Este sitio puede ganar comisiones de afiliación de los enlaces en esta página. Términos de Uso.

Nvidia ha creado la primera red generativa capaz de crear un videojuego completamente funcional sin un motor de juego subyacente. El proyecto comenzó a probar una teoría: ¿podría una IA aprender a imitar un juego lo suficientemente bien como para duplicarlo, sin acceso a ninguna de las lógicas subyacentes del juego?

La respuesta es sí, al menos para un título clásico como Pac-Man, que también celebra hoy su 40 aniversario. Ese es un salto impresionante en la capacidad general de IA.

GameGAN utiliza un tipo de IA conocida como Red Adversaria Generativa. En una GAN, hay dos IA adversarias que compiten entre sí, cada una tratando de vencer a la otra.

Aquí hay una hipótesis: imagina que quieres entrenar una red neuronal para determinar si una imagen es real o si se generó artificialmente. Esta IA comienza con un conjunto básico de imágenes precisas que sabe que son reales y se entrena para identificar los signos reveladores de una imagen real versus una imagen sintética. Una vez que tenga su primer modelo de IA haciendo eso con un nivel aceptable de precisión, es hora de construir el adversario generativo.

El objetivo de la primera IA es determinar si una imagen es real o falsa. El objetivo de la segunda IA ​​es engañar a la primera IA. La segunda IA ​​crea una imagen y evalúa si la primera IA la rechaza. En este tipo de modelo, es el rendimiento de la primera IA lo que entrena al segundo, y ambas IA se propagan periódicamente para actualizar su capacidad de generar (y detectar) falsificaciones mejores.

El modelo GameGAN fue entrenado al permitirle ingerir tanto el video de las jugadas de Pac-Man como las acciones de teclado asociadas utilizadas por el jugador en el mismo momento en el tiempo. Una de las principales innovaciones de Nvidia que hace que GameGAN funcione es un decodificador que aprende a desenredar componentes estáticos y dinámicos dentro del modelo con el tiempo, con la opción de intercambiar varios elementos estáticos. Esto teóricamente permite características como paleta o intercambios de sprites.

Arriba hay un video de GameGAN en acción. El equipo tiene un enfoque que mejora la calidad de los gráficos en este nivel, y la sacudida supuestamente se debe a limitaciones en la captura de la salida de video en lugar de un problema fundamental con el juego.

No estoy seguro de cuánta aplicabilidad directa tiene esto para los juegos. Los juegos son excelentes para ciertos tipos de entrenamiento de inteligencia artificial porque combinan entradas y resultados limitados que son lo suficientemente simples para que un modelo de inteligencia artificial aprenda pero lo suficientemente complejo como para representar una tarea bastante sofisticada.

De lo que estamos hablando aquí, fundamentalmente, es de una aplicación de aprendizaje observacional en la que la IA se ha entrenado para generar su propio juego que se ajuste a las reglas de Pac-Man sin tener una implementación real de Pac-Man. Si lo piensas bien, eso está mucho más cerca de cómo juegan los humanos.

Si bien es obviamente posible sentarse y leer el manual (que sería el equivalente aproximado de tener acceso subyacente al motor del juego), muchas personas aprenden tanto la computadora como los juegos de mesa al ver a otras personas jugarlos antes de saltar para probarse. Al igual que GameGAN, realizamos la sustitución de activos estáticos sin pensarlo dos veces. Puedes jugar a las damas con piezas clásicas rojas y negras o un puñado de guijarros. Una vez que hayas visto a otra persona jugar a las damas varias veces, puedes compartir el juego con un amigo, incluso si nunca antes han jugado.

La razón por la que los avances como GameGAN me parecen significativos es porque no solo representan una IA que aprende a jugar un juego. La IA en realidad está aprendiendo algo sobre cómo se implementa el juego simplemente mirando a alguien más jugarlo. Eso está más cerca, conceptualmente, de cómo aprenden los humanos, y es interesante ver que los algoritmos, enfoques y conceptos de IA mejoran a medida que pasan los años.

Ahora lee: