Che le macchine progettate e create dall’uomo battano regolarmente il loro creatore in ogni campo (e con sempre maggior precisione) non è una novità. Accade da diversi decenni. Basti pensare agli scacchi e al leggendario incontro del 1997 tra il genio russo di Garry Kasparov e l’ingegno tecnologico di IBM Deep Blue, dove la macchina creata dal colosso americano dell’elettronica vinse una partita contro il campione del mondo in carica dell’epoca. Peraltro, la stessa IBM ci riprovò nel 2011 con la sua creatura di intelligenza artificiale Watson, la quale sconfisse i concorrenti del quiz televisivo di cultura generale “Jeopardy!”. La stessa IBM Watson che pressoché tutti conoscono nell’ambiente “tecnologico” odierno. Esaminiamo come viene utilizzata l’intelligenza artificiale nei giochi.
Giocare con l’intelligenza artificiale
Ormai non può più essere una doccia fredda scoprire che l’intelligenza artificiale sta battendo gli esseri umani al loro “stesso gioco”. Ciò che è interessante è la comprensione di questi risvolti, con i ricercatori che stanno cercando di costruire sistemi intelligenti che siano più utili e più indirizzati alle più ampie categorie di consumatori. D’altronde, potenzialmente, se il cervello umano può risolvere tutti i tipi di compiti assegnati, come esseri umani possiamo costruire programmi che possono fare la stessa cosa.
Molte persone credono che l’intelligenza artificiale sia molto più capace di quanto non sia in realtà; solo che i giochi sono una dimostrazione di intelligenza incredibilmente limitata. E ora siamo un po’ intrappolati in questo ciclo in cui la ricerca sull’intelligenza artificiale sta specificamente percorrendo questa strada dei giochi sempre più avanzati senza andare effettivamente verso situazioni del mondo reale sempre più avanzate e complesse (ossia ciò di cui abbiamo effettivamente bisogno).
Da Alan Turing a Deep Blue
Ciò che è sicuro e che i giochi sono stati una parte dell’intelligenza artificiale da quando è nata, o da quando è iniziata l’idea stessa di intelligenza artificiale. E si potrebbe andare indietro nel tempo fino al pioniere dell’informatica Alan Turing, il quale fu il primo a dimostrare che costruire un computer era matematicamente possibile. Nell’Imitation Game, quello che oggi si chiama Test di Turing, si cerca di capire se qualcuno con cui si sta “parlando via testo” (oggi diremmo “chattando”) è un computer o un essere umano. E questo può riguardare anche i già citati scacchi, perché gli scacchi sono stati un po’ il fulcro della ricerca sull’intelligenza artificiale. Pensiamo alle persone che giocano a scacchi come se avessero un certo livello di intelligenza… e così il gioco è diventato un modo per valutare quanto siano intelligenti anche le macchine. E dopo la partita di Kasparov la gente pensava: “ok, e adesso? Abbiamo appena risolto gli enigmi dell’intelligenza artificiale?” E si è scoperto che no, non è così, perché IBM Deep Blue, che batté il campione del mondo, non poteva nemmeno giocare a dama senza una significativa riprogrammazione. Non poteva giocare a nulla in pratica. Poteva letteralmente fare solo una cosa: giocare a scacchi. Era dannatamente bravo. Ma, al contempo, dannatamente incapace di fare qualsiasi altra cosa al mondo.
L’intelligenza artificiale nei giochi
L’intelligenza artificiale compare nei giochi in tutti i modi, soprattutto per renderli più interessanti e stimolanti. Come nel caso dei giochi di strategia del calibro di Civilization: ogni volta che gioca l’utente ha un mondo completamente nuovo a sua disposizione da esplorare e conquistare.
E restando in tema di “conquiste”, l’archiviazione e la memoria sono due colossi non indifferenti in questo campo. Ad esempio, il videogioco di simulazione spaziale Elite è una pietra miliare importante nel settore dagli anni ‘80 agli anni’ 90. Una sua versione aveva ben 4096 diversi sistemi stellari, non pochi per computer da 64 megabyte dell’epoca. Ed è ancora così adesso. Certo, abbiamo molta più memoria. Ma i giochi sono anche molto più grandi e complessi. Tra questi il gioco di No Man’s Sky, che è uscito nel 2016 ed è in continuo aggiornamento, diventa sempre più impressionante. Ha più pianeti di quanti se ne possano visitare in una vita, ma in qualche modo tutto si adatta al computer dell’utente, perché tali pianeti vengono ricreati di volta in volta.
