Agenten
Die ungarischen Forscher hatten verschiedene KI-Agenten getestet, die sich durch sogenanntes "Reinforcement Learning" selbst verbessern konnten. Die KI kann für ihre Züge verschiedene situationsabhängige Regeln wählen, um über etliche Spiele eine einfache Strategie zu entwicklen. "Wenn der KI-Agent im Spiel viele Punkte macht, werden die Regeln der Strategie 'belohnt' und werden öfter verwendet. Auf diese Art lernt der Agent graduell ein gutes Regel-Set zu wählen", erklärt István Szita im pressetext-Interview. Der stärkste Agent lernte nach der "Cross Entropy Method" (CEM) und konnte aus einem Pool vordefinierter Bewegungsregel-Module schöpfen, um sein optimiertes Regel-Set zu entwickeln. Er erzielte bessere Spiel-Ergebnisse als menschliche Vergleichsspieler. Das bedeute zwar nicht, dass der Computer cleverer sei als der Mensch, so Lörincz. Der deutliche bessere KI-Algorithmus sei aber ein echter Fortschritt.
Guter Test
Spiele gelten als allgemein gutes Umfeld, um die Lernfähigkeit künstlicher Intelligenzen zu testen. Dabei hat sich die Forschung von Klassikern wie speziell Schach aber eher abgewendet. "Es gibt sehr effiziente Computer-Algorithmen, um abstrakte, deterministische Spiele zu lösen", erklärt Szita. Spiele mit Zufallselementen wie Pac-Man sind für künstliche Intelligenzen eine deutlich größere Herausforderung. Die Forscher sehen ihren Erfolg darin, einen Algorithmus für Pac-Man entwickelt zu haben, der mit Hilfe der guten, vorgegebenen Regel-Module auch wirklich eine gute Strategie entwickeln konnte. Ähnliche Erfolge habe das Team bereits bei Tetris verbucht, nun werde an noch komplexeren Spielen wie Rollenspielen oder Titeln mit Echtzeitstrategie gearbeitet, wie Szita angibt.
Lern-Konzept