iaitu A3C, AI bukan sahaja menyelesaikan projek, tetapi juga diteruskan untuk menggunakannya sepanjang keseluruhan proses Dia perlu diajar tentang mekanik.

Percubaan ini memberikan “AI Football Playing” satu permulaan yang baik.

Menjelang 2019, DeepMind telah melatih ramai "Pemain", yang dibuat daripada rancangan latihan berbeza DeepMind memilih 10 pasukan bola sepak dua orang daripada mereka.

Setiap daripada 10 pasukan ini mempunyai 25 bilion bingkai pengalaman pembelajaran dan DeepMind mengumpul 1 juta permainan di antara mereka.

Kemudian DeepMind menyediakan persekitaran untuk membenarkan berbilang AI bermain permainan bola sepak bersama-sama, dan menetapkan peraturan terlebih dahulu untuk memberi ganjaran kepada keseluruhan "pasukan bola sepak" dan bukannya menggalakkan "pemain AI" individu " keputusan untuk mempromosikan kemajuan keseluruhan pasukan.

DeepMind telah membuktikan dengan cara ini bahawa AI boleh bekerjasama antara satu sama lain.

AI boleh bermain bola sepak, tetapi robot AI masih belum boleh

Nampaknya semuanya berjalan lancar, tetapi pada tahun 2020, pemain AI DeepMind menghadapi masalah.

Menurut maklumat yang diberikan oleh Brain JiTi, semasa permainan, robot bola sepak satu pihak berbaris berturut-turut untuk menembak ke arah gawang, tetapi penjaga gol robot itu tidak bersedia untuk bertahan jatuh ke tanah dan mula menghayunkan kakinya liar.

Adakah anda fikir ini adalah penghujungnya? Terlalu naif!

Kemudian pemain robot hadapan melakukan tarian yang sangat mengelirukan, menghentak kakinya, melambai-lambaikan tangannya, dan jatuh ke tanah dengan bunyi dentuman.

Adegan ini mengejutkan penonton: mereka telah melihat orang melepaskan diri, tetapi mereka tidak pernah melihat orang melepaskan diri seperti ini!

Kenapa ni?

Ini juga bermula dengan prinsip di sebaliknya.

Pada permulaan “AI Playing Football”, penyelidik menggunakan laluan pembelajaran pengukuhan.

Sebelum ini, pembelajaran AlphaGo adalah berdasarkan pembelajaran diselia, iaitu latihan melalui set data berlabel.

Tetapi kaedah ini mempunyai keperluan yang tinggi terhadap "kebersihan" data: apabila terdapat masalah dengan data, AI akan membuat kesilapan.

Sebaliknya, pembelajaran peneguhan meniru model pembelajaran manusia AI belajar dalam cara "percubaan dan kesilapan" Ia diberi ganjaran jika ia betul dan dihukum jika ia salah, dengan itu mewujudkan sambungan yang betul.

Nampaknya jauh lebih bijak daripada pembelajaran seliaan tradisional, tetapi masih mempunyai kelemahan.

Sebagai contoh, AI akan mempunyai pemahaman yang salah tentang ganjaran dan hukuman, sekali gus menjana strategi pelik.

OpenAI pernah mereka bentuk permainan mendayung. Tugas asal AI adalah untuk melengkapkan perlumbaan.

Para penyelidik menyediakan dua ganjaran, satu adalah untuk menyelesaikan permainan, dan satu lagi adalah untuk mengumpul markah dalam persekitaran. Hasilnya ialah ejen itu menemui kawasan dan terus berputar di sana untuk "mendapatkan mata".

AI boleh bermain bola sepak, tetapi robot AI masih belum boleh

Apakah helah baharu yang dimainkan oleh AI kali ini? >Walaupun Terdapat perubahan apabila AI bermain bola sepak, tetapi penyelidik tidak berputus asa.

Seperti yang dinyatakan pada permulaan artikel, pasukan penyelidik DeepMind telah membuat satu kejayaan baharu dalam melatih "pemain bola sepak AI".

Menurut penerangan kertas, walaupun pasukan DeepMind memudahkan peraturan permainan dalam kajian ini dan mengehadkan bilangan pemain dalam kedua-dua pasukan kepada 2-3, "pemain bola sepak AI" boleh melengkapkan kejayaan dengan bola, konfrontasi fizikal , dan penangkapan ketepatan dan tindakan lain.

Jadi bagaimana penyelidik melatih "pemain bola sepak AI"?

Ringkasnya, ia menggabungkan pembelajaran diselia dan pembelajaran pengukuhan.

Pada langkah pertama, AI perlu menonton klip video manusia bermain bola sepak dan belajar berjalan secara semula jadi, kerana AI tidak tahu apa yang perlu dilakukan pada bola sepak padang pada mulanya.

AI boleh bermain bola sepak, tetapi robot AI masih belum boleh

Dalam langkah kedua, AI ​​berlatih menggelecek dan menembak di bawah algoritma pembelajaran pengukuhan.

AI boleh melengkapkan kedua-dua langkah ini dalam masa kira-kira 24 jam.

Langkah ketiga ialah berlatih dalam bentuk pertandingan Robot AI menjalankan pertandingan 2 lawan 2 Langkah ini mengambil masa 2 hingga 3 minggu, terutamanya untuk membiarkannya AI belajar kerja berpasukan dan kawalan pergerakan yang lebih sukar seperti meramal hantaran.

AI boleh bermain bola sepak, tetapi robot AI masih belum boleh

Prestasi "pemain bola sepak AI" kali ini masih membuatkan pasukan penyelidik berasa cukup berpuas hati.

Pasukan DeepMind percaya bahawa penyelidikan ini menggalakkan kemajuan sistem buatan ke arah kecerdasan motor peringkat manusia.

Walau bagaimanapun, pasukan DeepMind masih agak sedar bahawa kejayaan ini masih mempunyai had.

Sebagai contoh, permainan ini adalah 2v2 dan bukannya 11v11 yang biasa digunakan dalam perlawanan bola sepak sebenar Ini tidak bermakna AI boleh mengambil bahagian dalam perlawanan bola sepak yang lebih kompleks.

Selain itu, perlawanan 2v2 yang mudah pun tidak boleh digunakan secara langsung pada perkakasan robot.

Dengan kata lain, saintis masih belum dapat membangunkan robot yang boleh bermain bola sepak.

Rujukan: 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​

Atas ialah kandungan terperinci AI boleh 'bermain bola sepak', tetapi robot AI masih belum boleh. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Jun 07, 2024 am 10:06 AM

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Meletakkan pasaran seperti AI, GlobalFoundries memperoleh teknologi gallium nitrida Tagore Technology dan pasukan berkaitan Meletakkan pasaran seperti AI, GlobalFoundries memperoleh teknologi gallium nitrida Tagore Technology dan pasukan berkaitan Jul 15, 2024 pm 12:21 PM

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G

See all articles