Giờ đây trò chơi điện tử giống thật đến nỗi các nhà nghiên cứu trí tuệ nhân tạo đang sử dụng chúng để dạy cho A.I nhận diện vật thể trong thế giới thực. Không chỉ vậy, các trò chơi điện tử có thể thúc đẩy các nghiên cứu trí tuệ nhân tạo lên một tầm cao mới, giảm thiểu chi phí và thời gian cần thiết để lập trình cho A.I.

Nhờ ngành công nghiệp trò chơi điện tử, chúng ta có thể dành cả buổi tối để khám phá những thế giới siêu thực trong trò chơi, như thành phố Boston sau tận thế trong game Fallout 4 hay Los Santos trong GTA 5, thay vì những việc nhàm chán như ‘gặp gỡ bạn bè’ hay ‘tương tác với người thật’.

Giờ đây trò chơi điện tử giống thật đến nỗi các nhà nghiên cứu trí tuệ nhân tạo đang sử dụng chúng để dạy cho A.I nhận diện vật thể trong thế giới thực. Không chỉ vậy, các trò chơi điện tử có thể thúc đẩy các nghiên cứu trí tuệ nhân tạo lên một tầm cao mới, giảm thiểu chi phí và thời gian cần thiết để lập trình cho A.I.

Chúng ta có thể dành cả buổi tối để khám phá những thế giới siêu thực trong trò chơi.

“Nếu bạn nhớ về game Doom đầu tiên, tất cả các bức tường đều trông giống nhau và rất dễ tiên đoán một bức tường trong game nhìn như thế nào. Nhưng nếu bạn nhìn vào thế giới thực, nơi mà mỗi bức tường nhìn một khác, thuật toán không còn hữu dụng nữa.” theo mark Schmidt, một giáo sư khoa học máy tính tại Đại Học British Columbia (UBC).

Schmidt nghiên cứu Machine Learning, một phương pháp cho phép máy tính ‘học hỏi’ từ một tập dữ liệu lớn – ví dụ các bức ảnh về đường phố - để khi đưa vào sử dụng trong thế giới thực, chúng có thể nhận biết, hoặc ‘tiên đoán’ xem vật chúng đang thấy là cái gì. Schmidt và Alizera Shafaei, một sinh viên đang tại UBC, đã đánh giá GTA5 và nhận thấy các phần mềm học hỏi bằng dữ liệu hình ảnh từ game hoạt động với hiệu quả tương tự - đôi khi tốt hơn là phần mềm học hỏi dựa trên hình ảnh thực tế.

Các phần mềm học hỏi bằng dữ liệu hình ảnh từ game hoạt động với hiệu quả tương tự - đôi khi tốt hơn là phần mềm học hỏi dựa trên hình ảnh thực tế.

“Đồ họa game hiện đã phát triển tới mức đủ tốt đến mức máy có thể học hỏi sử dụng dữ liệu thô từ game với hiệu suất ngang ngửa dữ liệu từ thế giới thực.” Đương nhiên, trò chơi điện tử chưa đủ thực tế để có thể xóa nhòa ranh giới giữa game và thế giới thực, nên hình ảnh thực tế vẫn được ưa chuộng. Nhưng với cùng một chủ thế, bạn có thể trích xuất nhiều ảnh về chủ thế đó từ game hơn và sự thiếu chi tiết trở nên không quan trọng, số lượng bù chất lượng.”

Do các cơ sở dữ liệu Machine Learning phổ biến như Cityscapes và CamVid chỉ chứa các hình ảnh được chụp trong các thành phố châu Âu, các trò chơi có thể diễn tả các khu vực Bắc Mỹ một cách siêu thực cũng có thể giúp trí tuệ nhân tạo ‘mở mang nhận thức’. “Ví dụ, các đường phố châu Âu thường hẹp hơn ở Bắc Mỹ. Nếu bạn huấn luyện AI sử dụng hình ảnh về đường phố tại Đức và thử áp dụng AI vào các đường phố tại Bắc Mỹ, AI sẽ không thể hoạt động hiệu quả.” Theo Stephan Richter, sinh viên tại Đại Học Technische Universität Darmstadt, Đức.

Video game cho phép các nhà nghiên cứu phân loại hình ảnh nhanh hơn nhiều so với dữ liệu thực. Với các hình ảnh thực, các nhà nghiên cứu phải phân loại bằng tay từng vật thể trong bức ảnh để giúp máy tính biết được nó đang nhìn thấy cái gì. Đây làm một việc rất tốn thời gian và tiền bạc.

Video game cho phép các nhà nghiên cứu phân loại hình ảnh nhanh hơn nhiều so với dữ liệu thực. Với các hình ảnh thực, các nhà nghiên cứu phải phân loại bằng tay từng vật thể trong bức ảnh để giúp máy tính biết được nó đang nhìn thấy cái gì. Đây làm một việc rất tốn thời gian và tiền bạc.

Nhưng mã nguồn game luôn “biết” trên màn hình đang hiển thị cái gì, nên các hình ảnh đã được ‘phân loại’ sẵn cho các nhà nghiên cứu. Đơn giản chỉ cần một phần mềm có thể can thiệp vào các thông tin mà game gửi tới bộ xử lí đồ họa (vì mã nguồn game được bảo vệ bởi các hãng sản xuất).

“Chúng ta nhận ra rằng bởi vì game đã biết sẵn một chiếc xe nhìn thấy như thế nào và vị trí của chiếc xe trong khung hình tiếp theo, ta có thể giảm thiểu bước phân loại và gán nhãn. Chúng ta có thể gán nhãn một loạt các khung hình có chứa vật thể 3D.” Theo Richter.

Richter và một nhóm các nhà khoa học tại Technische Universität Darmstadt và phòng thí nghiệm Intel gần đây đã đăng tải một nghiên cứu về phương pháp tiếp cận này và phát hiện việc gán nhãn cho một hình ảnh trích từ GTA5 cần trung bình 7 giây. Trái lại, việc gán nhãn bằng tay cho các hình ảnh thực tế mất trung bình từ 1 tiếng đến 90 phút. Sử dụng hình ảnh từ game giúp giảm mạnh thời gian và tiền công phải chi trả cho những nhân viên đảm nhận việc gán nhãn.

Hình ảnh siêu thực từ các trò chơi được bày bán phổ biến như GTA5, Hitman và WatchDogs có thể giúp tạo ra một cuộc cách mạng trong các nghiên cứu về Machine Learning.

Hình ảnh siêu thực từ các trò chơi được bày bán phổ biến như GTA5, Hitman và WatchDogs có thể giúp tạo ra một cuộc cách mạng trong các nghiên cứu về Machine Learning. Các nhà nghiên cứu có thể không có đủ thời gian và tiền bạc để gán nhãn các hình ảnh thực tế hay tự tạo ra các giả lập 3D, và video game có thể giúp đáp ứng nhu cầu này.

Nhưng để mọi thứ thực sự hoạt động hiệu quả, các nhà phát triển game cần phải trở nên cởi mở hơn với các nhà nghiên cứu và hợp tác với họ trong lĩnh vực Machine Learning. “Về mặt chất lượng hình ảnh và tốc độ tạo ra các hình ảnh siêu thực thì trò chơi điện tử đã đạt tới mức vô cùng phát triển. Việc các nhà phát triển game cho phép sử dụng game engine và các thế giới trong game vào machine learning thực sự là ý tưởng rất hấp dẫn.” theo Richter.

theo genk