Se avessimo un sistema in grado di giocare in modo affidabile, con una certa competenza, allora avremmo qualcosa di simile all’intelligenza generale umana. In un certo senso siamo ancora più o meno dove eravamo mezzo secolo fa, pensando che potremmo trovare la chiave dell’intelligenza generale umana con sistemi di intelligenza artificiale che possono battere gli umani al loro stesso gioco.
Grand Theft Auto
Qualche anno fa un team di ricerca della Princeton University cercò di rendere i segnali di stop più riconoscibili alle auto a guida autonoma utilizzando il gioco Grand Theft Auto (GTA).[1] Per quanto strano possa sembrare è una soluzione piuttosto pratica se si considera in quanti modi diversi un guidatore può incontrare un segnale di stop nel mondo reale, in qualunque situazione e in qualunque momento della giornata.
Stiamo anche usando i giochi per capire meglio come gli algoritmi prendono le decisioni.
Frogger
Un altro gioco è Frogger. In questo gioco l’utente è una piccola rana che deve attraversare una strada e schivare le auto che sfrecciano da tutte le direzioni. Poi la rana arriva a un fiume e deve saltare sulla schiena di alcune tartarughe e su alcuni tronchi per arrivare dall’altra parte, senza cadere in acqua. Comunque, è un gioco che ha un sacco di azioni definite che si compiono a ogni passo. E su questo gioco alcuni ricercatori hanno addestrato l’intelligenza artificiale a prendere decisioni e completare il gioco.[2]
Deep Mind
Un altro colosso che applica l’intelligenza artificiale ai giochi è DeepMind, che fa parte di Alphabet (by Google). Deepmind ha sviluppato un sistema chiamato AlphaGo, che è stato il primo programma in grado di giocare al gioco da tavolo cinese “Go” al livello dei migliori giocatori professionisti “umani”. E infatti è stato in grado di battere il campione del mondo Lee Sedol nel 2016. E AlphaGo ha imparato a giocare ai giochi da tavolo basandosi su come giocano le persone.
Il sistema successivo di Deepmind AlphaZero ha, invece, imparato a giocare ai giochi da tavolo e ai videogiochi in un modo diverso, imparando le regole di un gioco e poi giocando contro sé stesso più e più volte. Dopo AlphaGo, Deepmind ha cercato di fare il passo successivo e realizzare qualcosa di ancora più ardito, un sistema che fosse in grado di giocare non solo a un gioco, ma a più giochi utilizzando la stessa tecnologia. E questo è un grande passo avanti, perché tale tecnologia sta cercando di fare una delle cose che noi, come persone, siamo in grado di fare, cioè risolvere molti problemi utilizzando “lo stesso cervello”.
Tuttavia, l’algoritmo non può imparare a giocare a tutti questi giochi insieme. È come se si costruisse dei cervelli separati per ogni gioco. Quindi, ad esempio, l’intelligenza artificiale deve “scambiare il suo cervello” per gli scacchi prima di giocare a Go.
Fonte: Deep Mind
Si può dire che i ricercatori stanno ancora cercando di capire come rendere i giochi idonei per un test ad hoc per la vita reale. Perché i giochi hanno regole che possono essere definite, mentre nessuno conosce davvero le regole con cui funziona il mondo! Il mondo è un posto “disordinato”: oggetti che si muovono, cose che vediamo che si relazionano alle cose che tocchiamo ecc. C’è una incredibile ricchezza e complessità nel mondo reale che non possiamo sperare di affrontare nel modo in cui le persone si sono storicamente avvicinate ai giochi. Quindi ciò di cui abbiamo bisogno è qualcosa che possa capire il mondo in un modo che comprenda i modelli utili per prendere decisioni che siano effettivamente significative nell’aiutare a raggiungere gli obiettivi.
L’ultimo nato di casa Deepmind è MuZero, un sistema che comprende come giocare senza che gli venga data alcuna regola. Nato nel 2019, era in grado di giocare contro sé stesso. E tutto ciò che riceveva alla fine del gioco era un segnale: “hai vinto” o “hai perso”. E da quel segnale era in grado di costruire una comprensione delle regole del gioco tale da poter immaginare cosa sarebbe successo nel futuro. E una volta che aveva questa capacità di immaginare il futuro, era in grado di cercare e iniziare a guardare avanti e iniziare a pensare ed a comprendere come funzionava il mondo che lo circondava. Un passo chiave che i ricercatori tengono d’occhio per il futuro dell’intelligenza artificiale.
Fonte: Deep Mind
Vediamo algoritmi che sono a tutti gli effetti creativi. In fin dei conti la creatività è la capacità di scoprire qualche nuova idea per sé stessa. L’essenza della creatività è ciò che i nostri algoritmi stanno facendo, cioè scoprire passo dopo passo qualcosa di nuovo e imparare attraverso la loro esperienza che questa nuova idea che hanno elaborato è effettivamente qualcosa che è potente e che li aiuta a raggiungere i loro obiettivi. In futuro vedremo probabilmente macchine che sono in grado di scoprire da sole le loro idee e raggiungere autonomamente i loro obiettivi. Non perché una persona ha detto loro che questa è la cosa di cui hai bisogno per raggiungere quell’obiettivo, ma perché l’hanno capito da soli.
Il fenomeno degli e-sports: Open AI
Un altro settore è quello degli e-sports, competizioni di videogiochi che sono spesso giocati “live” di fronte a un pubblico di quasi mezzo miliardo di spettatori che si sintonizzano per guardare i loro giochi preferiti giocati da alcuni dei migliori giocatori del mondo. Anche qui, l’intelligenza artificiale viene utilizzata in un sacco di modi come, ad esempio, strumenti di coaching per aiutare le persone a migliorare nel gioco.
In Open AI, organizzazione di ricerca sull’intelligenza artificiale creata da Elon Musk, è stato creato il primo sistema per battere i campioni del mondo in un gioco di e-sport. Questo sistema chiamato OpenAI Five impara in un modo molto diverso dagli esseri umani, poiché gioca contro copie di sé stesso un numero quasi infinito di volte. E comportandosi in questo mondo apprende velocemente, diventando un temibile avversario per ogni gamer del settore. Basti pensare che è in grado di guadagnare circa 250 anni di esperienza al giorno! Con un aggiornamento continuo che permette di scovare bug e difetti dei giochi.
OpenAI Five è addestrato senza esseri umani nel processo di formazione, quindi gioca contro sé stesso più e più volte. E quando lo si fa giocare contro un essere umano non utilizza i dati appresi come processo di formazione.
In questo momento storico abbiamo sistemi che sono estremamente bravi nel fare “quella determinata cosa”: vincere a scacchi, vincere il torneo di e-sports ecc. Ma non abbiamo ancora modelli che possono fare più cose contemporaneamente.
Conclusioni
Il trucco potrà essere quello di fare un passo indietro rispetto alla costruzione di intelligenze artificiali che eccellono in specifiche strategie o tecniche. Per capire davvero la prossima fase di questa ricerca potrebbe essere utile pensare al modo in cui i bambini giocano in un parco giochi. Non stanno giocando a un gioco che ha delle vere e proprie regole fisse: possono inventarle man mano che vanno avanti, alla fin fine stanno solo esplorando, provando le cose in un modo molto naturale. E non c’è nessun obiettivo definito verso cui si spingono. Potrebbe essere questo tipo di tecnica, che è ancora una specie di gioco, a spingere le cose in avanti quando si parla di intelligenza generale umana.
Deepmind, per esempio, qualche mese fa ha rilasciato un parco giochi virtuale, una sorta di mondo di popolato da un gruppo di piccoli bot. E la cosa interessante è che tale mondo è controllato da un’intelligenza artificiale che riorganizza l’ambiente, riorganizza gli ostacoli e i blocchi con cui i piccoli bot possono giocare[3]. Così, semplici giochi come il nascondino vedono i bot comprendere come giocarci, imparando abilità generali come l’esplorazione. E questo tipo di esplorazione aperta sarà la chiave per la prossima generazione di intelligenza artificiale.[4]
Note
- CONVOLUTIONAL NEURAL NETWORKS APPLIED TO TRAFFIC SIGN DETECTION IN GRAND THEFT AUTO V. Princeton University. https://dataspace.princeton.edu/handle/88435/dsp01ht24wm864 ↑
- Scientists Created a ‘Frogger’-Playing AI That Explains Its Decisions. Vice. https://www.vice.com/en/article/j5wezy/scientists-created-a-frogger-playing-ai-that-explains-its-decisions ↑
- An endlessly changing playground teaches AIs how to multitask. MIT Technology Review. https://www.technologyreview.com/2021/07/30/1030357/endless-playground-teaches-ai-multitask-general-intelligence-deepmind-openai/ ↑
- Podcast: How games teach AI to learn for itself. MIT Technology Review. https://www.technologyreview.com/2021/09/29/1036329/podcast-how-games-teach-ai-to-learn-for-itself/ ↑
