Imaxina unha IA que aprende vivindo nunha cidade simulada -navigando o tráfico, respondendo a desastres virtuais e interactuando cos cidadáns dixitais.Imaxina outro sistema de IA loitando contra un incansable brote de virus dixitais, desenvolvendo estratexias en tempo real para conter unha infección que se propaga dentro dun mundo totalmente sintético. Estes non son só escenarios imaxinativos dun xogo de ciencia ficción; son exemplos de "modelos mundiais" avanzados, simulacións internas que os modelos de IA poden usar para entender, predicir e navegar en ambientes complexos.Como estes sistemas evolucionan de algoritmos predictivos simples a mundos dixitais inmersivos, prometen revolucionar a forma en que desenvolvemos xogos, realizamos experimentos científicos e, quizais, mesmo cultivar novas formas de intelixencia. Cales son os modelos mundiais? No seu núcleo, os modelos mundiais son representacións internas que permiten a unha IA simular resultados futuros, probar hipóteses e planificar comportamentos estratéxicamente. O concepto ten raíces profundas na neurociencia, inspirado en como os humanos e os animais predicen resultados baseados nas súas experiencias -un fenómeno amplamente estudado como procesamento preditivo. En esencia, do mesmo xeito que os humanos soñan con procesar memorias e escenarios, as IA "soñan" para planificar accións e mellorar as súas predicións. Por exemplo, se unha persoa pasa o día lendo sobre computadores, os seus soños poden mesturar e abstraer esas experiencias, creando representacións compactas que axudan ao cerebro a anticipar tarefas ou interaccións futuras. Do mesmo xeito, os sistemas de IA usan sim En 2018 publicouse un artigo titulado Demostrou como as redes neurais podían aprender simulacións internas a partir da experiencia, mellorando significativamente as súas capacidades. Estes modelos van máis alá de predicións estatísticas sinxelas, permitindo que as IA interactúen activamente cos seus mundos mentais para anticipar relacións complexas de causa e efecto. "Modelos mundiais" de David Ha e Jürgen Schmidhuber "Modelos mundiais" de David Ha e Jürgen Schmidhuber Entre os exemplos máis avanzados deste enfoque están os axentes Dreamer desenvolvidos por DeepMind. DreamerV2 introduciu a idea de aprender un modelo interno comprimido do ambiente, unha abstracción simplificada do mundo externo que axuda á IA a simular e planear. Con este modelo interno, os axentes poden desenvolver políticas, que son estratexias de toma de decisións xerais, como virar sempre á dereita nunha junción do labirinto. Estas políticas son adestradas non a través da interacción directa, senón imaxinando futuros posibles dentro dun espazo latente, unha simulación interna que elimina os detalles innecesarios para centrarse na dinámica de toma de decisións clave. Isto mellorou dramaticamente a eficiencia, permitindo aos axentes dominar tarefas complexas con menos interaccións do mundo real. Máis recentemente, O resultado é un paso máis preto de axentes de propósito xeral adestrados a través da imaxinación, apuntando a un futuro onde os modelos mundiais se convertan na base para sistemas de IA escalables e adaptativos. Soños3 Soños3 O videoxogo como proba Os xogos de videoxogos ofrecen un ambiente ideal para refinar estes modelos mundiais.Os xogos proporcionan paisaxes dixitais estruturadas pero abertas que son o suficientemente complexas como para simular desafíos do mundo real pero suficientemente xestionables como para permitir unha experimentación rigorosa. O seu universo baseado en bloques permite ás IA aprender tarefas que van desde a recollida de recursos ata a construción avanzada, desenvolvendo habilidades de resolución de problemas xeneralizadas que se traducen sorprendentemente ben en escenarios do mundo real. minadoxo minadoxo Outro exemplo destacado é , desenvolvido por OpenAI. Este sistema xera mundos multixogador masivos poboados enteiramente por axentes de IA competidores. Estes axentes deben sobrevivir, colaborar e competir dentro de ecosistemas complexos, refinando así os seus modelos do mundo interno para xestionar interaccións estratéxicas matices. (MARL), un subcampo que estuda como os axentes aprenden non en illamento, senón en resposta a e xunto a outros axentes. Neuroloxía reinforcement learning Neuroloxía Aprendizaxe reforzado Un dos estudos máis ilustrativos