شرکت شهاب نرم افزار پلاک خوان | دوربین پلاک خوان | تشخیص چهره
تیم هوش مصنوعی انویدیا توسط شبکه ی GameGAN که یک شبکه ی مولد تخاصمی است که روی ۵۰ هزار قسمت از بازی PAC-MAN ( پکمن ) آموزش یافته است، یک نسخه ی کاملاً عملی از این بازی کلاسیک را بدون نیاز به موتور اصلی بازی سازی ، به وجود آورده اند.
چهل سال پیش، بازی PAC-MAN در ژاپن توسعه یافت و خیلی زود به سراسر دنیا راه پیدا کرد.
اکنون این بازی کلاسیک از نو و به لطف هوش مصنوعی بازسازی شده است.
یک مدل هوش مصنوعی جدید و قدرتمند به نام GameGAN از طریق آموزش روی ۵۰ هزار قسمت از این بازی ، توانسته یک نسخه ی کاملاً اجرایی از پکمن را به وجود آورد؛ بدون اینکه از موتور اصلی بازی استفاده کند.
به بیان بهتر، حتی بدون نیاز به درک قوانین اصلی بازی ، این هوش مصنوعی توانسته بازی را با نتایج متقاعد کننده ای بازسازی کند.
شبکه ی GameGAN اولین مدل شبکه ی عصبی است که با استفاده از شبکه های مولد تخاصمی ( GAN ) از یک موتور بازی کامپیوتری تقلید می کند.
مدل های مبتنی بر GAN که از دو شبکه ی عصبی رقابتی ، به نام های مولد و متمایز کننده ساخته شده اند؛ یاد می گیرند که چگونه محتوای جدیدی را به وجود آورند که به اندازه ی کافی شبیه به محتوای اصلی باشد.
سیونگ ووک کیم ( Seung-Wook Kim ) ، یکی از پژوهشگران NVIDIA و سرپرست پروژه در این باره گفته است: این اولین پژوهش برای تقلید از یک موتور بازی با استفاده از شبکه های عصبی مبتنی بر GAN به حساب می آید.
ما می خواهیم ببینیم که آیا هوش مصنوعی می تواند قوانین محیط یک بازی را تنها با مشاهده ی صفحه ی بازی و حرکت عامل در بازی، یاد بگیرد یا خیر، که البته موفق شد.
مادامی که عامل مصنوعی بازی کننده در حال بازی کردن این بازی ساخته شده توسط GAN است، Game-GAN به اقدامات عامل پاسخ نشان داده و قاب های جدیدی از محیط بازی را به طور بلادرنگ به وجود می آورد.
مدل Game-GAN در صورت آموزش روی مراحل مختلف بازی، حتی می تواند طرح بندی هایی از بازی را به وجود آورد که هرگز آن ها را مشاهده نکرده است.
توسعه دهندگان بازی می توانند از این قابلیت جهت ساخت خودکار طراحی مراحل جدید بازی خود استفاده کنند.
همچنین پژوهشگران AI با استفاده از این قابلیت می توانند سیستم های شبیه سازی برای آموزش ماشین های خودمختار را به شیوه ای ساده تر به وجود آورند.
کویچیرو سیوچویمی ( Koichiro Tsutsumi ) از شرکت پژوهشی BANDAI NAMCO که داده های بازی PAC-MAN را جهت آموزش GameGAN فراهم کرده است، در این باره گفته: ما از دیدن نتایج شگفت زده شدیم، اینکه بر خلاف عقیده ی ما، هوش مصنوعی می تواند بدون وجود موتور بازی، تجربه ی نمادین PAC-MAN را بازسازی کند، بسیار شگفت انگیز است.
این پژوهش، امکانات هیجان انگیز و جذابی را در اختیار سازندگان بازی قرار می گیرد تا با کمک آن، فرایند خلاقانه ساخت طرح مراحل جدید ، کاراکتر ها و حتی خود بازی را با سرعت بیشتری به انجام برسانند.
بازی پکمن که توسط هوش مصنوعی NVIDIA ساخته شده در اواخر سال ۲۰۲۰ روی AI Playground به نمایش گذاشته می شود و همه می توانند از نسخه ی اولیه و آزمایشی آن استفاده کنند.
هوش مصنوعی بازی های کلاسیک را بازسازی می کند
در زمان انتشار بازی پکمن ، علاقه مندان می بایست به نزدیک ترین مرکز بازی رفته و از این بازی کلاسیک لذت ببرند. آن ها باید با بالا و پایین کردن جوی استیک دستگاه ، پکمن را هدایت می کردند، به دنبال نقطه ها رفته و از چهار شبح به نام اینکی، پینکی، بلینکی و کلاید دوری می کردند.
تنها در سال ۱۹۸۱، آمریکایی ها میلیارد ها سکه را برای ۷۵ هزار ساعت بازی سکه ای، مثل پکمن، خرج کردند. در طول چندین دهه، نسخه های متعددی از بازی پکمن برای کامپیوترهای شخصی، کنسول های بازی و گوشی های همراه ارائه شده است.
نسخه ی GameGAN به جای موتور بازی قدیمی، از شبکه های عصبی برای ساخت محیط پکمن استفاده می کند. هوش مصنوعی ، دنیای مجازی بازی را دنبال کرده و تمام موارد ساخته شده تا کنون را به خاطر می سپارد تا بتواند نحوه سازگاری بصری را در هر فریم حفظ کند.
صرف نظر از بازی ، GAN می تواند قوانین هر بازی را، تنها با داشتن رکوردهای نمایشی و کلید های فشرده شده توسط عامل هوش مصنوعی در گیمپلی های گذشته، به وجود آورد. سازندگان بازی می توانند از این هوش مصنوعی و همچنین کاربرد سناریوی سطوح اصلی بازی به عنوان داده های آموزشی ، برای طراحی و ساخت خودکار طرح بندی های سطوح جدید برای بازی های فعلی استفاده کنند.
با استفاده از داده های کمپانی BANDAI NAMCO ، کیم و همکارانش در آزمایشگاه پژوهشی NVIDIA در تورنتو از سیستم های NVIDIA DGX جهت آموزش شبکه های عصبی روی قسمت های متعدد بازی پکمن ( به طور کلی، چند میلیون فریم ) و همینطور داده های مربوط به کلیدهای عامل هوش مصنوعی در حین اجرای بازی استفاده کرده اند.
پس از آموزش، مدل GameGAN می تواند عناصر ایستای محیط نظیر شکل یک هزارتوی ثابت، نقطه ها و گلوله های قدرت ، و همینطور عناصر متحرک نظیر اشباح دشمن و خود پکمن را به وجود آورد.
مدل GameGAN می تواند قوانین ساده و پیچیده ی بازی را یاد بگیرد. درست همانند بازی اصلی، پکمن نمی تواند از داخل دیوار هزارتو عبور کند. پکمن با گشت و گذار در بین دیوارهای هزارتو، نقطه ها را می خورد و در هنگام استفاده از گلوله های قدرت ، اشباح به رنگ آبی درآمده و فرار می کند.
زمانی که پکمن از یک طرف هزارتو خارج شود، از طرف مخالف مجددا وارد هزارتو می شود و در هنگام برخورد با یک شبح، صفحه بازی چشمک می زند و بازی به اتمام می رسد.
از آنجا که مدل می تواند بین پس زمینه و کاراکترهای در حال حرکت فرق گذاشته و آن ها را از هم جدا کند، پس قادر است که اجرای بازی را به یک هزارتوی حصاردار در فضای باز نیز انتقال دهد، یا ظاهر PAC-MAN را به شکلک دلخواه کاربر درآورد. توسعه دهندگان می توانند از این قابلیت برای بررسی و آزمایش ایده های کاراکتری یا تم های بازی جدید استفاده کنند.
این قابلیت تنها به بازی محدود نمی شود
ربات های خود مختار معمولاً در یک شبیه ساز آموزش می بینند، به طوری که هوش مصنوعی می تواند قوانین یک محیط را پیش از تعامل با اشیاء در دنیای واقعی، یاد بگیرد. ایجاد یک شبیه ساز، فرایند زمانبری برای توسعه دهندگان و سازندگان به شمار می آید، چرا که آن ها باید قوانین مربوط به نحوه ی تعامل اشیاء با یکدیگر و یا نحوه ی عملکرد نور در محیط را کد نویسی کنند.
از شبیه سازها برای ساخت هر نوع ماشین خودمختار ، مثل ربات های انبار ( آموزش نحوه ی گرفتن و حرکت دادن اشیاء پیرامون ) یا ربات های تحویل (نحوه ی حرکت در پیاده روها جهت تحویل غذا ، دارو یا اجناس ) استفاده می شود.
مدل GameGAN نشان می دهد که در آینده ممکن است آموزش ساده ی یک شبکه ی عصبی ، جایگزین نوشتن یک شبیه ساز برای این نوع کارها شود.
فرض کنید که یک دوربین روی ماشین نصب کرده اید. این دوربین می تواند محیط جاده ، و همینطور کارهای راننده ( چرخاندن فرمان ماشین یا گاز دادن ) را ضبط کند.
از این داده ها می توان برای آموزش یک مدل یادگیری عمیق جهت پیش بینی آینده در ازای انجام اقداماتی نظیر ترمز گرفتن توسط یک راننده ی انسانی – یا یک خودروی خود مختار – در دنیای واقعی، استفاده کرد.
سانجا فیدلر( Sanja Fidler )، رئیس آزمایشگاه پژوهشی NVIDIA در تورنتو در این باره می گوید: ما بالاخره می توانیم یک هوش مصنوعی را در اختیار داشته باشیم که تنها با مشاهده ی ویدیوها و اجرای عملیات توسط عامل ها در یک محیط، یاد می گیرد که قوانین رانندگی و فیزیکی را تقلید کند. مدل GameGAN اولین گام به سوی این هدف است.
آزمایشگاه پژوهشی NVIDIA دارای بیش از ۲۰۰ دانشمند و متخصص از سراسر دنیا است که در حوزه های مختلفی نظیر هوش مصنوعی ، بینایی ماشین ، خودروهای بدون راننده ، رباتیک و گرافیک در حال فعالیت هستند.
مدل GameGAN توسط فیدلر ( Fidler ) کیم ( Kim ) جاناتان فیلیون ( Jonah Philion ) (پژوهشگر NVIDIA )، یوهائو ژو (دانشجوی دانشگاه تورنتو )، و آنتونیو تورالبا ( پرفسور MIT ) ساخته شده است. مقاله ی مربوط به این مدل در کنفرانس معتبر حوزه ی بینایی ماشین و شناسایی الگو در ماه جوئن ارائه خواهد شد.
