Google, l'intelligenza artificiale fa progressi con i videogiochi

Concetti come 'curiosità', 'motivazione', 'gratificazione', descrivono caratteristiche proprie della personalità umana, ma si adattano con maggior fatica ad un computer. I ricercatori impegnati nello settore dell'intelligenza artificiale, tuttavia, partono da tali concetti cercando di tradurli in algoritmi che possono guidare il comportamento della macchina. E' seguendo tale direzione che proseguono le ricerche del team DeepMind, la divisione di Google impegnata sul fronte dell'A.I.

I risultati di una ricerca recentemente pubblicati dal team DeepMind, individua proprio nei concetti di "motivazione intrinseca", da intendere come sinonimo di curiosità,  e di "gratificazione" gli elementi che possono segnare la differenza tra algoritmi A.I. più o meno efficiente. Per testare la veridicità dell'affermazione, Google ha scelto un banco di prova che sarà noto ai videogiocatori con qualche anno sulle spalle, ovvero il videogioco Montezuma's Revenge di Atari.

La novità delle ultime ore non è tanto la sfida macchina-videogame - progetto di ricerca che va avanti da diversi mesi - quanto l'analisi di come, modellando il comportamento dell'agente A.I. per seguire uno schema di comportamento basato sull'esplorazione-acquisizione di bonus, l'efficienza dell'algoritmo aumenta. In sostanza, i ricercatori provano a replicare le dinamiche studiate dalle neuroscienze, in base alle quali il compimento di una determinata azione, determina nell'uomo la produzione di sostanze chimiche che generano la sensazione del piacere, della felicità e della gratificazione e che, come tale, l'uomo cerca di replicare, evitando, al tempo stesso, le azioni che generano sensazioni spiacevoli. 

Nei due screenshot riportati di seguito, è possibile notare come, applicando il meccanismo che prevede l'assegnazione di un bonus a seguito dell'esecuzione delle azioni corrette - es. raggiungere una chiave, schivare un ostacolo, etc - cresce anche la capacità dell'agente A.I. di raggiungere nuove aree della mappa, mosso da una sorta di 'curiosità' e di 'voglia di esplorazione' indotta.

Il video riportato di seguito mostra i vari progressi compiuti con e senza l'applicazione del sistema appena descritto. Il risultato è sintetizzato in maniera efficace dai ricercatori: 

Dopo 50 milioni di fotogrammi, l'agente che utilizza i bonus esplorazione ha visitato un totale di 15 stanze, mentre senza bonus l'agente ne ha visitate solo due

A scanso di equivoci, si ricorda che gli agenti A.I. impiegati nei test con i videogiochi sono molto diversi dai tradizionali bot che possono prendere il controllo del gioco. I primi hanno un accesso estremamente limitato alle informazioni di gioco - non conoscono in anticipo, ad esempio, la posizione dei nemici nemici e la struttura della mappa - agiscono, in altri termini, esattamente come farebbe un videogiocatore in carne ed ossa che affronta le sfide di livello in livello, basandosi esclusivamente su ciò che vede nella schermata e migliorando i risultati tentativo, dopo tentativo.

Il nuovo aggiornamento fornito dal team DeepMind su progressi compiuti nel settore dell'intelligenza artificiale apre scenari interessanti, anche se non è detto che le dinamiche descritte (sintetizzabili con il modello  tentativo-fallimento-nuovo tentativo-successo-gratificazione) possano essere applicate a qualsiasi agente A.I. Se fallire in un videogioco prima di trovare il giusto modo per aggirare un ostacolo non costa nulla, diversa sarebbe la conclusione nel caso in cui, ad esempio, una vettura a guida autonoma, completamente controllata da algoritmi di intelligenza artificiale, operasse secondo gli stessi schemi.