de MARL é Nun ambiente virtual sinxelo con ferramentas básicas e obxectos móbiles, os axentes dividíronse en hiders e buscadores. Inicialmente, os hiders aprenderon a usar paredes e caixas para construír refuxios básicos. En resposta, os buscadores desenvolveron a capacidade de usar rampas para infiltrarse nestes refuxios. Os hiders entón escalaron, aprendendo a ocultar ou pechar as rampas -levando os buscadores a descubrir tácticas completamente novas como "surfing de caixa", na que montaron enriba de caixas para cruzar obstáculos. Estes comportamentos non foron pre-programados; emerxeron naturalmente a través de millóns de episodios de adestramento a través de ciclos de adaptación e contra-adaptación entre axentes. O experimento de ocultar e buscar de OpenAI O experimento de ocultar e buscar de OpenAI Esta complexidade emerxente ilustra o poder do MARL en combinación con modelos mundiais dinámicos: cando os axentes están embutidos en ambientes ricos e interactivos e expostos a outros con obxectivos conflitivos ou complementarios, poden emerxer estratexias sorprendentemente creativas. Do mesmo xeito, en Neural MMO, os axentes desenvolven memoria, planificación estratéxica, territorialidade e mesmo comportamentos sociais rudimentarios. Non se lles dixo que desenvolvesen tales comportamentos, senón que a estrutura do seu mundo e a presenza doutros axentes o incentivaron. Esta interacción entre o MARL e os ambientes simulados suxire unha forma de aprendizaxe social sintética, onde a intelixencia non só evoluciona individualmente, senón contextualmente e comunitariamente. Simulación de escenarios de alto risco: Epidemioloxía dixital Mentres que os xogos proporcionan ambientes emocionantes para a formación de IA, o poder dos modelos mundiais esténdese a aplicacións críticas do mundo real, como simulacións epidemiolóxicas. Durante a pandemia COVID-19, a modelización computacional demostrou ser inestimable na predición da propagación de virus e na proba de estratexias de intervención. Ferramentas como EpiSim e Non obstante, a combinación destas simulacións con sistemas avanzados de IA capaces de interacción en tempo real crea unha ferramenta analítica moito máis rica. Os investigadores poderían executar escenarios acelerados, probar intervencións como bloqueos, vacinacións ou directrices de distanciamento social. Cando se alimentan do adestramento de modelos mundiais, os sistemas de IA son capaces de simular internamente estas intervencións con notable eficiencia, identificando respostas óptimas anticipando os seus efectos en cascada a través do tempo e das poboacións. Este enfoque non só acelera a planificación, senón que tamén reduce a carga computacional asociada ás simulacións a gran escala. NetLogo neto A eficiencia e adaptabilidade dos sistemas baseados en modelos mundiais fan que sexan especialmente prometedores para os dominios de alto interese como a medicina, a astrofísica e a bioloxía computacional, onde a modelización de dinámicas complexas é esencial pero a miúdo prohibitivamente cara. Intelixencia artificial vivindo dentro dos mundos: dos observadores pasivos aos habitantes activos Os modelos mundiais cambian fundamentalmente como as IA perciben e interactúan cos seus ambientes. Tradicionalmente, os sistemas de IA interpretan conxuntos de datos estáticos ou responden a estímulos predefinidos. Os sistemas baseados no modelo mundial, con todo, convértense en participantes activos dentro das súas realidades xeradas internamente, capaces de inferir contexto e adaptar dinamicamente os seus comportamentos. Unha IA que domina os xogos sen ser explicitamente ensinada as súas regras, en lugar de aprender a través da experimentación activa dentro do seu propio mundo simulado. Muíño Muíño Estes sistemas suxiren un futuro onde non só construímos ferramentas con IA; construímos sofisticados mundos simulados especialmente adaptados para a formación e o desenvolvemento de IA. Tales hábitats dixitais permitirían que os sistemas de IA aprendesen con seguridade comportamentos complexos, estratexias e interaccións antes de implantarse en aplicacións do mundo real -como o adestramento de médicos de IA en crises médicas simuladas, os negociadores de IA que practican diplomacia complexa ou os vehículos autónomos que navegan en ambientes urbanos virtuais cheos de escenarios imprevisibles. 
 
