Minecraft podría ser la clave para crear una IA adaptable

Minecraft No es solo el videojuego más vendido de la historia, sino que también podría ser clave para crear modelos de inteligencia artificial adaptables que puedan realizar una variedad de tareas como lo hacen los humanos.

Steven James en la Universidad de Witwatersrand en Sudáfrica y sus colegas desarrollaron una prueba de referencia dentro Minecraft para medir la inteligencia general de los modelos de IA. MinePlanner evalúa la capacidad de una IA para ignorar detalles sin importancia mientras resuelve un problema complejo con múltiples pasos.

Muchos entrenamientos de IA “hacen trampa” al darle al modelo todos los datos que necesita para aprender a hacer un trabajo y nada superfluo, dice James. Este es un enfoque fructífero si desea crear software para realizar una tarea específica, como prediciendo el clima o proteínas plegables – pero no si estás intentando crear inteligencia artificial general, o AGI.

James dice que los futuros modelos de IA deberán abordar problemas complicados y espera que MinePlanner guíe esa investigación. La IA que trabaja para resolver un problema en el juego verá el paisaje, los objetos extraños y otros detalles que no son necesariamente necesarios para resolver un problema y deben ignorarse. Tendrá que examinar su entorno y determinar por sí mismo lo que es necesario y lo que no.

MinePlanner consta de 15 problemas de construcción, cada uno con una configuración fácil, media y difícil, para un total de 45 tareas. Para completar cada tarea, es posible que la IA deba tomar pasos intermedios, por ejemplo, construir un conjunto de escaleras para colocar bloques a cierta altura. Eso exige que la IA pueda alejarse del problema y planificar con anticipación para lograr un objetivo.

En experimentos con modelos de inteligencia artificial de planificación de última generación ENHSP y Fast Downward, programas de código abierto diseñados para manejar operaciones secuenciales en pos de un objetivo general, ninguno de los modelos pudo completar ninguno de los problemas difíciles. Fast Downward solo pudo resolver uno de los problemas medianos y cinco de los problemas fáciles, mientras que ENHSP tuvo un desempeño ligeramente mejor al completar todos menos uno de los problemas fáciles y todos menos dos de los problemas medianos.

“No podemos exigir que un diseñador humano venga y le diga a la IA exactamente qué debe y qué no debe importarle en todas y cada una de las tareas que tenga que resolver”, dice James. “Ese es el problema que estamos tratando de abordar”.