Dans le domaine de la recherche, une méthode innovante pour évaluer l’intelligence d’un modèle d’IA a vu le jour : l’immersion dans l’univers de Minecraft sans préconnaissance de son environnement, pour observer sa capacité d’adaptation.
Minecraft, le jeu vidéo le plus vendu de tous les temps, se révèle être également un terrain fertile pour le développement de modèles d’intelligence artificielle capables de maîtriser une gamme variée de tâches, à l’instar des êtres humains.
Steven James, de l’Université du Witwatersrand en Afrique du Sud, et son équipe ont mis au point un test de référence au cœur de Minecraft destiné à évaluer l’intelligence globale des modèles d’IA. MinePlanner, leur création, jauge l’aptitude d’une IA à délaisser les éléments superflus afin de résoudre des problématiques complexes nécessitant plusieurs phases.
Selon James, de nombreuses méthodes d’entraînement en IA se limitent à fournir au modèle l’ensemble des données nécessaires pour exécuter une tâche spécifique, omettant tout ce qui pourrait être considéré comme accessoire. Cette stratégie se montre efficace pour élaborer des logiciels destinés à des fonctions précises, telles que la prévision météorologique ou le pliage de protéines, mais elle s’avère insuffisante dans le cadre de la création d’une intelligence artificielle générale (AGI).
James soutient que les futurs modèles d’IA devront naviguer à travers des problèmes complexes et espère que MinePlanner servira de boussole dans cette quête. Confrontée à un obstacle au sein du jeu, une IA devra traiter un paysage, des objets annexes et d’autres détails superflus qu’elle devra apprendre à ignorer. Elle sera amenée à explorer son environnement pour identifier de manière autonome les éléments essentiels à la résolution du problème.
MinePlanner se compose de 15 tâches de construction, chacun proposant des niveaux de difficulté facile, moyen et difficile, pour un total de 45 tâches. Pour les mener à bien, l’IA pourrait devoir réaliser des actions intermédiaires, telles que la construction d’un escalier pour placer des blocs à une hauteur spécifique. Cela implique pour l’IA une capacité à anticiper et à planifier ses actions en vue d’atteindre l’objectif fixé.
Lors de tests impliquant des modèles d’IA de planification avancés, ENHSP et Fast Downward, deux programmes open-source conçus pour orchestrer des opérations séquentielles visant un but commun, aucun modèle n’a réussi à surmonter les épreuves les plus ardues. Fast Downward n’a résolu qu’un seul défi de niveau moyen et cinq de niveau facile, tandis qu’ENHSP s’est montré légèrement plus performant, en venant à bout de tous sauf un des objectifs faciles et manquant de résoudre deux des challenges de niveau moyen.
“Il est irréaliste d’espérer qu’un concepteur humain précise à l’IA ce qui doit ou ne doit pas être considéré comme pertinent pour chaque tâche qu’elle pourrait rencontrer,” affirme James. “Nous nous attaquons à cette problématique.”
Source : Newscientist.com