 Este artigo é traído a vostede pola nosa AI, unha organización de ética de IA fundada por estudantes e liderada por estudantes que busca diversificar perspectivas en IA máis aló do que se discute habitualmente nos medios modernos. Este artigo é traído a vostede pola nosa AI, unha organización de ética de IA fundada por estudantes e liderada por estudantes que busca diversificar perspectivas en IA máis aló do que se discute tipicamente nos medios modernos. ! https://www.our-ai.org/ai-nexus/read Xogos como laboratorios de realidade Pero como estas simulacións se fan máis ricas e máis vivas, achegámonos ás fronteiras filosóficas e éticas.Estamos simplemente a crear sofisticadas ferramentas dixitais, ou estamos a cultivar inadvertidamente formas xenuínas de intelixencia dentro de ambientes simulados? As civilizacións suficientemente avanzadas crean inevitablemente simulacións realistas, e quizais nós mesmos existimos dentro dunha. O argumento da simulación de Nick Bostrom O argumento da simulación de Nick Bostrom Do mesmo xeito, Eliezer Yudkowsky, un investigador e escritor sobre a seguridade da intelixencia artificial, suxire que as simulacións altamente detalladas poden facerse indistinguibles da propia realidade, potencialmente aloxando a conciencia real. Se os mundos simulados que estamos construíndo para a IA se fan suficientemente complexos, poderían finalmente dar lugar a formas de conciencia ou intelixencia indistinguibles dos organismos biolóxicos? Isto transforma a cuestión da formación de IA dunha materia puramente práctica a unha profunda consideración ética. O concepto do "metaverso" adoita centrarse na experiencia humana: espazos virtuais para a interacción social e o comercio. Con todo, o seu potencial máis profundo pode non estar no escapismo humano senón no cultivo da IA. Na visión de Bostrom, o metaverso podería moi ben ser un laboratorio onde as intelixencias sintéticas se desenvolven e evolucionan, explorando innumerables vidas virtuais, cada unha achegándoas á fronteira da intelixencia humana. Conclusión: Os límites da simulación A pesar das contribucións pioneiras, a investigación en modelos mundiais e a aprendizaxe de reforzo multi-axente viu diminuír os investimentos dos grandes laboratorios nos últimos anos.O aumento do interese en grandes modelos de linguaxe desviou a atención e o financiamento destes complexos proxectos a nivel de sistemas, moitos dos cales, como o Neural MMO de OpenAI e os experimentos MARL baseados en etiquetas, ofreceron algunhas das demostracións máis convincentes de intelixencia emerxente. Estes tipos de estudos poden non xerar ingresos directamente, pero revelan algunhas das ideas máis profundas e inspiradoras sobre o que poderían ser as mentes artificiais.O experimento de ocultación e busca de OpenAI, despois de todo, realizouse hai 5 anos, unha eternidade en termos de investigación de IA. Dados os recursos de computación hoxe moito maiores, modelos máis grandes e ambientes máis ricos, só se pode imaxinar que formas de comportamento estratéxico e socialidade sintética poderían emerxer se esta fronteira de investigación fose perseguida con igual compromiso. Os modelos mundiais están evolucionando rapidamente de construcións teóricas abstractas a ferramentas prácticas que reformulan a forma en que pensamos sobre xogos, ciencia e incluso outros modelos de IA. Permiten probas detalladas de escenarios, planificación estratéxica e experimentación sen risco en ambientes altamente controlados pero dinámicamente complexos.Como estas simulacións se fan máis inmersivas e realistas, os modelos de IA que habitan dentro poden comezar a parecer vida orgánica en lugar de meras pezas de código - un territorio descoñecido para a nosa percepción de intelixencia e creación. En última instancia, os modelos mundiais desafían a reconsiderar as fronteiras entre a realidade e a simulación, a tecnoloxía e a vida.Como estamos no limiar desta nova fronteira dixital, debemos recoñecer as profundas responsabilidades e posibilidades, que veñen con converterse nos arquitectos dos mundos. Escrito por Liv Skeete

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Este audio está producido na lingua orixinal da historia!

Demasiado longo; Ler

Make resilience your competitive advantage

Como os modelos mundiais puxeron as bases para a intelixencia artificial xeral

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

R Systems Blogbook—Chapter 1 is Now Open for Submissions🎉

HackerNoon Decoded 2024: Celebrating Our Science Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our Remote Work Community!

R Systems Blogbook—Chapter 1 is Now Open for Submissions🎉

HackerNoon Decoded 2024: Celebrating Our Science Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our Remote Work Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps