Ricercatori della Singapore University of Technology and Design (SUTD) hanno sviluppato un nuovo software basato sull’apprendimento per rinforzo e sulla memoria a cambiamento di fase, progettato per comprendere complessi schemi di movimento. Questa IA ha recentemente sconfitto un campione umano nel gioco Street Fighter Champion Edition II.
Dettagli sulla ricerca
Mentre in passato l’apprendimento profondo è stato applicato a giochi come Scacchi o Go, i ricercatori della SUTD hanno scelto di esporre l’algoritmo D-PPO alle sfide di Street Fighter Champion Edition II. Dopo aver addestrato il suo giocatore IA, denominato SF-R2, su due giorni di gioco consecutivo contro il computer, l’IA è stata messa alla prova contro un partecipante umano, riuscendo a sconfiggerlo con facilità. Questo lavoro ha implicazioni significative per la scienza del movimento e potrebbe contribuire a migliorare la robotica e i veicoli autonomi, aprendo la strada a formazioni applicabili in campi in cui le macchine osservano e cercano di replicare e superare le norme umane.
Storia delle competizioni IA vs Umani
Uno dei principali traguardi utilizzati dai ricercatori di intelligenza artificiale per misurare l’efficacia dei sistemi che hanno costruito è farli competere con giocatori umani in vari tipi di giochi. Nel 2017, un’IA chiamata Alpha Go, sviluppata da DeepMind, ha sconfitto il miglior giocatore umano di Go al mondo per la seconda volta. Nel giugno dello stesso anno, un’IA di Microsoft ha ottenuto il primo punteggio perfetto al mondo in Ms. Pac-Man, e in agosto un motore OpenAI ha sconfitto i migliori giocatori di Dota 2 dell’epoca.
La memoria a cambiamento di fase
La recente vittoria contro un campione di Street Fighter è stata resa possibile grazie all’apprendimento per rinforzo e alla memoria a cambiamento di fase. Quest’ultima, inizialmente sviluppata da HP, è una forma di memoria non volatile che utilizza cariche elettriche per modificare aree su vetro di calcogenuro. È molto più veloce della memoria Flash comunemente utilizzata. Desmond Loke, investigatore principale del progetto, ha dichiarato a TechXplore: “Il nostro approccio è unico perché utilizziamo l’apprendimento per rinforzo per risolvere il problema di creare movimenti che superano quelli dei migliori giocatori umani”.