p Os jogos são usados ​​há muito tempo como bancos de ensaio e benchmarks para inteligência artificial, e não faltaram conquistas nos últimos meses. O AlphaGo do Google DeepMind e o bot de pôquer Libratus da Carnegie Mellon University derrotaram especialistas humanos em jogos que tradicionalmente eram difíceis para a IA - cerca de 20 anos após o DeepBlue da IBM ter alcançado o mesmo feito no xadrez. p Jogos como esses têm a atração de regras claramente definidas; eles são relativamente simples e baratos para os pesquisadores de IA trabalharem, e eles fornecem uma variedade de desafios cognitivos em qualquer nível de dificuldade desejado. Ao inventar algoritmos que os executam bem, pesquisadores esperam obter insights sobre os mecanismos necessários para funcionar de forma autônoma.

p Com a chegada das técnicas mais recentes em IA e aprendizado de máquina, a atenção agora está mudando para jogos de computador visualmente detalhados - incluindo o jogo de tiro 3-D Doom, vários jogos Atari 2-D, como Pong e Space Invaders, e o jogo de estratégia em tempo real StarCraft.

p Isso tudo é certamente um progresso, mas uma parte importante do panorama geral da IA ​​está sendo negligenciada. A pesquisa priorizou jogos em que todas as ações que podem ser realizadas são conhecidas com antecedência, seja movendo um cavaleiro ou disparando uma arma. O computador recebe todas as opções desde o início e o foco está em quão bem ele escolhe entre elas. O problema é que isso desconecta a pesquisa de IA da tarefa de tornar os computadores genuinamente autônomos.

p Cascas de banana

p Fazer com que os computadores determinem quais ações existem em um determinado contexto apresenta desafios conceituais e práticos que os pesquisadores de jogos mal tentaram resolver até agora. O problema do "macaco e bananas" é um exemplo de um antigo enigma da IA, no qual nenhum progresso recente foi feito.

p O problema foi originalmente colocado por John McCarthy, um dos fundadores da IA, em 1963:há uma sala com uma cadeira, uma vareta, um macaco e um cacho de bananas pendurados em um gancho no teto. A tarefa é um computador criar uma sequência de ações para permitir que o macaco adquira as bananas.

p McCarthy fez uma distinção fundamental entre dois aspectos dessa tarefa em termos de inteligência artificial. Viabilidade física - determinar se uma sequência particular de ações é fisicamente realizável; e viabilidade epistêmica ou relacionada ao conhecimento - determinando quais ações possíveis para o macaco realmente existem.

p Determinar o que é fisicamente viável para o macaco é muito fácil para um computador se ele for informado com antecedência todas as ações possíveis - "subir na cadeira", "vara de onda" e assim por diante. Um programa simples que instrui o computador a percorrer todas as sequências possíveis de ações, uma a uma, chegará rapidamente à melhor solução.

p Se o computador tiver que primeiro determinar quais ações são possíveis, Contudo, é um desafio muito mais difícil. Isso levanta questões sobre como representamos o conhecimento, as condições necessárias e suficientes para saber algo, e como sabemos quando conhecimento suficiente foi adquirido. Ao destacar esses problemas, McCarthy disse:"Nosso objetivo final é fazer programas que aprendam com sua experiência de forma tão eficaz quanto os humanos."

p Até que os computadores possam resolver problemas sem qualquer descrição predeterminada de ações possíveis, este objetivo não pode ser alcançado. É uma pena que os pesquisadores de IA estejam negligenciando isso:esses problemas não são apenas mais difíceis e interessantes, eles parecem um pré-requisito para fazer mais progresso significativo no campo.

p Apelo de texto

p Para operar de forma autônoma em um ambiente complexo, é impossível descrever de antemão a melhor forma de manipular - ou mesmo caracterizar - os objetos ali. Ensinar computadores a contornar essas dificuldades imediatamente leva a questões profundas sobre o aprendizado com a experiência anterior.

p Em vez de se concentrar em jogos como Doom ou StarCraft, onde é possível evitar este problema, um teste mais promissor para a IA moderna poderia ser a humilde aventura em texto das décadas de 1970 e 1980.

p Antes dos computadores terem recursos gráficos sofisticados, jogos como Colossal Cave e Zork eram populares. Os jogadores foram informados sobre seu ambiente por mensagens na tela:

p Eles tiveram que responder com instruções simples, geralmente na forma de um verbo ou verbo mais um substantivo - "olhar", "levar caixa" e assim por diante. Parte do desafio era descobrir quais ações eram possíveis e úteis e responder de acordo.

p Um bom desafio para a IA moderna seria assumir o papel de um jogador em tal aventura. O computador teria que entender as descrições de texto na tela e responder a elas com ações, usando algum mecanismo preditivo para determinar seu provável efeito.

p Comportamentos mais sofisticados por parte do computador envolveriam explorar o ambiente, definindo metas, fazer escolhas de ação orientadas a metas e resolver os vários desafios intelectuais normalmente necessários para o progresso.

p Como os métodos modernos de IA do tipo promovido por gigantes da tecnologia como a IBM, Google, O Facebook ou a Microsoft se sairiam nessas aventuras de texto é uma questão em aberto - assim como quanto conhecimento humano especializado eles exigiriam para cada novo cenário.

p Para medir o progresso nesta área, nos últimos dois anos, temos realizado uma competição na IEEE Conference on Computational Intelligence and Games, que este ano acontece em Maastricht, na Holanda, em agosto. Os concorrentes enviam as inscrições com antecedência, e podem usar a tecnologia de IA de sua escolha para criar programas que podem jogar esses jogos, dando sentido a uma descrição de texto e emitindo comandos de texto apropriados em troca.

p Resumidamente, os pesquisadores precisam reconsiderar suas prioridades para que a IA continue progredindo. Se desenterrar as raízes negligenciadas da disciplina for frutífero, the monkey may finally gets his bananas after all. p Este artigo foi publicado originalmente em The Conversation. Leia o artigo original.